利用基于整体结构的模型对异质景观中的遥感土壤湿度进行降尺度
计算机视觉与模式识别
2016-07-19 v2
摘要
本研究提出了一种新的机器学习算法，用于基于自正则化回归模型 (SRRM) 对卫星土壤湿度 (SM) 进行降尺度，该算法利用来自辅助源的高分辨率相关信息。它包括正则化聚类，为细尺度的每个像素分配软隶属度，随后进行核回归以计算所有像素处目标变量的值。利用土地覆盖、降水、地表温度、叶面积指数和 SM 原位观测数据，将粗尺度遥感 SM 从 10km 降尺度至 1km。该算法使用佛罗里达州北部异质农业土地覆盖的多尺度合成观测数据进行了评估。研究发现，96% 像素的均方根误差 (RMSE) 小于 0.02 。生成的聚类很好地代表了数据，并在土地覆盖和气象条件高度异质期间将 RMSE 降低了高达 40%。对于植被和裸土土地覆盖，真实 SM 与降尺度估计值之间的 Kullback Leibler 散度 (KLD) 接近于 0。将降尺度估计值与由相关信息原理 (PRI) 方法生成的估计值进行了比较。在该季节的每一天，PRI 降尺度估计值的 RMSE 均高于 SRRM。SRRM 生成的降尺度估计值的 KLD 至少比 PRI 降尺度估计值低四个数量级，同时所需计算时间减少了三倍。结果表明，SRRM 可用于在网格上以高精度对具有复杂非线性相关性的 SM 进行降尺度。
引用
@article{arxiv.1501.07680,
title = {Disaggregation of Remotely Sensed Soil Moisture in Heterogeneous Landscapes using Holistic Structure based Models},
author = {Subit Chakrabarti and Jasmeet Judge and Anand Rangarajan and Sanjay Ranka},
journal= {arXiv preprint arXiv:1501.07680},
year = {2016}
}
备注
28 pages, 14 figures, submitted to IEEE Transactions on Geoscience and Remote Sensing