期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于RIME-CNN-SVR模型的麦田土壤水分反演
被引量：
5
1
作者
王然
赵建辉
+1 位作者
杨会巾
李宁
《农业工程学报》
EI
CAS
CSCD
北大核心
2024年第15期94-102,共9页
土壤水分监测对于农业生产和作物产量预估具有重要意义。近年来深度学习技术在土壤水分反演领域得到广泛应用,但大多侧重于模型结构增强和优化,对模型超参数优化研究探索不足。该研究提出了一种基于霜冰优化算法(rime optimization algo...
土壤水分监测对于农业生产和作物产量预估具有重要意义。近年来深度学习技术在土壤水分反演领域得到广泛应用,但大多侧重于模型结构增强和优化,对模型超参数优化研究探索不足。该研究提出了一种基于霜冰优化算法(rime optimization algorithm,RIME)的卷积神经网络(convolutional neural network,CNN)超参数优化模型,结合极化分解技术来校正植被对土壤水分反演精度的影响,以提高冬小麦农田土壤水分反演性能。首先利用RIME优化CNN超参数以构建RIME-CNN模型,然后使用RIME-CNN模型对特征参数进行自适应提取和挖掘,之后对这些特征参数进行正则化处理并输入到支持向量回归(support vector regression,SVR)模型,构建RIME-CNN-SVR模型进行土壤水分估算。为验证所建RIME-CNN-SVR模型的有效性,利用合成孔径雷达(synthetic aperture radar,SAR)数据结合光学遥感数据,在河南省开封市冬小麦农田区进行试验验证和精度分析。结果表明,该方法在不增加模型结构复杂性和可学习参数的前提下,显著提升了模型的预测性能,决定系数可达0.72,均方根误差为2.78%,平均绝对误差为2.20%。该研究可为农业生产提供一个更为准确、可靠的土壤水分监测手段。
展开更多
关键词
土壤水分
卷积神经网络
支持向量回归
霜冰优化算法
极化分解
合成孔径雷达
在线阅读
下载PDF
职称材料
题名
基于RIME-CNN-SVR模型的麦田土壤水分反演
被引量：
5
1
作者
王然
赵建辉
杨会巾
李宁
机构
河南大学
计算机与信息工程学院
河南
省大数据分析与处理重点实验室
河南
省空间信息处理工程
研究
中心
河南大学交叉学科高等研究院
出处
《农业工程学报》
EI
CAS
CSCD
北大核心
2024年第15期94-102,共9页
基金
国家自然科学基金项目(42101386)
河南省高等学校重点科研项目(22A520021)
+2 种基金
河南省科技攻关计划项目(222102110439,23102211043,242102210113)
自然资源部南方丘陵区自然资源监测监管重点实验室开放基金课题(NRMSSHR2022Z01)
开封市科技计划重点研发专项(22ZDYF006)。
文摘
土壤水分监测对于农业生产和作物产量预估具有重要意义。近年来深度学习技术在土壤水分反演领域得到广泛应用,但大多侧重于模型结构增强和优化,对模型超参数优化研究探索不足。该研究提出了一种基于霜冰优化算法(rime optimization algorithm,RIME)的卷积神经网络(convolutional neural network,CNN)超参数优化模型,结合极化分解技术来校正植被对土壤水分反演精度的影响,以提高冬小麦农田土壤水分反演性能。首先利用RIME优化CNN超参数以构建RIME-CNN模型,然后使用RIME-CNN模型对特征参数进行自适应提取和挖掘,之后对这些特征参数进行正则化处理并输入到支持向量回归(support vector regression,SVR)模型,构建RIME-CNN-SVR模型进行土壤水分估算。为验证所建RIME-CNN-SVR模型的有效性,利用合成孔径雷达(synthetic aperture radar,SAR)数据结合光学遥感数据,在河南省开封市冬小麦农田区进行试验验证和精度分析。结果表明,该方法在不增加模型结构复杂性和可学习参数的前提下,显著提升了模型的预测性能,决定系数可达0.72,均方根误差为2.78%,平均绝对误差为2.20%。该研究可为农业生产提供一个更为准确、可靠的土壤水分监测手段。
关键词
土壤水分
卷积神经网络
支持向量回归
霜冰优化算法
极化分解
合成孔径雷达
Keywords
soil moisture
convolutional neural network
support vector regression
rime optimization algorithm
polarimetric decomposition
synthetic aperture radar
分类号
S157 [农业科学—土壤学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于RIME-CNN-SVR模型的麦田土壤水分反演
王然
赵建辉
杨会巾
李宁
《农业工程学报》
EI
CAS
CSCD
北大核心
2024
5
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
