变分模态分解和机器学习融合的GNSS-IR 土壤湿度反演
针对如何有效去除GNSS-IR 土壤湿度反演中卫星信号噪声比例高、地表粗糙度带来的散射影响等问题,建立了一种将变分模态分解与BP神经网络相结合的模型,该模型利用变分模态分解自适应与非递归的特点来替代传统的多项式拟合法,从而有效提高反射信号提取精度;并利用BP神经网络的非线性映射能力进行后期预测,与传统线性回归进行对比分析.利用PBOH2O的土壤湿度作为参考依据,以2016年PBO 783测站的GNSS数据为基础建立模型并评估分析.实验结果表明:结合变分模态分解与BP神经网络的土壤湿度模型反演结果与参考数据在大体趋势上基本一致,其均方根误差为0.014,决定系数R2为0.951,对比单星线性回归模型提升了 42.79%,证明了该方法确实能够有效提高反射信号质量及抑制地表粗糙度影响从而提高土壤湿度反演精度.
GNSS-IR、土壤湿度、BP神经网络、变分模态分解
47
P237(摄影测量学与测绘遥感)
国家自然科学基金;国家自然科学基金;广西自然科学基金项目
2022-10-31(万方平台首次上网日期,不代表论文的发表时间)
共8页
27-34