一种基于拓展型广义回归神经网络的土壤水分估算方法技术

本发明专利技术提供一种基于拓展型广义回归神经网络的土壤水分估算方法，包括以下步骤：1)：获取数据集，划分训练集和测试集；2)：构建拓展型广义回归神经网络，将训练集输入所述拓展型广义回归神经网络进行训练，得到训练好的拓展型广义回归神经网络；3)将测试集输入到训练好的拓展型广义回归神经网络，验证训练好的拓展型广义回归神经网络的好坏。本发明专利技术采用曼哈顿距离代替欧氏距离计算高斯核削弱了对异常值的敏感性；设计了自适应调整的平滑度参数选取方法，能够显著降低模型因交叉验证导致的复杂度；引入k

【技术实现步骤摘要】
一种基于拓展型广义回归神经网络的土壤水分估算方法


[0001]本专利技术属于土壤水分估算
，具体涉及一种基于拓展型广义回归神经网络的土壤水分估算方法。

技术介绍

[0002]土壤水分是联系地表水和地下水的纽带，是地表水循环和大气能量平衡的关键变量之一，它在全球水循环和能量循环中扮演着关键角色，直接影响降水、径流、下渗与蒸散发等水文循环过程，并能反映洪涝和干旱程度。因此，土壤水分是气象学、水文学、农学、林学等研究中的关键参数，对其进行大范围有效观测在气候变化、水文模拟、农作物估产、农业灌溉需水估算、干旱监测、地质灾害预警等方面有着极其重要的意义。
[0003]传统的土壤水分估算方法主要分为可见光与热红外遥感估算方法和微波遥感估算方法两大类。光学遥感可以准确反映植被信息，但可见光、热红外波段容易受到植被冠层和大气条件的影响，导致时间分辨率较差。微波遥感估算土壤水分时其物理模型参数多且物理机制复杂，同时反演过程通常依赖很多假设条件，导致反演结果存在很大的不确定性。
[0004]近年来，以深度学习为代表的机器学习方法已广泛应用于地球物理参数估算研究。该方法可以综合全波段遥感观测数据、地形地貌、植被土质等多源遥感数据，无需考虑反演过程的复杂物理机制，回避大量模型假设，在给定训练数据条件下即可实现复杂非线性的有效映射。目前，机器学习方法已在土壤水分遥感估算研究中得到了广泛应用，有望实现精度更高、稳定性更好、可操作性更强的土壤水分遥感估算。
[0005]但是在基于机器学习的土壤水分估算中，训练样本的质量和数量直接影响估算效果。因此，该类方法对训练样本有严格的要求：一方面训练样本必须足够准确，且能够真实、全面地反映实地情况；另一方面训练样本必须达到足够的数量，防止估算模型出现过拟合现象。然而，由于土壤水分地面监测数据获取过程比较耗时、昂贵，同时大面积覆盖需要建立区域性的监测网络，现实应用场景中往往较难以提供足够数量和质量的训练数据。因此，如何设计新型算法以适应训练样本稀少、空间分布不均衡条件下的土壤水分估算是迫切需要解决的现实问题。
[0006]针对广义回归神经网络(GRNN)土壤水分估算方法采用全图构建方式导致计算复杂度高、土壤水分时空局部特征难以有效表达等不足，提出了一种拓展型广义回归神经网络土壤水分估算模型。

