SAR图像目标识别的卷积神经网模型

目的 合成孔径雷达图像目标识别可以有效提高合成孔径雷达数据的利用效率。针对合成孔径雷达图像目标识别滤波处理耗时长、识别精度不高的问题,本文提出一种卷积神经网络模型应用于合成孔径雷达图像目标识别。方法 首先,针对合成孔径雷达图像特点设计特征提取部分的网络结构;其次,代价函数中引入L2范数提高模型的抗噪性能和泛化性;再次,全连接层使用Dropout减小网络的运算量并提高泛化性;最后研究了滤波对于网络模型的收敛速度和准确率的影响。结果 实验使用美国运动和静止目标获取与识别数据库,10类目标识别的实验结果表明改进后的卷积神经网络整体识别率（包含变体）由93.76%提升至98.10%。通过设置4组对比实验说明网络结构的改进和优化的有效性。卷积神经网络噪声抑制实验验证了卷积神经网络的特征提取过程对于SAR图像相干斑噪声有抑制作用,可以省去耗时的滤波处理。结论 本文提出的卷积神经网络模型提高了网络的准确率、泛化性,无需耗时的滤波处理,是一种合成孔径雷达图像目标识别的有效方法。     

3D卷积自编码器高光谱图像分类模型

目的 高光谱图像分类是遥感领域的基础问题，高光谱图像同时包含丰富的光谱信息和空间信息，传统模型难以充分利用两种信息之间的关联性，而以卷积神经网络为主的有监督深度学习模型需要大量标注数据，但标注数据难度大且成本高。针对现有模型的不足，本文提出了一种无监督范式下的高光谱图像空谱融合方法，建立了3D卷积自编码器（3D convolutional auto-encoder，3D-CAE）高光谱图像分类模型。方法 3D卷积自编码器由编码器、解码器和分类器构成。将高光谱数据预处理后，输入到编码器中进行无监督特征提取，得到一组特征图。编码器的网络结构为3个卷积块构成的3D卷积神经网络，卷积块中加入批归一化技术防止过拟合。解码器为逆向的编码器，将提取到的特征图重构为原始数据，用均方误差函数作为损失函数判断重构误差并使用Adam算法进行参数优化。分类器由3层全连接层组成，用于判别编码器提取到的特征。以3D-CNN （three dimensional convolutional neural network）为自编码器的主干网络可以充分利用高光谱图像的空间信息和光谱信息，做到空谱融合。以端到端的方式对模型进行训练可以省去复杂的特征工程和数据预处理，模型的鲁棒性和稳定性更强。结果 在Indian Pines、Salinas、Pavia University和Botswana等4个数据集上与7种传统单特征方法及深度学习方法进行了比较，本文方法均取得最优结果，总体分类精度分别为0.948 7、0.986 6、0.986 2和0.964 9。对比实验结果表明了空谱融合和无监督学习对于高光谱遥感图像分类的有效性。结论 本文模型充分利用了高光谱图像的光谱特征和空间特征，可以做到无监督特征提取，无需大量标注数据的同时分类精度高，是一种有效的高光谱图像分类方法。     

引入分组注意力的医学图像分割模型

目的 卷积神经网络结合U-Net架构的深度学习方法广泛应用于各种医学图像处理中,取得了良好的效果,特别是在局部特征提取上表现出色,但由于卷积操作本身固有的局部性,导致其在全局信息获取上表现不佳。而基于Transformer的方法具有较好的全局建模能力,但在局部特征提取方面不如卷积神经网络。为充分融合两种方法各自的优点,提出一种基于分组注意力的医学图像分割模型（medical image segmentation module based on group attention,GAU-Net）。方法 利用注意力机制,设计了一个同时集成了Swin Transformer和卷积神经网络的分组注意力模块,并嵌入网络编码器中,使网络能够高效地对图像的全局和局部重要特征进行提取和融合;在注意力计算方式上,通过特征分组的方式,在同一尺度特征内,同时进行不同的注意力计算,进一步提高网络提取语义信息的多样性;将提取的特征通过上采样恢复到原图尺寸,进行像素分类,得到最终的分割结果。结果 在Synapse多器官分割数据集和ACDC （automated cardiac diagnosis challenge）数据集上进行了相关实验验证。在Synapse数据集中,Dice值为82.93%,HD（Hausdorff distance）值为12.32%,相较于排名第2的方法,Dice值提高了0.97%,HD值降低了5.88%;在ACDC数据集中,Dice值为91.34%,相较于排名第2的方法提高了0.48%。结论 本文提出的医学图像分割模型有效地融合了Transformer和卷积神经网络各自的优势,提高了医学图像分割结果的精确度。     

