基于注意力机制的BiGRU-CNN-Net深度学习模型的星载GNSS-R植被含水量反演方法

摘要

基于注意力机制的BiGRU-CNN-Net深度学习网络模型定量反演植被含水量(VWC),将时延多普勒图像、全球导航卫星系统反射测量观测变量以及地表辅助参数作为模型输入,用土壤湿度主被动探测卫星中的VWC数据作为参考数据,将BiGRU-CNN-Net模型与LightGBM和XGBoost两种模型反演的VWC进行对比.结果发现, BiGRU-CNN-Net模型的性能优于LightGBM和XGBoost模型,其Pearson相关系数R=0.85,均方根误差精度分别提升了14.86%和25.00%;平均绝对误差精度分别提升了30.65%和38.57%;平均绝对百分比误差精度分别提升了54.94%和58.50%,表明BiGRUCNN-Net模型在反演VWC方面具有显著优势.

关键词

旋风全球导航卫星系统 / 全球导航卫星系统反射测量 / 土壤湿度主被动探测卫星 / 植被含水量 / 深度学习

基金资助

云南省基础研究计划项目(202401CF070151); 国家自然科学基金项目(42404037,42471483和42161067); 昆明理工大学高层次人才平台建设项目(20230041); 云南省重大科技计划项目(202202AD080010); 自然资源部云南省部省合作试点项目(2023ZRBSHZ048); 云南省科技计划项目(平台类)(202449CE340023)