基于土地覆盖类型数字化的土壤水分预测方法、装置

摘要

本发明公开了一种基于土地覆盖类型数字化的土壤水分预测方法、装置，所述方法包括：将待测区域的IGBP土地覆盖类型序号以及地表反射率，应用于土壤湿度回归模型，获得待测区域的土壤湿度预测值；所述土壤湿度回归模型的训练过程包括：获取样本区域的土地覆盖类型，并确定相应的IGBP土地覆盖类型序号；采用样本区域的IGBP土地覆盖类型序号、地表反射率和土壤湿度作为训练集，对土壤湿度回归模型进行训练。采用上述方案，普适性和实用性较强且应用的辅助变量少，学习模型的复杂度低，训练效率高且训练过程简易，同时预测结果的精度高。

说明书

技术领域

本发明涉及土壤水分预测领域，尤其涉及一种基于土地覆盖类型数字化的土壤水分预测方法、装置。

背景技术

土壤水分是气候、水文、生态、农业等领域的重要指标，随着对土壤水分反演精度需求的提高，以及待检测区域数量的急剧增加，单纯利用机器学习算法建模并预测土壤水分已经不能满足实际应用的需求。

一方面，其所需要的辅助输入变量变得越来越多且十分繁杂，大大增加了数据收集的难度和复杂度，其可用性差且精度较低。另一方面，机械性的增加辅助变量的数量已经不能使预测精度得到明显的提升，且大大降低了土壤湿度反演的效率和实用性。

发明内容

发明目的：本发明旨在提供一种，按照IGBP提供的土地覆盖类型将样本区域的土地覆盖类型进行数字化后纳入机器学习算法，对土壤湿度进行预测。

技术方案：本发明中提供一种基于土地覆盖类型数字化的土壤水分预测方法，包括：

将待测区域的IGBP土地覆盖类型序号以及地表反射率，应用于土壤湿度回归模型，获得待测区域的土壤湿度预测值；所述土壤湿度回归模型的训练过程包括：

获取样本区域的土地覆盖类型，并确定相应的IGBP土地覆盖类型序号；

采用样本区域的IGBP土地覆盖类型序号、地表反射率和土壤湿度作为训练集，对土壤湿度回归模型进行训练。

具体的，获取样本区域内覆盖面积最大的土地的土地覆盖类型，确定相应的IGBP土地覆盖类型序号。

具体的，从CYGNSS数据中获取样本区域内的地表反射点的brcs峰值、地表反射点处GNSS信号入射角、地表反射点与GNSS卫星的距离、地表反射点与CYGNSS接收机的距离和CYGNSS卫星在地表反射点方向上的接收机增益；

采用以下公式计算地表反射点的地表反射率：

Γ

其中，σ为brcs峰值，R

将地表反射点处GNSS信号入射角>60°、接收机增益<0 dB、地表反射率>0.1且brcs峰值位于延迟多普勒图延迟轴第5-11位之外的地表反射点数据删除。

具体的，计算样本区域内保留的地表反射率的平均值，作为样本区域的地表反射率。

具体的，从SMAP数据中获取样本区域的土壤湿度，删除其中retrieval_qual_flag4位二进制数中第三位置为1的数据，在更新之后再次获取。

本发明还提供一种基于土地覆盖类型数字化的土壤水分预测装置，包括：应用单元、序号获取单元、训练数据采集单元和训练单元，其中：

所述应用单元，用于将待测区域的IGBP土地覆盖类型序号以及地表反射率，应用于土壤湿度回归模型，获得待测区域的土壤湿度预测值；

所述土壤湿度回归模型的训练过程中：

所述序号获取单元，用于获取样本区域的土地覆盖类型，并确定相应的IGBP土地覆盖类型序号；

所述训练数据采集单元，用于采用样本区域的IGBP土地覆盖类型序号、地表反射率和土壤湿度作为训练集；

所述训练单元，用于采用训练集对土壤湿度回归模型进行训练。

具体的，所述序号获取单元，用于获取样本区域内覆盖面积最大的土地的土地覆盖类型，确定相应的IGBP土地覆盖类型序号。

具体的，所述训练数据采集单元，用于从CYGNSS数据中获取样本区域内的地表反射点的brcs峰值、地表反射点处GNSS信号入射角、地表反射点与GNSS卫星的距离、地表反射点与CYGNSS接收机的距离和CYGNSS卫星在地表反射点方向上的接收机增益；