糖尿病性视网膜图像的深度学习分类方法

目的 糖尿病性视网膜病变（DR）是目前比较严重的一种致盲眼病,因此,对糖尿病性视网膜病理图像的自动分类具有重要的临床应用价值。基于人工分类视网膜图像的方法存在判别性特征提取困难、分类性能差、耗时费力且很难得到客观统一的医疗诊断等问题,为此,提出一种基于卷积神经网络和分类器的视网膜病理图像自动分类系统。方法 首先,结合现有的视网膜图像的特点,对图像进行去噪、数据扩增、归一化等预处理操作;其次,在AlexNet网络的基础上,在网络的每一个卷积层和全连接层前引入一个批归一化层,得到一个网络层次更复杂的深度卷积神经网络BNnet。BNnet网络用于视网膜图像的特征提取网络,对其训练时采用迁移学习的策略利用ILSVRC2012数据集对BNnet网络进行预训练,再将训练得到的模型迁移到视网膜图像上再学习,提取用于视网膜分类的深度特征;最后,将提取的特征输入一个由全连接层组成的深度分类器将视网膜图像分为正常的视网膜图像、轻微病变的视网膜图像、中度病变的视网膜图像等5类。结果 实验结果表明,本文方法的分类准确率可达0.93,优于传统的直接训练方法,且具有较好的鲁棒性和泛化性。结论 本文提出的视网膜病理图像分类框架有效地避免了人工特征提取和图像分类的局限性,同时也解决了样本数据不足而导致的过拟合问题。     

构建并行卷积神经网络的表情识别算法

目的 表情识别在商业、安全、医学等领域有着广泛的应用前景,能够快速准确地识别出面部表情对其研究与应用具有重要意义。传统的机器学习方法需要手工提取特征且准确率难以保证。近年来,卷积神经网络因其良好的自学习和泛化能力得到广泛应用,但还存在表情特征提取困难、网络训练时间过长等问题,针对以上问题,提出一种基于并行卷积神经网络的表情识别方法。方法 首先对面部表情图像进行人脸定位、灰度统一以及角度调整等预处理,去除了复杂的背景、光照、角度等影响,得到了精确的人脸部分。然后针对表情图像设计一个具有两个并行卷积池化单元的卷积神经网络,可以提取细微的表情部分。该并行结构具有3个不同的通道,分别提取不同的图像特征并进行融合,最后送入SoftMax层进行分类。结果 实验使用提出的并行卷积神经网络在CK+、FER2013两个表情数据集上进行了10倍交叉验证,最终的结果取10次验证的平均值,在CK+及FER2013上取得了94.03%与65.6%的准确率。迭代一次的时间分别为0.185 s和0.101 s。结论 为卷积神经网络的设计提供了一种新思路,可以在控制深度的同时扩展广度,提取更多的表情特征。实验结果表明,针对数量、分辨率、大小等差异较大的表情数据集,该网络模型均能够获得较高的识别率并缩短训练时间。     

