一种基于GA改进的土壤湿度反演方法

通过神经网络和机器学习算法,对SMAP土壤湿度数据进行降尺度反演,提高空间分辨率。采用GA改进的贝叶斯神经网络算法和随机森林算法,建立"天宫二号"8,9,10通道光谱反射率与土壤湿度数据之间的模型,进行降尺度反演。结果表明,SMAP土壤湿度数据的空间分辨率由3 km提高至100 m,采用GA改进的贝叶斯神经网络反演算法时,R2为0.788,RMSE为0.142 m3·m^-3;采用GA改进的随机森林算法进行反演时,R2为0.825,RMSE为0.125 m3·m^-3。对SMAP土壤湿度数据进行降尺度反演时,GA改进的随机森林方法模型精度更高,训练效果更好,算法复杂度更低,可以实现较为准确的大范围土壤湿度降尺度反演。

融合CYGNSS和SMAP卫星数据监测飓风强度

为提高海洋飓风强度的观测频次和测量准确度,对综合利用热带气旋全球导航卫星系统(CYGNSS)和土壤湿度主动[KG-*5]-[KG-*5]被动探测(SMAP)卫星数据监测飓风强度进行了研究.首先,介绍了卫星数据特征;然后,以佛罗伦萨飓风为例,提出了融合这两种卫星数据监测海洋飓风强度的方法,其中包括卫星数据预处理、基于像素级影像融合方法的高风速区域提取和飓风强度测量;最后,将融合两种卫星数据测得的10场飓风的强度与美国国家飓风中心(NHC)提供的飓风最大风速值进行对比分析,并采用平均绝对误差、均方根偏差和相关系数3个指标评价这两种风速测量结果之间的差异.结果表明:与仅利用SMAP卫星数据相比,本文方法能以更高的频次监测飓风强度,可获得更加完整的飓风高风速区域;与美国国家飓风中心提供的飓风最大风速值相比,本文方法监测飓风强度结果的平均绝对误差变动范围为3.9~10.2 m/s,均方根偏差变动范围为4.6~12.5 m/s,相关系数变动范围为0.5707~0.9152,验证了提出的海洋飓风强度监测方法的有效性.