极限学习机模型的土壤含水量反演研究

作     者：李向龙 赵洪丽 赵红莉 王镕 郝震 LI Xianglong;ZHAO Hongli;ZHAO Hongli;WANG Rong;HAO Zhen

作者机构：兰州交通大学测绘与地理信息学院兰州730070 地理国情监测技术应用国家地方联合工程研究中心兰州730070 甘肃省地理国情监测工程实验室兰州730070 中国水利水电科学研究院水资源研究所北京100038 山东省调水工程运行维护中心济南250100 

出 版 物：《测绘科学》 (Science of Surveying and Mapping)

年 卷 期：2021年第46卷第12期

页      面：91-97页

核心收录：

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 

基　　金：国家重点研发专项(2018YF C0407705) 中国水利水电科学研究院科研专项(WR0145B012017,WR0145B272016) 兰州交通大学优秀平台项目(201806) 

主　　题：极限学习机 BP神经网络模型 水云模型 土壤含水量 Sentinel-1/2 

摘      要：针对传统反馈型神经网络模型在土壤含水量反演时容易陷入局部最优解和模型计算效率低等问题,该文提出了极限学习机模型结合主被动遥感进行土壤含水量反演的方法。首先,使用水云模型计算裸土后向散射系数,通过高级积分方程模型建立组合地表粗糙度库,计算各点的地表粗糙度;其次,以计算的裸土后向散射系数、植被指数、地表粗糙度和入射角作为输入数据,以土壤含水量为输出,构建极限学习机模型,并进行训练;最后,对极限学习机土壤含水量反演结果进行验证。结果表明,该方法反演土壤含水量具有较高的精度和计算效率;同时,与BP神经网络模型的反演结果比较,证明了该方法的有效性,为土壤含水量的反演研究提供了一种方法。