典型文献
利用移动窗口卷积神经网络反演土壤湿度
文献摘要：
针对遥感指数反演土壤湿度(soil moisture,SM)精度易受数据类型、植被覆盖等因素影响,以及不同场景下湿度模型迁移应用问题,提出了一种基于移动窗口特征的卷积神经网络(convolutional neural network based on window features,CNN_W)土壤湿度反演方法.该方法考虑临近地物反射辐射影响,将输入特征进行尺度化处理,利用一维卷积核强大的非线性拟合能力对SM进行提取,提高了SM反演精度.进一步通过参数微调的方式将上述模型应用至那曲县SM反演,解决少样本情况下样本训练困难的问题.实验结果表明:CNN_W能实现复杂农业地SM精确反演(R、RMSE、MAE、MAPE分别为0.832、0.038 cm3/cm3、0.028 cm3/cm3、9.813％),较卷积神经网络方法精度有提升;常用遥感干旱指数在该地区不适用;迁移学习方法在少样本情况下实现了模型异地应用(R、RMSE分别为0.824、0.045 cm3/cm3),具有良好应用前景.
文献关键词：
CNN;土壤湿度;移动窗口;迁移学习;干旱指数
中图分类号：
作者姓名：
刘英;何雪;岳辉;魏嘉莉
作者机构：
西安科技大学测绘科学技术学院,西安710054
文献出处：
引用格式：
[1]刘英;何雪;岳辉;魏嘉莉-.利用移动窗口卷积神经网络反演土壤湿度)[J].遥感信息,2022(02):16-22
A类：
B类：
移动窗口,神经网络反演,遥感指数,soil,moisture,SM,数据类型,植被覆盖,同场,模型迁移,迁移应用,应用问题,convolutional,neural,network,window,features,土壤湿度反演,反演方法,法考,近地,地物,辐射影响,输入特征,一维卷积,卷积核,非线性拟合,反演精度,微调,模型应用,那曲县,少样本,样本训练,RMSE,MAE,MAPE,cm3,神经网络方法,干旱指数,迁移学习方法,异地
AB值：
0.415508
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
