文献类型：期刊文章

作　　者：杨丽萍[1] 侯成磊[2,3] 苏志强[2] 白宇兴[2] 王彤[1] 冯瑞[2]

Yang Liping;Hou Chenglei;Su Zhiqiang;Bai Yuxing;Wang Tong;Feng Rui(School of Geological Engineering and Geomatics,Chang’an University,Xi’an 710054,China;School of Earth Science and Resources,Chang’an University,Xi’an 710054,China;College of Land Resources and Surveying&Mapping Engineering,Shandong Agriculture and Engineering University,Jinan 250100,China)

机构地区：[1]长安大学地质工程与测绘学院,西安710054 [2]长安大学地球科学与资源学院,西安710054 [3]山东农业工程学院国土资源与测绘工程学院,济南250100

出　　处：《农业工程学报》

基　　金：国家自然科学基金资助项目(41371220、42071345)。

年　　份：2021

卷　　号：37

期　　号：13

起止页码：74-82

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：雷达遥感是区域土壤湿度监测最为有效的技术手段之一,为深入探讨全极化雷达特征参数和不同机器学习算法对干旱区土壤湿度反演的潜力,该研究以黑河下游的居延泽为研究区,基于全极化Radarsat-2数据,通过标准强度和相位处理提取后向散射系数(Backscattering Coefficients,BC),并通过Cloude-Pottier分解(Cloude-Pottier Decomposition,CPD)与Yamaguchi分解(Yamaguchi Decomposition,YD)提取多个极化参数作为雷达影响因子,对其进行相关性及重要性分析。采用随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)和BP人工神经网络(Back Propagation Artificial Neural Network,BP-ANN)3种不同的机器学习算法,构建土壤湿度反演的多种模型,并使用10折交叉验证的方法综合评价各模型的性能,最后使用最佳模型反演研究区土壤湿度,分析其空间分布格局与影响因素。结果表明:1)平均散射角对反演精度至关重要,熵与反熵的影响次之。交叉极化相较于同极化后向散射系数有更高贡献,偶次散射与体散射的重要性明显高于表面散射和螺旋体散射。2)不同类型因子组合建模的模型,其性能表现均明显优于仅采用单种因子类型的模型。3)相较于SVM和BP-ANN模型,RF模型在干旱区土壤湿度反演中具有更好的适用性。其中,BC+CPD组合训练的RF模型性能最优,其验证集决定系数R2和均方根误差分别为0.78和6.60%,对应的标准偏差分别为0.15和1.95%,该模型可解释土壤湿度变化的89%。4)研究区土壤湿度平均值约为8.83%,整体呈现极端干旱的态势。其中,天鹅湖附近和古湖心区的土壤湿度高于其他区域,反演结果能综合反映区域土壤湿度空间分布的总体格局。

关 键 词：土壤湿度 模型  算法  RF  SVM BP-ANN  RADARSAT-2 干旱区

分 类 号：S152.7] TP79]