【技术实现步骤摘要】
本专利技术涉及土壤检测。更具体地，本专利技术涉及一种基于深度学习的土壤墒情遥感检测方法。
技术介绍
1、水利是农业的命脉，粮食的丰收离不开灌溉保障。土壤墒情(含水量)的变化影响陆地-大气界面的蒸发、渗透、径流、侵蚀等过程，是农业、水文、气象、生态等领域的关键参数，是决定灌区是否灌溉及灌溉水量的重要依据。
2、传统的土壤墒情监测的方法主要包括接触式的站点监测和非接触式的遥感观测数据反演。
3、其中，站点监测的方法有烘干法、负压计法、土壤湿度计法、种子水分仪探测法等，其不受大气、植被影响，数据精度高，但是站点个数有限，采样频率较低，无法形成连续且大范围的空间数据集，同时由于墒情受土壤物理特性、地形、植被类型、气候条件等多种要素影响，存在很大的空间非均匀性。
4、而非接触式的遥感技术可以在时间上、空间上快速获取大面积的地物光谱信息，不仅能宏观地监测地表水分收支平衡状况，还能微观地反映由于水分盈亏引起的地物光谱、地表蒸散变化。目前，在卫星遥感墒情监测领域提出了各种方法和模型，主要包括表观热惯量法和植被指数法等。
5、其中，热惯量是土壤的一种热特性，在地物温度变化中，热惯量起着决定性的作用。土壤热惯量值与土壤含水量关系密切，可以通过估算土壤热惯量来反演土壤水分，但直接利用遥感方法获取参数存在困难，实际应用中，主要是利用表观热惯量方法代替热惯量。表观热惯量只涉及地表温差和地表反射率两个参数。由于该方法依靠土壤热特性估测土壤水分，当植被覆盖度高时，精度会受混合像元影响而降低，因此这种方法主要适用
6、植被指数法是一种利用遥感技术评估植被覆盖及其生长活力的方法，它基于植被的光谱特性，通过将卫星可见光和近红外波段进行组合，形成各种植被指数。通过植被指数区分植被类型及植被覆盖度，比较不同时期的长势情况，是遥感监测旱情状态的重要途径，这是因为植被长势与土壤水分关系密切，水分供应充足，植被生长良好；反之，生长变差。因此，一些学者根据植被这种红光波段强吸收、近红外波段强反射的光谱特征，通过波段组合方法，构建了多种植被指数，包括归一化植被指数(ndvi)、简单植被指数(svi)、比值植被指数(rvi)等。
7、相关技术中，如公布号为cn112287294a，名称为“一种基于深度学习的时空双向土壤含水量插值方法”的专利申请文件，其充分考虑数据的时空三维特征（气象要素、植被参数、土壤信息、地形地貌条件和遥感土壤含水量等），综合了土壤水在时程上的季节变化规律以及在空间上的地理学特性，并借助于深度学习模型有效建立气象、影响要素与土壤含水量间的内在联系，提高了土壤含水量的插值精度。
8、上述方案中，在进行网络模型训练时的标签为采集的遥感图像中各位置的含水量，然而，由于采集的遥感图像所涵盖的地理位置广泛，而采集设备只能采集到遥感图像中部分位置的含水量，其并不能与遥感图像中所有位置的像素点一一对应，因此有的位置并没有真实的含水量，这样就使得训练的网络模型的准确性并不高，进而影响土壤墒情的监测的准确性。
技术实现思路
1、本专利技术的目的在于提出一种基于深度学习的土壤墒情遥感检测方法，用以解决现有技术的无法准确进行土壤墒情的监测的问题；为此，本专利技术在如下的一个方面中提供方案。
2、本专利技术提供的一种基于深度学习的土壤墒情遥感检测方法，包括：
3、获取目标区域的多个数据集；其中，每个数据集包括预先获取的遥感特征数据中的任一遥感特征及其该任一遥感特征对应的标签；
4、所述标签包括真实含水量标签以及软标签；真实含水量标签通过采集设备采集的含水量确定，软标签为：设置条件为无真实含水量的位置的遥感特征与真实含水量标签对应的遥感特征大小相同，若满足条件，则将该遥感特征对应的每个真实含水量的概率密度作为该位置的遥感特征的软标签；若不满足条件，则将加权概率值作为无真实含水量的位置的软标签，所述加权概率值为与无真实含水量的位置最近邻的前l个真实含水量的概率密度正相关，其中l≥2；
5、利用多个数据集对构建的多个预测模型进行训练，得到各训练好的预测模型；在训练时一个数据集仅对应一个预测模型；
6、将实时获取的待检测区域的遥感特征数据中遥感特征分别输入对应训练好的预测模型中，输出对应的土壤含水量；
7、对所有土壤含水量进行加权求和，得到加权后的土壤含水量。
8、上述方案中，通过获取不同遥感特征的软标签，得到了一个包含不同遥感特征及其对应的标签的数据集，并用于训练网络模型，进而得到了多个网络模型，通过获取软标签，能够丰富数据集中的标签数据，提高模型训练的准确性，进而提高了各预测模型的预测结果的准确性；同时，还综合了多个遥感特征的多个预测结果，进一步提高了土壤墒情监测的准确性。