卷积神经网络的多字体汉字识别

目的 多字体的汉字识别在中文自动处理及智能输入等方面具有广阔的应用前景,是模式识别领域的一个重要课题。近年来,随着深度学习新技术的出现,基于深度卷积神经网络的汉字识别在方法和性能上得到了突破性的进展。然而现有方法存在样本需求量大、训练时间长、调参难度大等问题,针对大类别的汉字识别很难达到最佳效果。方法 针对无遮挡的印刷及手写体汉字图像,提出了一种端对端的深度卷积神经网络模型。不考虑附加层,该网络主要由3个卷积层、2个池化层、1个全连接层和一个Softmax回归层组成。为解决样本量不足的问题,提出了综合运用波纹扭曲、平移、旋转、缩放的数据扩增方法。为了解决深度神经网络参数调整难度大、训练时间长的问题,提出了对样本进行批标准化以及采用多种优化方法相结合精调网络等策略。结果 实验采用该深度模型对国标一级3 755类汉字进行识别,最终识别准确率达到98.336%。同时通过多组对比实验,验证了所提出的各种方法对改善模型最终效果的贡献。其中使用数据扩增、使用混合优化方法和使用批标准化后模型对测试样本的识别率分别提高了8.0%、0.3%和1.4%。结论 与其他文献中利用手工提取特征结合卷积神经网络的方法相比,减少了人工提取特征的工作量;与经典卷积神经网络相比,该网络特征提取能力更强,识别率更高,训练时间更短。     

结合混合域注意力与空洞卷积的3维目标检测

目的 通过深度学习卷积神经网络进行3维目标检测的方法已取得巨大进展,但卷积神经网络提取的特征既缺乏不同区域特征的依赖关系,也缺乏不同通道特征的依赖关系,同时难以保证在无损空间分辨率的情况下扩大感受野。针对以上不足,提出了一种结合混合域注意力与空洞卷积的3维目标检测方法。方法 在输入层融入空间域注意力机制,变换输入信息的空间位置,保留需重点关注的区域特征;在网络中融入通道域注意力机制,提取特征的通道权重,获取关键通道特征;通过融合空间域与通道域注意力机制,对特征进行混合空间与通道的混合注意。在特征提取器的输出层融入结合空洞卷积与通道注意力机制的网络层,在不损失空间分辨率的情况下扩大感受野,根据不同感受野提取特征的通道权重后进行融合,得到全局感受野的关键通道特征;引入特征金字塔结构构建特征提取器,提取高分辨率的特征图,大幅提升网络的检测性能。运用基于二阶段的区域生成网络,回归定位更准确的3维目标框。结果 KITTI（A project of Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago）数据集中的实验结果表明,在物体被遮挡的程度由轻到高时,对测试集中的car类别,3维目标检测框的平均精度AP_3D值分别为83.45%、74.29%、67.92%,鸟瞰视角2维目标检测框的平均精度AP_BEV值分别为89.61%、87.05%、79.69%; 对pedestrian和cyclist 类别,AP_3D和AP_BEV值同样比其他方法的检测结果有一定优势。结论 本文提出的3维目标检测网络,一定程度上解决了3维检测任务中卷积神经网络提取的特征缺乏视觉注意力的问题,从而使3维目标检测更有效地运用于室外自动驾驶。     

高分辨卫星图像卷积神经网络分类模型

目的 卫星图像往往目标、背景复杂而且带有噪声,因此使用人工选取的特征进行卫星图像的分类就变得十分困难。提出一种新的使用卷积神经网络进行卫星图像分类的方案。使用卷积神经网络可以提取卫星图像的高层特征,进而提高卫星图像分类的识别率。方法 首先,提出一个包含六类图像的新的卫星图像数据集来解决卷积神经网络的有标签训练样本不足的问题。其次,使用了一种直接训练卷积神经网络模型和3种预训练卷积神经网络模型来进行卫星图像分类。直接训练模型直接在文章提出的数据集上进行训练,预训练模型先在ILSVRC（the ImageNet large scale visual recognition challenge）-2012数据集上进行预训练,然后在提出的卫星图像数据集上进行微调训练。完成微调的模型用于卫星图像分类。结果 提出的微调预训练卷积神经网络深层模型具有最高的分类正确率。在提出的数据集上,深层卷积神经网络模型达到了99.50%的识别率。在数据集UC Merced Land Use上,深层卷积神经网络模型达到了96.44%的识别率。结论 本文提出的数据集具有一般性和代表性,使用的深层卷积神经网络模型具有很强的特征提取能力和分类能力,且是一种端到端的分类模型,不需要堆叠其他模型或分类器。在高分辨卫星图像的分类上,本文模型和对比模型相比取得了更有说服力的结果。     

