杨丽萍，侯成磊，苏志强，白宇兴，王 彤，冯 瑞

基于机器学习和全极化雷达数据的干旱区土壤湿度反演

杨丽萍1，侯成磊2,3，苏志强2，白宇兴2，王 彤1，冯 瑞2

（1. 长安大学地质工程与测绘学院，西安 710054；2. 长安大学地球科学与资源学院，西安 710054；3. 山东农业工程学院国土资源与测绘工程学院，济南 250100）

雷达遥感是区域土壤湿度监测最为有效的技术手段之一，为深入探讨全极化雷达特征参数和不同机器学习算法对干旱区土壤湿度反演的潜力，该研究以黑河下游的居延泽为研究区，基于全极化Radarsat-2数据，通过标准强度和相位处理提取后向散射系数（Backscattering Coefficients，BC），并通过Cloude-Pottier分解（Cloude-Pottier Decomposition，CPD）与Yamaguchi分解（Yamaguchi Decomposition，YD）提取多个极化参数作为雷达影响因子，对其进行相关性及重要性分析。采用随机森林（Random Forest，RF）、支持向量机（Support Vector Machine，SVM）和BP人工神经网络（Back Propagation Artificial Neural Network，BP-ANN）3种不同的机器学习算法，构建土壤湿度反演的多种模型，并使用10折交叉验证的方法综合评价各模型的性能，最后使用最佳模型反演研究区土壤湿度，分析其空间分布格局与影响因素。结果表明：1）平均散射角对反演精度至关重要，熵与反熵的影响次之。交叉极化相较于同极化后向散射系数有更高贡献，偶次散射与体散射的重要性明显高于表面散射和螺旋体散射。2）不同类型因子组合建模的模型，其性能表现均明显优于仅采用单种因子类型的模型。3）相较于SVM和BP-ANN模型，RF模型在干旱区土壤湿度反演中具有更好的适用性。其中，BC+CPD组合训练的RF模型性能最优，其验证集决定系数2和均方根误差分别为0.78和6.60%，对应的标准偏差分别为0.15和1.95%，该模型可解释土壤湿度变化的89%。……