基于RIME-CNN-SVR模型的麦田土壤水分反演OA北大核心CSTPCD

土壤水分监测对于农业生产和作物产量预估具有重要意义。近年来深度学习技术在土壤水分反演领域得到广泛应用,但大多侧重于模型结构增强和优化,对模型超参数优化研究探索不足。该研究提出了一种基于霜冰优化算法(rime optimization algorithm,RIME)的卷积神经网络(convolutional neural network,CNN)超参数优化模型,结合极化分解技术来校正植被对土壤水分反演精度的影响,以提高冬小麦农田土壤水分反演性能。首先利用RIME优化CNN超参数以构建RIME-CNN模型,然后使用RIME-CNN模型对特征参数进行自适应提取和挖掘,之后对这些特征参数进行正则化处理并输入到支持向量回归(support vector regression,SVR)模型,构建RIME-CNN-SVR模型进行土壤水分估算。为验证所建RIME-CNN-SVR模型的有效性,利用合成孔径雷达(synthetic aperture radar,SAR)数据结合光学遥感数据,在河南省开封市冬小麦农田区进行试验验证和精度分析。结果表明,该方法在不增加模型结构复杂性和可学习参数的前提下,显著提升了模型的预测性能,决定系数可达0.72,均方根误差为2.78%,平均绝对误差为2.20%。该研究可为农业生产提供一个更为准确、可靠的土壤水分监测手段。