[发明专利]一种多模型集成学习的土壤含水量反演方法

说明书

本发明公开了一种多模型集成学习的土壤含水量反演方法，先通过融合多源遥感数据来提取土壤含水量反演模型的初始输入特征，然后再基于Stacking框架，通过初始输入特征对框架内的极端随机树和XGBoost模型进行训练，得到不同的土壤含水量预测值，同时提取出温度‑植被干旱指数反演结果，最后通过拟合工具搭建线性回归模型并将极端随机树、XGBoost模型预测的土壤含水量和TVDI反演结果输入至建线性回归模型，从而输出土壤含水量值。

技术领域

本发明属于环境遥感技术和机器学习技术领域，更为具体地讲，涉及一种多模型集成学习的土壤含水量反演方法。

背景技术

土壤含水量与地表生物的生存息息相关，不但在农业、水文、气象等多个领域起着重要的作用，甚至与滑坡、洪水、火灾等极端灾害事件有着紧密的联系。考虑到土壤含水量的空间和时间异质性，对其进行精准的预测仍然具有挑战性。使用TDR土壤水分测定仪或者取土称重法能精确地测量出土壤含水量，但是这样的实地采点测量方式效率低下、人力物力花销大，不适用于大面积区域的实时测量。遥感技术具有覆盖范围广、响应速度快的优点，已经广泛应用于土壤含水量的实时动态监测。而遥感图像作为一种常见且重要的数字影像，人们可以通过处理和分析遥感图像，获得其所携带的地面信息。

对土壤含水量的遥感监测方法按照所使用数据的波段不同可分为光学遥感、热红外遥感以及微波遥感。其中，光学遥感简单、方便应用，但是它受天气的影响较大，并且预测结果往往滞后于实际情况；热红外遥感物理意义明确，然而热红外数据获取难度高、数据干扰因素多；至于微波遥感，它具有穿透性强、全天候全天时、受天气的影响小的优点，但同时它的空间分辨率低，并且受植被及土壤粗糙度影响较大。

因此，近年来有越来越多的研究者致力于融合多源遥感数据以综合它们的优缺点。相比于经验及半经验模型，物理意义明确的理论模型运用相对更为广泛，但同时理论模型往往包含的参数过多，在实际应用中为了计算的简洁性常常忽略许多参数。机器学习方法具有较强的非线性表述能力、适合解决各类非线性问题，并且不用考虑简化模型而忽略参数，通过引入各类参数从而实现多源遥感数据的融合，但传统机器学习方法在处理高维数据时常常会发生过拟合、欠拟合现象。集成学习通过将多个“弱学习器”组合成“强学习器”，相比传统学习类方法具有更强的泛化性、灵活性和稳定性。通过将学习类方法与传统反演方法相结合，能进一步提升土壤含水量反演结果的准确性和可解释性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种多模型集成学习的土壤含水量反演方法，在多源遥感数据的融合下，通过机器学习的方式快速、精准反演出土壤含水量。

为实现上述发明目的，本发明一种多模型集成学习的土壤含水量反演方法，其特征在于，包括以下步骤：

(1)、以中分辨率成像光谱仪MODIS遥感传感器数据、野外站点实测数据为数据源，对MODIS遥感数据进行预处理操作，然后基于野外站点实测数据的经纬度以及数据的获取时间，实现预处理后的MODIS遥感数据和野外站点实测数据的同步；

(2)、在同步后的MODIS遥感数据中，提取出MODIS地表反射率数据，然后通过波段间运算提取出野外站点处土壤含水量相关的光谱特征参数；

(3)、在同步后的MODIS遥感数据中，提取出MODIS地表温度数据，然后基于随机森林(Random Forest，RF)算法对其进行重建，得到重建后地表温度；

(4)、基于Stacking框架实现土壤含水量反演；

(4.1)、初始化Stacking框架；

(4.2)、将光谱特征参数、重建后地表温度和已知的高程数据作为初始输入特征，站点实测土壤含水量为期望输出特征，构建样本量为M、特征个数为N的初始训练集Data，Data＝M×N；