采用以下公式计算地表反射点的地表反射率：

Γ

其中，σ为brcs峰值，R

将地表反射点处GNSS信号入射角>60°、接收机增益<0 dB、地表反射率>0.1且brcs峰值位于延迟多普勒图延迟轴第5-11位之外的地表反射点数据删除。

具体的，所述训练数据采集单元，用于计算样本区域内保留的地表反射率的平均值，作为样本区域的地表反射率。

具体的，所述训练数据采集单元，用于从SMAP数据中获取样本区域的土壤湿度，删除其中retrieval_qual_flag 4位二进制数中第三位置为1的数据，在更新之后再次获取。

有益效果：与现有技术相比，本发明具有如下显著优点：普适性和实用性较强且应用的辅助变量少，学习模型的复杂度低，训练效率高且训练过程简易，同时预测结果的精度高。

附图说明

图1为本发明提供的基于土地覆盖类型数字化的土壤水分预测方法的流程示意图；

图2为本发明提供的2019年1月1号到3号全球土壤湿度预测值与真实值的散点示意图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

参阅图1，其为本发明提供的基于土地覆盖类型数字化的土壤水分预测方法的流程示意图。

本发明实施例中提供一种基于土地覆盖类型数字化的土壤水分预测方法，包括：

将待测区域的IGBP（International Geosphere-Biosphere Programme）土地覆盖类型序号以及地表反射率，应用于土壤湿度回归模型，获得待测区域的土壤湿度预测值；其中所述土壤湿度回归模型的训练过程包括：

获取样本区域的土地覆盖类型，并确定相应的IGBP土地覆盖类型序号；

采用样本区域的IGBP土地覆盖类型序号、地表反射率和土壤湿度作为训练集，对土壤湿度回归模型进行训练。

在具体实施中，通过将土地覆盖类型按照图1所示的IGBP17种类型中进行数字化后纳入回归模型中进行学习训练，采用地表反射率作为辅助变量，以预测得到相应区域的土壤湿度（水分）预测值，相比现有技术中使用繁杂的输入变量作为样本且预测效果并不理想，将土地类型数字化后进行计算，一方面由于输入变量的简化可以显著降低训练学习的复杂度，另一方面17种土地类型基本涵盖了所有地表土地覆盖类型，且每种土地覆盖类型和土壤湿度是相关量的，在限定土地覆盖类型后，土壤湿度的范围一定程度上可以大致确定，再结合相应的地表反射率，预测得到的土壤湿度值可以十分准确，图2所示的实际实验结果也可以验证这一点（RSME均方根误差，R相关系数）。

在具体实施中，土地覆盖类型数字化，例如土地类型是IGBP土地覆盖类型中的混合森林类型，而混合森林类型对应的IGBP土地覆盖类型序号是6，则可以将6作为样本数据纳入训练集进行训练学习。

在具体实施中，土壤湿度回归模型的建立可采用多种方法，线性回归或者机器学习方法等。

本发明实施例中，确定相应的IGBP土地覆盖类型序号的过程中，包括：获取样本区域内覆盖面积最大的土地的土地覆盖类型，确定相应的IGBP土地覆盖类型序号。

在具体实施中，在设定样本区域的时候，通常为了获得全球或者某一大区的土壤湿度预测图表，因此各个样本区域的大小通常相同，根据样本区域大小设定的不同，会出现样本区域中出现多个土地覆盖类型，通过SMAP（Soil Moisture Active and Passive）数据获取样本区域中面积最大的土地覆盖类型作为样本区域的土地覆盖类型，或者也可以将样本区域大小缩小，以使得样本区域中仅含有一种土地覆盖类型。

本发明实施例中，采用样本区域的地表反射率的过程中，包括：

从CYGNSS数据中获取样本区域内的地表反射点的brcs（bistatic radar cross-section）峰值、地表反射点处GNSS信号入射角、地表反射点与GNSS（全球导航卫星系统，Global Navigation Satellite System）卫星的距离、地表反射点与CYGNSS（CYcloneGlobal Navigation Satellite System）接收机的距离和CYGNSS卫星在地表反射点方向上的接收机增益；