不同池化模型的卷积神经网络学习性能研究

目的 基于卷积神经网络的深度学习算法在图像处理领域正引起广泛关注。为了进一步提高卷积神经网络特征提取的准确度,加快参数收敛速度,优化网络学习性能,通过对比不同的池化模型对学习性能的影响提出一种动态自适应的改进池化算法。方法 构建卷积神经网络模型,使用不同的池化模型对网络进行训练,并检验在不同迭代次数下的学习结果。在现有算法准确率不高和收敛速度较慢的情况下,通过使用不同的池化模型对网络进行训练,从而构建一种新的动态自适应池化模型,并研究在不同迭代次数下其对识别准确率和收敛速度的影响。结果 通过对比实验发现,使用动态自适应池化算法的卷积神经网络学习性能最优,在手写数字集上的收敛速度最高可以提升18.55%,而模型对图像的误识率最多可以降低20%。结论 动态自适应池化算法不但使卷积神经网络对特征的提取更加精确,而且很大程度地提高了收敛速度和模型准确率,从而达到优化网络学习性能的目的。这种模型可以进一步拓展到其他与卷积神经网络相关的深度学习算法。     

结合双视觉全卷积网络的遥感影像地物提取

目的 遥感影像地物提取是遥感领域的研究热点。由于背景和地物类型复杂多样,单纯利用传统方法很难对地物类别进行准确区分和判断,因而常常造成误提取和漏提取。目前基于卷积神经网络CNN（convolutional neural network）的方法进行地物提取的效果普遍优于传统方法,但需要大量的时间进行训练,甚至可能出现收敛慢或网络不收敛的情况。为此,基于多视觉信息特征的互补原理,提出了一种双视觉全卷积网络结构。方法 该网络利用VGG（visual geometry group）16和AlexNet分别提取局部和全局视觉特征,并经过融合网络对两种特征进行处理,以充分利用其包含的互补信息。同时,将局部特征提取网络作为主网络,减少计算复杂度,将全局特征提取网络作为辅助网络,提高预测置信度,加快收敛,减少训练时间。结果 选取公开的建筑物数据集和道路数据集进行实验,并与二分类性能优异的U-Net网络和轻量型Mnih网络进行对比。实验结果表明,本文提出的双视觉全卷积网络的平均收敛时间仅为U-Net网络的15.46%;提取精度与U-Net相当,远高于Mnih;在95%的置信水平上,该网络的置信区间明显优于U-Net。结论 本文提出的双视觉全卷积网络,融合了影像中地物的局部细节特征和全局特征,能保持较高的提取精度和置信度,且更易训练和收敛,为后续遥感影像地物提取与神经网络的设计提供了参考方向。     

Soil Moisture Retrieval over Vegetated Areas based on Sentinel-1 and FY-3C Data

This study aims to develop soil moisture retrieval model over vegetated areas based on Sentinel-1 SAR and FY-3C data.In order to remove vegetation effect,the MWRI data from FY-3C was applied to establish the inversion model of vegetation water content.The model was combined with the original water-cloud model,and developing a soil moisture retrieval model by combining active and passive microwave remote sensing data.Finally,the experiment of the soil moisture retrieval was conducted in Jiangsu and Anhui province,and validating the inversion accuracy of soil moisture by measured data.The results showed that：①For the vegetation-covered surface,the Microwave Polarization Difference Index obtain from FY-3C/MWRI was suitable for removing vegetation effect.②Compared with the Sentinel-1 VH polarization data,the backscattering coefficient of VV polarization was more suitable for soil moisture retrieval and get a higher accuracy of soil moisture retrieval.③Sentinel\|1 data can obtain high precision soil moisture estimation results,and the correlation coefficient between the estimated and measured soil moisture is 0.561 2 and RMSE is 0.044 cm³/cm³.     