技术实现思路

[0007]专利技术目的：针对上述现有技术，提出一种基于拓展型广义回归神经网络的土壤水分估算方法；
[0008]技术方案：一种基于拓展型广义回归神经网络的土壤水分估算方法，包括以下步骤：
[0009]1)：获取原始数据集，对原始数据集中的数据进行预处理，并将经过预处理之后的
数据集按照比例划分为训练集和测试集；
[0010]2)：构建拓展型广义回归神经网络，将训练集输入拓展型广义回归神经网络进行训练，得到训练好的拓展型广义回归神经网络；
[0011]3)将测试集输入到训练好的拓展型广义回归神经网络，验证训练好的拓展型广义回归神经网络的好坏。
[0012]优选的，步骤1)中，所述原始数据集包括植被指数、地表温度、植被覆盖类型、地表反射率、反照率、经度、纬度、H极化亮温、V极化亮温、地表粗糙度、蒸散量、地表径流量、降雨量、SRTM高程特征参数、粘土比例、沙质比例、粉土比例、土壤有机质含量、时间参数。
[0013]优选的，对原始数据集中的数据进行预处理的操作包括影像拼接、影像裁剪、空间重采样、坐标系转换、重投影，以及将原始数据集中的数据统一成：空间分辨率为0.125
°
、坐标系为WGS1984、投影为UTM、格式为“tif”的逐日数据。
[0014]优选的，步骤2)中，所述拓展型广义回归神经网络包括输入层、稀疏模式层、求和层、输出层；
[0015]所述输入层包括m个第一节点，用于输入步骤1)训练集中包含的训练数据；
[0016]所述稀疏模式层包括n个第二节点，所述稀疏模式层的传递函数由曼哈顿距离d
i
、高斯核、稀疏高斯核三部分构成；其中，曼哈顿距离d
i
的计算公式为：
[0017][0018]其中，x
ij
为训练数据，x*
ij
为未知数据，j，B为参数；
[0019]高斯核的计算公式为：
[0020][0021]式中，σ是平滑度参数；
[0022]然后通过式(3)进行优化：
[0023][0024]式中，为训练数据x
ij
与未知数据x*
ij
的逐点距离，min(
·
)函数为返回输入矩阵每一列的最小值；
[0025]根据式(3)，拓展型广义回归神经网络构建全图邻接矩阵；
[0026]引入k近邻算法，式(4)为k个最近邻集合：
[0027]Ω＝{min(D)}
i＝1,2,
…
,k
ꢀꢀ
(4)
[0028]根据式(4)最近邻集合可推算稀疏高斯核，如式(5)所示：
[0029][0030]所述求和层包括分子节点和分母节点；
[0031]所述输出层输出分子节点和分母节点的比值，即土壤水分预测值。
[0032]优选的，所述稀疏模式层中利用公式其中，x
ij
为训
练数据，x*
ij
为未知数据，计算未知数据x*
ij
和训练数据x
ij
之间的曼哈顿距离，将曼哈顿距离输入到公式计算高斯核，其中p为高斯核，σ为平滑度参数。
[0033]优选的，计算σ时，通过公式优选的，计算σ时，通过公式为训练数据x
ij
与未知数据x*
ij
的逐点距离，其中σ
opt
为σ的最优取值。
[0034]优选的，采用k近邻算法对拓展型广义回归神经网络进行改造，通过公式Ω＝{min(D)}
i＝1,2,
…
,k
定义k个最近邻集合，根据推算稀疏高斯核，公式为：
[0035]优选的，所述求和层：在分子节点，通过公式计算第二节点的加权和；在分母节点，通过公式计算第二节点的总和。
[0036]优选的，
[0037]土壤水分预测值其中x为训练数据，x*为未知数据。
[0038]有益效果：
[0039]本专利技术基于拓展型广义回归神经网络的土壤水分估算方法解决了广义回归神经网络土壤水分估算方法采用全图构建方式导致计算复杂度高、土壤水分时空局部特征难以有效表达等不足，通过采用曼哈顿距离代替欧氏距离计算高斯核削弱了对异常值的敏感性；设计了自适应调整的平滑度参数选取方法，能够显著降低模型因交叉验证导致的复杂度；引入k
‑
NN算法，在模式层计算稀疏邻接矩阵，有利于捕获局部结构信息和判别信息，增强模型的小样本泛化性能。
附图说明
[0040]图1是本专利技术EGR本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于拓展型广义回归神经网络的土壤水分估算方法，其特征在于，包括以下步骤：1)：获取原始数据集，对原始数据集中的数据进行预处理，并将经过预处理之后的数据集按照比例划分为训练集和测试集；2)：构建拓展型广义回归神经网络，将训练集输入拓展型广义回归神经网络进行训练，得到训练好的拓展型广义回归神经网络；3)将测试集输入到训练好的拓展型广义回归神经网络，验证训练好的拓展型广义回归神经网络的好坏。2.如权利要求1所述的一种基于拓展型广义回归神经网络的土壤水分估算方法，其特征在于，步骤1)中，所述原始数据集包括植被指数、地表温度、植被覆盖类型、地表反射率、反照率、经度、纬度、H极化亮温、V极化亮温、地表粗糙度、蒸散量、地表径流量、降雨量、SRTM高程特征参数、粘土比例、沙质比例、粉土比例、土壤有机质含量、时间参数。3.如权利要求2所述的一种基于拓展型广义回归神经网络的土壤水分估算方法，其特征在于，对原始数据集中的数据进行预处理的操作包括影像拼接、影像裁剪、空间重采样、坐标系转换、重投影，以及将原始数据集中的数据统一成：空间分辨率为0.125
°
、坐标系为WGS1984、投影为UTM、格式为“tif”的逐日数据。4.如权利要求1所述的一种基于拓展型广义回归神经网络的土壤水分估算方法，其特征在于，步骤2)中，所述拓展型广义回归神经网络包括输入层、稀疏模式层、求和层、输出层；所述输入层包括m个第一节点，用于输入步骤1)训练集中包含的训练数据；所述稀疏模式层包括n个第二节点，所述稀疏模式层的传递函数由曼哈顿距离d
i
、高斯核、稀疏高斯核三部分构成；其中，曼哈顿距离d
i
的计算公式为：其中，x
ij
为训练数据，x*
ij
为未知数据，j，B为参数；高斯核的计算公式为：式中，σ是平滑度参数；然后通过式(3)进行优化：式中，为训练数据x
ij
与未知数据x*
ij

【专利技术属性】
技术研发人员：张玲，薛朝辉，
申请(专利权)人：江苏海事职业技术学院，
类型：发明
国别省市：