9、可选地，所述加权概率值为：
10、；
11、其中，表示位置a的第k个遥感特征的数值为时含水量的加权概率值，和分别表示与位置a最近邻的两个位置b、c的第k个遥感特征的数值，表示位置b的第k个遥感特征的数值为时含水量的概率密度函数，表示位置c的第k个遥感特征的数值为时含水量的概率密度函数。
12、上述方案中在计算无真实含水量位置的加权概率值时，将权重设置为遥感特征之间的差异情况，能够准确地确定最近邻的两个位置的真实含水量的准确性。
13、可选地，所述遥感特征包括归一化差异植被指数、归一化植被湿度指数、比值植被指数、归一化差异红外指数、水胁迫指数、水波段指数、融合植被指数、局部入射角以及极化土壤后向散射系数。
14、上述方案中综合了多维度的遥感特征，能够提高后续土壤墒情监测的准确性。
15、可选地，所述各预测模型的损失函数为：
16、；
17、其中，表示第k个遥感特征对应的预测模型的损失函数，表示第k个遥感特征中真实含水量标签的个数，表示第k个遥感特征中软标签的个数，表示第k个遥感特征中第i个真实含水量标签的标签值，表示第k个遥感特征中第i个真实含水量标签对应的预测值，表示第k个遥感特征中第j个软标签的第s个标签值，表示第k个遥感特征中第j个软标签对应的预测值，表示第j个软标签的第s个标签值出现的概率密度，s为软标签对应的标签值总个数。
18、上述方案通过计算损失，能够提高预测模型的准确性。
19、可选地，所述多个预测模型均采用卷积神经网络模型。
20、可选地，所述对所有土壤含水量进行加权求和，得到加权后的土壤含水量的获取过程为：
21、计算各预测模型的模型评价指标；
22、根据各模型评价指标对各土壤含水量进行加权求和，得到加权后的土壤含水量。
23、可选地，所述加权后的土壤含水量为：
24、；
25、其中，表示加权后的土壤含水量，表示第k个遥感特征对应的预测模型的土壤含水量，表示第k个遥感特征对应的预测模型的均方差，表示所有本文档来自技高网...
【技术保护点】
1.一种基于深度学习的土壤墒情遥感检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的土壤墒情遥感检测方法，其特征在于，所述加权概率值为：
3.根据权利要求2所述的一种基于深度学习的土壤墒情遥感检测方法，其特征在于，所述遥感特征包括归一化差异植被指数、归一化植被湿度指数、比值植被指数、归一化差异红外指数、水胁迫指数、水波段指数、融合植被指数、局部入射角以及极化土壤后向散射系数。
4.根据权利要求1所述的一种基于深度学习的土壤墒情遥感检测方法，其特征在于，所述各预测模型的损失函数为：
5.根据权利要求4所述的一种基于深度学习的土壤墒情遥感检测方法，其特征在于，所述多个预测模型均采用卷积神经网络模型。
6.根据权利要求1所述的一种基于深度学习的土壤墒情遥感检测方法，其特征在于，所述对所有土壤含水量进行加权求和，得到加权后的土壤含水量的获取过程为：
7.根据权利要求6所述的一种基于深度学习的土壤墒情遥感检测方法，其特征在于，所述加权后的土壤含水量为：
8.根据权利要求1所述的一种基于
9.根据权利要求7所述的一种基于深度学习的土壤墒情遥感检测方法，其特征在于，所述真实含水量的概率密度为：
...【技术特征摘要】
1.一种基于深度学习的土壤墒情遥感检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的土壤墒情遥感检测方法，其特征在于，所述加权概率值为：
3.根据权利要求2所述的一种基于深度学习的土壤墒情遥感检测方法，其特征在于，所述遥感特征包括归一化差异植被指数、归一化植被湿度指数、比值植被指数、归一化差异红外指数、水胁迫指数、水波段指数、融合植被指数、局部入射角以及极化土壤后向散射系数。
4.根据权利要求1所述的一种基于深度学习的土壤墒情遥感检测方法，其特征在于，所述各预测模型的损失函数为：
5.根据权利要求4所述的一种基于深度学习的土壤墒情遥感...
【专利技术属性】
技术研发人员：童钟，熊骥，李超，周保康，张美丽，李丹，
申请(专利权)人：湖北省水利水电科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。