基于多源遥感数据协同反演森林地表土壤水分研究

土壤水分在土壤监测中是一项重要的指标,对于农业生产、生态环境以及水资源管理有着重要的影响。随着遥感建模与反演理论的不断成熟,其逐渐成为分析土壤指标的重要技术与手段。因此,利用光学影像与雷达影像数据,以大兴安岭地区漠河市为研究区域,分别建立以Landsat 8为数据源的土壤水分反演模型和由Landsat 8影像数据与GF-3卫星数据协同反演的土壤水分反演模型,将反演结果与实际测得数据进行对比验证,并评价所建立的反演模型。结果表明：①对研究区地温进行反演,利用地表温度（Ts）与归一化差异湿度指数NDMI构建Ts-NDMI特征空间,结合实测数据可以发现Ts-NDMI特征空间土壤水分反演模型的反演结果与实测土壤含水量为负相关性;②协同GF-3卫星数据和Landsat 8遥感影像数据所建立的土壤水分反演模型能得到质量较高的反演结果,且在高植被覆盖度地区,利用该协同反演模型得到的反演结果比利用单一光学数据源所建模型得到的反演结果精度高,为今后高植被覆盖度地区土壤湿度的研究提供了新途径。     

卫星微波遥感结合可见光遥感估算黄河源区土壤湿度研究

利用欧洲环境卫星(ENVISAT)搭载的高级合成孔径雷达ASAR(Advanced Synthesis Aperture Radar)交叉极化模式(APP)2009年8月9日和10月6日的数据对青藏高原东北部玛曲地区土壤湿度进行了估算。对于裸土区域采用表层微波后向散射几何光学模型GOM(Geometry Optics Model),对于植被覆盖度大的区域利用“水-云”模型处理植被层对后向散射系数的影响,取得了较好的结果:遥感估算的土壤湿度值和地面实测值之间的均方根误差RMSE<0.05,决定系数R²>0.82,表明该方法适合反演玛曲地区的土壤水分。从遥感估算的总体结果可以看出:山谷和陡峭山坡的反演结果相对较差,而在相对平坦的地区反演结果较好,估算的土壤湿度值在0.20~0.50 m³/m³之间。     

Potential of Dubois model for soil moisture retrieval in prairie areas using SAR and optical data

Soil moisture retrieval is often confounded by the influence of vegetation and surface roughness on the backscattered radar signal in vegetated areas. In this study, a semi-empirical methodology is proposed to retrieve soil moisture in prairie areas. The effect of vegetation is eliminated by the ratio vegetation method and water cloud model (WCM), respectively. The conditions of vegetation are characterized by leaf area index (LAI), vegetation water content (VWC), normalized difference vegetation index (NDVI), and enhanced vegetation index (EVI), respectively. To remove the dependence on surface roughness, the dielectric constant is explicitly expressed as the function of co-polarization backscattering coefficients and sensor parameters based on the Dubois model. The ground measurements and satellite data collected from the Ruoergai and Wutumeiren prairies of China allow for validating the feasibility and effectiveness of the proposed methodology. From the perspective of soil moisture retrieval accuracy, the ratio vegetation method performs better than WCM. In the Ruoergai prairie, the best soil moisture retrieval result is obtained when EVI is used, with correlation coefficient (r) and root mean square error (RMSE) of 0.87 and 3.50 vol.%, respectively. While in the Wutumeiren prairie, the lowest retrieval error is obtained when LAI is used, with r and RMSE values of 0.79 and 5.73 vol.%, respectively. These results demonstrate that the Dubois model has a potential for enhancing soil moisture retrieval in prairie areas using synthetic aperture radar (SAR) and optical data.     

