MODIS干旱监测指数结合PSO＿RBFNN反演甘肃省胡麻出苗期土壤湿度

摘要

针对目前单一的遥感干旱监测指数难以全面反映作物生长期土壤湿度的动态变化等问题，以甘肃省胡麻出苗期田间土壤相对湿度为研究对象，选取作物形态及绿度、冠层温度、冠层含水量等指标作为遥感干旱监测指数。利用MODIS遥感干旱监测指数和农田土壤相对湿度实测数据，结合经过粒子群优化的径向基函数神经网络(PSO＿RBFNN),构建了农田土壤相对湿度反演模型，并基于BP＿NN、RBFNN、PSO＿RBFNN人工神经网络和逻辑回归(LR)4种机器学习方法，利用土壤相对湿度实测数据对不同模型反演结果的精度进行了验证和对比分析。结果表明：与其他3种模型相对比，MODIS遥感干旱监测指数与PSO＿RBFNN结合反演甘肃省胡麻出苗期的农田土壤相对湿度效果较好；模型对10 cm和20 cm深度土壤相对湿度的反演结果平均精度分别达到89.91%和91.71%。与RBFNN、LR和BP＿NN模型相比，PSO＿RBFNN模型10 cm土层平均预测精度分别提高8.69个百分点、4.94个百分点、4.76个百分点，20 cm土层平均预测精度分别提高6.91个百分点、6.86个百分点、9.32个百分点。模型回归分析显示，相对于1∶1斜线，PSO＿RBFNN模型偏差最小，与10 cm和20 cm深度土壤相对湿度的相关系数分别达到0.68和0.74,说明利用PSO＿RBFNN模型反演有效，可为区域农田土壤湿度遥感监测反演提供新的案例借鉴。

关键词

遥感 / 土壤湿度 / 干旱指数 / 中分辨率成像光谱仪 / 径向基函数神经网络 / 粒子群优化算法