基于广义回归神经网络的京津冀地区土壤湿度遥感逐日估算研究
土壤湿度是地表水热交换过程和水文循环中的一个关键组成部分,获取高时空分辨率的土壤湿度数据一直是当前研究的热点.SMAP(Soil Moisture Passive and Active)主被动微波土壤湿度产品的精度高,但存在着空间分辨率低和时间分辨率缺失的问题,这限制了其在区域尺度上的应用,为解决这一问题得到更高时空分辨率的土壤湿度产品,本文利用广义回归神经网络模型(GRNN)模拟了 MODIS地表温度、反射率、植被指数光学/热红外遥感数据以及高程、坡度、坡向、经纬度数据与SMAP土壤湿度的关系,从而将京津冀地区SMAPL2土壤湿度产品的时间分辨率由不连续(4～20 d)提升至1 d,空间分辨率由3 km提升至1 km,并扩展其在京津冀地区的空间覆盖范围.研究发现:①GRNN模型总体验证结果表明土壤湿度估算值与SMAP原始值的相关性较高(r=0.7392),均方根误差(RMSE)为0.0757 cm3/cm3;②不同季节典型日期的GRNN模型估算结果精度相差较大,春季处的相关性相比其他季节最低,精度相对较高(r春=0.6152,RMSE4=0.0653cm3/cm3),秋季和夏季土壤湿度估算精度较为接近(r夏=0.6957,r秋=0.7053,RMSE夏=0.0754cm3/cm3,RMSE秋=0.0694cm3/cm3),冬季的估算精度最高(r冬=0.8214,RMSE冬=0.0367cm3/cm3);③2016年京津冀夏秋季节的土壤湿度较其他季节要显著提高,空间分布上坝上高原区域较低,而沿海地区的土壤湿度明显较高.本研究对京津冀地区的生态水文、气候预测以及干旱监测等应用领域具有重要价值.
遥感、SMAP、土壤湿度、反演算法、降尺度、广义回归神经网络模型(GRNN)、京津冀、机器学习
23
S152.71;TP79;P237
国家自然科学基金;国家重点研发计划;实验室开放基金
2021-05-26（万方平台首次上网日期，不代表论文的发表时间）
共13页
749-761