Error Characteristics of Microwave Soil Moisture Products based on Triple Collocation and Its Spatial-temporal Pattern

Soil moisture is an important state variable connecting the land surface-atmosphere system, and its information can be efficiently acquired by the new technique of microwave remote sensing. Accurate interpretation of the microwave soil moisture products qualities and in-depth understanding of their temporal and spatial distributions are important prerequisites for their successful application in earth science through data assimilation. In this study, three microwave soil moisture products, FengYun-3C(FY-3C), Soil Moisture Active Passive (SMAP) and Advanced Scatterometer(ASCAT), were evaluated over China based on the triple collocation (TC) method. The abilities of three products to obtain temporal and spatial variations of soil moisture were illustrated by Hovm?ller diagram. The results show that: (1) SMAP generally outperforms ASCAT and FY-3C, with highest TC-based signal-to-noise ratio(SNR) under different land use types. The TC-based SNRs are 1.668dB, -0.316dB and -2.182dB for SMAP, ASCAT and FY-3C respectively; and their correlation coefficients with ground observations are 0.514, 0.501 and 0.209, respectively. (2) The accuracies of FY-3C and ASCAT in Northwest China are overall higher than those in the southern China. All three products can capture the latitudinal and longitudinal gradients of soil moisture, whereas their seasonal fluctuations are higher than those of in-situ measurements. Among three products, FY-3C shows highest spatial gradient and strongest seasonal fluctuations. (3) FY-3C product performance is more susceptible to vegetation coverage than ASCAT and SMAP, but it outperforms ASCAT in barren areas. The results of our study could provide useful insights for assimilating microwave soil moisture products into land surface models to improve hydrological prediction.     

基于Triple Collocation方法的微波土壤水分产品不确定性分析与时空变化规律研究

土壤水分是连接地—气系统的重要状态变量,微波遥感为准确获取大面积土壤水分信息提供新的技术手段。准确解读微波土壤水分产品质量、深入了解其误差的时空分布特征是通过数据同化等方法将其融入陆面模型,从而成功应用于地球科学领域的重要先决条件。基于Triple Collocation(TC)方法检验了风云三号C星(FY-3C)、土壤水分主被动卫星(SMAP)及高级微波散射计(ASCAT)这3种常用微波土壤水分产品在中国陆域的质量,并通过Hovm?ller图评估了3套产品捕捉土壤水分时空变化的能力。结果显示:①TC方法得到的分析结论与地面实测资料的验证结果一致,整体上SMAP优于ASCAT和FY-3C,不同土地利用类型下SMAP信噪比均最高,三者的TC信噪比分别为1.668 dB、-0.316 dB和-2.182 dB,同时三者与实测值的相关系数分别为0.514、0.501和0.209;②FY-3C和ASCAT产品的精度在中国西北地区整体优于南部地区,3种产品均能较好地刻画土壤水分随纬度和经度变化的情况,3种产品展现的季节波动整体高于实测,其中FY-3C的季节波动在3种产品中最为剧烈;③FY-3C的质量比ASCAT和SMAP更易受到植被影响,但在裸土区FY-3C优于ASCAT。本研究基于TC分析提供了全国范围内3种主流微波土壤水分产品的误差和信噪比的空间分布,并通过Hovm?ller图评估了其描述土壤水分时空变化的能力。研究结论可为微波土壤水分产品的同化研究提供一定参考。     

The Data Fusion of Multi-source Downward Surface Solar Radiation and Evaluation

In order to improve theprecision of downward surface solar radiation product based on the FY-2G visible channel data of geostationary satellite,it is fused by the method of STMAS withthe downward surface solar radiationcalculated by Hybrid,examining and evaluating SWDN and SWDN-MERGE using ground observation data (OBS) from 91 ground observation stations in China (2015),and compared with CERES satellite-derived application and ERA-Interim reanalysis data.The results show that：(1)CERES has the highest precision,FY-2G follows,ERA-Interim is the worst.(2)SWDN-MERGE has a greater improvement than SWDN when comparing the two sets of downward surface solar radiation data derived from FY-2G satellite.(3) There is good consistency between the four sets of data from the analysis of 2015 year average value,however the surface downward shortwave radiation data derived from FY-2G satellite is higher in spatial resolution and sharper in details.The above results could be used as scientific evidences for revising the four sets of data and the study of climate change in China.     