采用以下公式计算地表反射点的地表反射率：

Γ

其中，σ为brcs峰值，R

将地表反射点处GNSS信号入射角>60°、接收机增益<0 dB、地表反射率>0.1且brcs峰值位于延迟多普勒图（Delay Doppler Map）延迟轴（delay axis）（CYGNSS数据库中的数据）第5-11位之外的地表反射点数据删除。

在具体实施中，brcs数据是CYGNSS数据中的变量，用于求反射率的参数。

在具体实施中，设定的条件用于删除参考意义较小或者受干扰较强的数据，以保证地表反射率数据的质量和准确度，根据设定的条件在删除的地表反射点数据后，计算得到的地表反射点的地表反射率可以用于计算样本区域的地表反射率，进一步提升预测结果的准确度。

本发明实施例中，计算样本区域内保留的地表反射率的平均值，作为样本区域的地表反射率。

在具体实施中，在删除地表反射点数据后，取剩下的数据的平均值作为样本区域的地表反射率，进一步提升预测结果的准确度。

本发明实施例中，采用样本区域的土壤湿度的过程中，包括：

从SMAP（Soil Moisture Active Passive）数据中获取样本区域的土壤湿度，删除其中retrieval_qual_flag 4位二进制数中第三位置为1的数据，在更新之后再次获取。

在具体实施中，根据SMAP数据中的质量控制标志retrieval_qual_flag对提取出的数据进行筛选，以保证参与建模的辅助数据的质量。其中retrieval_qual_flag是通过4位的二进制数来表明数据质量，其第三位置1表示反演失败，这样的数据将被删除，不参与后续计算，在SMAP更新之后再次获取，由于SMAP的更新周期较短，相邻时间段的土壤湿度误差较小，对与预测结果影响也比较小。

在具体实施中，将可以将全球区域或者设定区域的数据按照IGBP土地覆盖分类标准，查找并获取待测区域数字化的土地覆盖类型序号、反射率和在EASE-Grid (Equal-AreaScalable Earth grid)中的坐标，输入已建立的土壤湿度回归模型进行土壤湿度预测，预测结果通过区域在EASE-Grid中的坐标重新整合为一幅图像展示。

本发明实施例中还提供一种基于土地覆盖类型数字化的土壤水分预测装置，包括：应用单元、序号获取单元、训练数据采集单元和训练单元，其中：

所述应用单元，用于将待测区域的IGBP土地覆盖类型序号以及地表反射率，应用于土壤湿度回归模型，获得待测区域的土壤湿度预测值；

所述土壤湿度回归模型的训练过程中：

所述序号获取单元，用于获取样本区域的土地覆盖类型，并确定相应的IGBP土地覆盖类型序号；

所述训练数据采集单元，用于采用样本区域的IGBP土地覆盖类型序号、地表反射率和土壤湿度作为训练集；

所述训练单元，用于采用训练集对土壤湿度回归模型进行训练。

本发明实施例中，所述序号获取单元，用于获取样本区域内覆盖面积最大的土地的土地覆盖类型，确定相应的IGBP土地覆盖类型序号。

本发明实施例中，所述训练数据采集单元，用于从CYGNSS数据中获取样本区域内的地表反射点的brcs峰值、地表反射点处GNSS信号入射角、地表反射点与GNSS卫星的距离、地表反射点与CYGNSS接收机的距离和CYGNSS卫星在地表反射点方向上的接收机增益；

采用以下公式计算地表反射点的地表反射率：

Γ

其中，σ为brcs峰值，R

将地表反射点处GNSS信号入射角>60°、接收机增益<0 dB、地表反射率>0.1且brcs峰值位于延迟多普勒图延迟轴第5-11位之外的地表反射点数据删除。

本发明实施例中，所述训练数据采集单元，用于计算样本区域内保留的地表反射率的平均值，作为样本区域的地表反射率。

本发明实施例中，所述训练数据采集单元，用于从SMAP数据中获取样本区域的土壤湿度，删除其中retrieval_qual_flag 4位二进制数中第三位置为1的数据，在更新之后再次获取。