利用知识引导的深度学习方法从 Sentinel-1 SAR 数据估算田间尺度土壤水分
机器学习
2025-05-02 v1 图像与视频处理
摘要
由于雷达后向散射与地表特征之间复杂的相互作用，从主动微波数据估算土壤水分（SM）仍然具有挑战性。虽然水云模型（WCM）为理解这些相互作用提供了一种半物理方法，但其经验成分往往限制了其在多样化农业景观中的性能。本研究展示了开发一种知识引导的深度学习方法的初步努力，该方法将 WCM 原理整合到长短期记忆（LSTM）模型中，以利用 Sentinel-1 合成孔径雷达（SAR）数据估算田间 SM。我们提出的方法利用 LSTM 捕获时空依赖性的能力，同时通过一个改进的双分量损失函数（包括一个基于 WCM 的半物理分量和一个边界条件正则化项）来保持物理一致性。所提出的方法建立在从总后向散射中分离出的土壤后向散射系数之上，并结合了 Landsat 分辨率的植被信息和地表特征。针对原位 SM 数据进行了四折空间交叉验证，以评估模型性能。结果显示，所提出的方法将 SM 反演不确定性降低了 0.02 m/m，并在具有不同植被覆盖和地表条件的区域实现了高达 0.64 的相关系数（R），展示了解决 WCM 中过度简化问题的潜力。
引用
@article{arxiv.2505.00265,
title = {Field-scale soil moisture estimated from Sentinel-1 SAR data using a knowledge-guided deep learning approach},
author = {Yi Yu and Patrick Filippi and Thomas F. A. Bishop},
journal= {arXiv preprint arXiv:2505.00265},
year = {2025}
}
备注
Accepted by the 2025 IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2025)