Evaluation of Soil Moisture Retrieval Algorithms based on Ground-based Microwave Radiation Observation

The commonly used passive microwave soil moisture inversion algorithms include Single Channel Algorithm at H polarization (SCA-H), Single Channel Algorithm at V polarization (SCA-V), Dual-Channel Algorithm (DCA), Microwave Polarization Ratio Algorithm (MPRA) and Extended Dual Channel Algorithm (E-DCA). The five retrieval algorithms have different performance, systematic evaluation and analysis of these inversion algorithms will contribute to the improvement of the retrieval algorithm and the release of satellite soil moisture products. Verification of satellite product could bring some problems, such as scale matching and spatial heterogeneity. In order to avoid these issues, the above five soil moisture inversion algorithms are implemented, compared and analyzed based on ground-based microwave radiometer observation and supporting soil and vegetation parameter measurement data. The results show: (1) SCA has the best inversion performance. SCA-H has the highest correlation (R=0.83), and SCA-V has the smallest inversion error (RMSE=0.028 m³/m³, BIAS=-0.011 m³/m³), but SCA needs the accurate vegetation water content as an input. (2) The other three algorithms can get rid of the use of vegetation-aided data, with slightly poor performance but also meet the satellite detection requirements (less than or equal to 0.04 m³/m³). Among them, E-DCA and MPRA are slightly worse than the DCA. However, E-DCA is more advantageous in the vegetation water content inversion in our study.     

基于地基微波辐射观测的土壤水分反演算法评估

当前常用的被动微波土壤水分反演算法有水平极化单通道算法、垂直极化单通道算法、双通道算法、微波极化差比值算法和扩展双通道算法,5种反演算法具有不同的差异,对这些反演算法进行系统的评估和分析将有助于反演算法的改进和星载高精度土壤水分产品的发布。为了避免直接采用卫星产品验证时的尺度匹配、空间异质性等问题,基于地基L波段微波辐射观测以及配套的土壤和植被参数测量数据,对这5种反演算法进行了实现、对比和分析,得出以下结论：①单通道算法具有最佳的反演性能,水平极化单通道算法反演结果具有最高的相关性(相关性系数R=0.83),垂直极化单通道算法反演结果具有最小的反演误差(均方根误差RMSE=0.028 m³/m³,偏差BIAS= -0.011 m³/m³),但单通道算法需要精确的植被含水量输入;②其余3种算法能脱离植被辅助数据的使用,性能略差但也能满足星载微波传感器的探测指标要求(小于等于0.04 m³/m³);其中,扩展双通道算法和微波极化差比值算法的土壤水分反演结果比双通道算法略差,但本例中扩展双通道算法在植被含水量反演方面更具优势。     

Multi-index-based soil moisture estimation using MODIS images

The suitability of using Moderate Resolution Imaging Spectroradiometer (MODIS) images for surface soil moisture estimation to investigate the importance of soil moisture in different applications, such as agriculture, hydrology, meteorology and natural disaster management, is evaluated in this study. Soil moisture field measurements and MODIS images of relevant dates have been acquired. Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI) and Normalized Difference Water Index (NDWI) are calculated from MODIS images. In addition, MODIS Land Surface Temperature (LST) data (MOD11A1) are used in this analysis. Four different soil moisture estimation models, which are based on NDVI–LST, EVI–LST, NDVI–LST–NDWI and EVI–LST–NDWI, are developed and their accuracies are assessed. Statistical analysis shows that replacing EVI with NDVI in the model that is based on LST and NDVI increases the accuracy of soil moisture estimation. Accuracy evaluation of soil moisture estimation using check points shows that the model based on LST, EVI and NDWI values gives a higher accuracy than that based on LST and EVI values. It is concluded that the model based on the three indices is a suitable model to estimate soil moisture through MODIS imagery.