《农业工程学报》2024年第40卷第15期刊载了河南大学等单位王然、赵建辉、杨会巾与李宁的论文——“基于RIME-CNN-SVR模型的麦田土壤水分反演”。该研究由国家自然科学基金项目（项目号：42101386）等资助。
引文信息：王然，赵建辉，杨会巾，等. 基于RIME-CNN-SVR模型的麦田土壤水分反演[J]. 农业工程学报，2024，40(15)：94-102.
DOI: 10.11975/j.issn.1002-6819.202312157
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。
本文由丨《农业工程学报》编辑部丨精编发布
欢迎留言、分享、点赞
转载、投稿、咨询
邮箱：tcsae@tcsae.org
发布征集
欢迎广大作者、读者投稿至我刊公众号，包括但不限于创新科研成果、科技写作技巧、书籍推介、优秀科技工作者介绍、科研团队招聘/招生、行业资讯以及相关活动等农业工程领域信息。
公众号文章投稿邮箱：abe-newmedia@tcsae.org
»» 点击 阅读原文 免费获取全文
