基于改进粒子群算法的主动微波遥感土壤水分反演方法研究

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

栽培育种

ZAI PEI YU ZHONG

在地气间相互作用、水文循环等领域,土壤水分是重

要的变量因素,地球表面的能量通量、径流量、辐射平衡、

物质迁移等都受到土壤水分的影响。土壤水分是区域发展

决策的一个重要影响因子,它的准确估计在农业灌溉、灾

害监测等实际应用中非常重要。

在微波主动遥感反演中利用到了土壤水分反演相关

值,其中反演中相关参数组成方程组解求相应的值。王

雅婷提出通过解求非线性方程组的方式求出菲涅尔反射

系数。杨博等人在提高瑞雷波频曲线的反演精度,提出

了利用粒子群算法解求相应参数的想法。秦小宝在主动

微波遥感土壤水分反演中利用粒子群算法解求非线性方

程组的问题,在解求非线性方程组初始值确定的问题得以

解决。

秦小宝提出的粒子群算法中受到迭代次数的影响,整

个反演算法的效率比较低,同时多次迭代的随机性也会导

致结果的不确定性,导致精度降低。

在改进粒子群算法中,通过对惯性权重因子和学习因

子取值方法的改变从而达到提高运行效率。经典的粒子群

算法采用的是典型线性递减策略,本文法改进算法是基于

线性微分递减策略。通过惯性权重因子和学习因子用线性

微分递减策略进行取值,来达到优化算法的目的。利用

2008年7月11日甘肃省张掖市临泽县的实验数据进行了相

关的验证,最后分析发现新算法草地数据和盐碱地数据的

R2分别为0.7534、0.7272较经典算法的精度有所提高,同

时提高了程序的效率从而得出粒子群算法在解求非线性方

程组的优越性。

一、理论基础

(一)组合粗糙度

在进行裸土地表粗糙度计算中,粗糙度可由相关长度l

和均方根高度s表示,同时考虑到问题的复杂性便提出组

合粗糙度的概念,Zribi提出组合粗糙度R s=s2/l,余凡和孔

金玲分别提出R s=s3/l2和Rs=s3/l。本文所采用的是Zribi提出

的R s=s2/l,此模型的适用性广,不会因地面类型不同而产生

较大的误差,更加适用于多种类型的地表演算。

(二)基于采样点数据的土壤水分反演算法

在实验样区均匀选取70%的采样点建立土壤水分反演

模型。先通过AIEM模型建立每一个点的LUT表,之后再

利用给出的S、校准后的L建立组合粗糙度、土壤水分和后

向散射系数之间的多元回归方程,再由最小二乘的方法解

求出相关的经验系数a、b、c、d,则可以求出δ后向散射

系数、R s土壤粗糙度和mv土壤水分含量三者之间的关系。

便可以组成一个二元非线性的方程组,来解求出相应的系

数。

在秦小宝的理论研究的过程中,采用的是消元的思想

解求方程组,利用这种方法难以得出较为满意的结果。在

解求非线性方程组的方法有牛顿迭代法、拟牛顿迭代法,

但是这两种方法都和所给定的初始解有很大的关系,因此,

可以通过粒子群算法来解决初始赋值的问题。

(三)粒子群算法

粒子群优化算(Particle Swarm Optimization):在一个种

群中有m个粒子,每一个粒子都有其对应随机的位置;每

一个粒子通过速度公式不断更新自己的位置并且得到对应

适应值最小的局部最优解,然后寻找到整个种群的最优解,

这个就是全局最优解。

标准粒子群算法采用如下公式不停优化自己的位置和

速度:

V id==ωV id+C1random(0,1)(P id-X id)+C2random(0,1)

(P gd-X id)(2)

X id=X id+V id(3)

ω为惯性权重因子,其值为负数,值越大,全局和局基于改进粒子群算法的主动微波遥感土壤

水分反演方法研究

钟侠陈鲁皖王锐欣杨家辉赵淑鲜

(南昌工程学院水利与生态工程学院,江西南昌330099)

摘要:提出了粒子群算法的主被动微波遥感土壤水分反演的新算法。通过对惯性权重和学习因子确定的方法,把最初提出来的典型线性递减策略转变为线性微分递减策略,通过对两者确定方法的更新来探究新的计算方法的可行性。由实验数据计算出草地R2=0.7537,RMSE=0.02367904;盐碱地R2=0.7272,RMSE=0.031373,较经典算法有所提高,表明改进惯性权重和学习因子的方法有效可行,较经典的算法运算速度快、精度高,体现了改进粒子群算法的优势和潜力。

关键词:改进粒子群算法;SAR;土壤水分反演;非线性方程组

栽培育种ZAI PEI YU ZHONG

部寻优能力较强,如果值越小则全局寻优能力弱,局部寻优能力强,则可以通过对ω的大小的调整,可以对全局以及局部寻优性能进行相应的调整。C1和C2分别为个体学习因子和社会学习因子。Random(0,1)表示在[0,1]间产生随机数,P id表示个体极值,P gd表示全局最优解。

(四)改进粒子群算法

惯性权重因子以及学习因子在粒子群算法中起着至关重要。惯性权重因子过大或过小都不利于算法的进行,因此,通过改变惯性权重因子的方法提高全局和局部寻优能力,同时也可以减少在运算过程中的迭代次数。

二尧实验样区数据及方法

(一)实验样区概况

实验样区位于甘肃省张掖市,处于甘肃省河西走廊中部,属大陆性荒漠草原气候,年气候干燥,降雨量少,蒸发量大(见图1)。

本文采用中国科学院寒区旱区科学数据中心所提供的“黑河综合遥感联合试验”样区同步观测及SAR共享数据。

(二)实验过程

实验中采用的数据是2008年7月11日临泽的EN⁃VISAT ASAR数据,通过选着样区的数据,对本文提出的改进粒子群算法进行验证。

本次的实验中对实验样区数据均匀70%的数据点,通过输入每个点实测的土壤水分Mv和均方根高度l到AIEM 模型中,利用Zribi等提出的组合粗糙度将s和l两者合一即R s=s2/l的形势参与到拟合函数中,找出向散射系数δvv、δvh、组合粗糙度R s和土壤水分Mv之间的经验函数关系,

利用多元回归统计分析求出函数之间的经验系数。

再把运算出的经验函数带入算法中,对惯性权重因子和学习因子通过进行线性微分递减策略进一步带入程序中,修改惯性权重因子和学习因子进行计算。

所选着的样区有两种不同类型,一种是草地经验函数(4)(5)式;另一种是盐碱地经验函数(6)(7)式:

δvv=-2.513931735ln(RS)-0.158005877ln(Mv)-2.888344005ln(R s)ln(Mv)-3.674112273(4)δvh=-2.613059856ln(RS)-0.307409552ln(Mv)-3.020640519*ln(RS)ln(Mv)-40.6739238(5)δvv=2.133601774ln(RS)+23.21189676ln(Mv)+ 4.216073879ln(R s)ln(Mv)+10.78513348(6)δvh=2.335787636ln(RS)+24.70445708ln(Mv)+ 4.543267733ln(R s)ln(Mv)-25.1272689(7)

为验证经验函数的正确性,通过实验时的δvv以及通过经验函数计算得的δvv加以验证经验函数求出R2。则上式对应的R2分别为:0.7229,0.7174,0.7168,0.7050。R2表明经验函数的对本实验的适用性

。图1实验样区影像

相关文档
最新文档