土壤含水量测量方法、装置、电子设备及存储介质

技术领域

本说明书一个或多个实施例涉及遥感影像反演技术领域，尤其涉及一种土壤含水量测量方法、土壤含水量测量装置、电子设备及计算机可读存储介质。

背景技术

土壤水分是陆地生态系统中最重要的组成部分，是水文、气象、农业等研究中的重要参数，尤其在农作物估产模型和农业干旱监测研究中有特别重要的意义。因此，如何有效测量得到高精度的土壤含水量成为当前研究最为关注的问题。

传统的土壤含水量测量方法是通过地面取土样，实验室测量称重的方法来获得。虽然这种方法精度较高，但是费时费力，难以满足大范围的土壤含水量测量任务。

随着遥感技术的发展，使得大范围的土壤含水量测量成为可能。目前，使用光学遥感和微波遥感是两种基于遥感手段进行土壤含水量反演的主流方向。基于光学遥感的土壤含水量反演方法主要是建立植被指数、地表温度与土壤含水量之间的关系来反演土壤含水量。但是，由于光学遥感容易受到云雾、阴雨、气溶胶等影响，导致反演得到的土壤含水量在精度上有一定的影响。基于微波遥感的土壤含水量反演方法主要是通过多频亮温组合来反演土壤含水量。由于微波遥感受到云雾、阴雨、气溶胶等影响较小，利用微波遥感进行土壤含水量反演是目前相对有效的土壤含水量反演方法之一。

发明内容

有鉴于此，本说明书一个或多个实施例提出一种土壤含水量测量方法，可以根据被动微波遥感影像以及土壤粗糙度数据确定某一区域的土壤含水量。

本说明书一个或多个实施例所述的土壤含水量测量方法，可以包括：针对一个区域，获取对应所述区域的被动微波遥感影像以及土壤粗糙度数据；从所述被动微波遥感影像中提取亮温数据；将所述亮温数据以及所述土壤粗糙度数据作为土壤含水量预测模型的输入特征；以及基于所述土壤含水量预测模型，根据所述输入特征，确定所述区域的土壤含水量；其中，所述土壤含水量预测模型是用于基于输入特征确定土壤含水量的残差网络模型。

在本说明书的一些实施例中，获取对应所述区域的被动微波遥感影像包括：获取对应所述区域的由高级微波扫描辐射计2卫星(AMSR2)拍摄的被动微波遥感影像和/或由土壤水分和海洋盐度卫星(SMOS)拍摄的被动微波遥感影像。

在本说明书的一些实施例中，从所述被动微波遥感影像中提取亮温数据包括：从由所述AMSR2拍摄的对应所述区域的被动微波遥感影像中提取C波段的亮温数据；和/或从由所述SMOS拍摄的对应所述区域的被动微波遥感影像中提取L波段的亮温数据。

在本说明书的一些实施例中，上述方法可以进一步包括：利用所述AMSR2拍摄的被动微波遥感影像中除C波段之外其他波段的亮温数据剔除C波段亮温数据的无线电干扰；和/或利用所述SMOS中L3级电磁干扰质量控制机制，在某一像元的电磁干扰指数大于预先设定的阈值时，剔除所述像元数据。

在本说明书的一些实施例中，上述方法可以进一步包括：从由所述AMSR2拍摄的被动微波遥感影像中提取C波段H极化和V极化的后向散射系数作为所述土壤含水量预测模型的输入特征之一；和/或从由所述SMOS拍摄的被动微波遥感影像中提取L波段H极化和V极化的后向散射系数作为所述土壤含水量预测模型的输入特征之一。

在本说明书的一些实施例中，上述方法可以进一步包括：获取对应所述区域的土壤土质数据作为所述土壤含水量预测模型的输入特征之一。

在本说明书的一些实施例中，所述残差网络模型包括：输入层、通过级联方式连接的N个残差单元以及输出层；其中，N为大于1的自然数；

所述输入层的输出连接至第1个残差单元的输入；第n个残差单元的输出连接至第n+1个残差单元的输入，其中，1≤n

所述残差单元包括：通过级联方式连接的至少两个隐藏层、特征叠加层层以及激活函数层；其中，所述隐藏层用于将输入层输入的特征按照不同的维度进行展开，用于提取高维特征；特征叠加层用于将所述输入层或者前一个残差单元的输出的特征与自身通过级联方式连接的最后一个隐藏层输出的特征进行叠加；所述激活函数层的激活函数为ReLU(x)＝max(0,x)。

对应上述土壤含水量测量方法，本说明书的一个或多个实施例还公开了一种土壤含水量测量装置，包括：

特征采集模块，用于针对一区域，获取对应所述区域的被动微波遥感影像以及土壤粗糙度数据；

特征提取模块，用于从所述被动微波遥感影像中提取亮温数据，并将所述亮温数据以及所述土壤粗糙度数据作为土壤含水量预测模型的输入特征；

预测模块，用于基于所述土壤含水量预测模型，根据所述输入特征，确定所述区域的土壤含水量；其中，所述土壤含水量预测模型是用于基于输入特征确定土壤含水量的残差网络模型。

本说明书的一个或多个实施例还提供了一种电子设备，可以包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述土壤含水量测量方法。

本说明书的一个或多个实施例还提供了一种非暂态计算机可读存储介质，其中，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述土壤含水量测量方法。

可以看出，上述土壤含水量测量方法采用了通过有监督训练方式得到的残差网络模型作为土壤含水量预测模型，可以充分利用残差网络在输出值激活前再次加入输入值的特点，不仅解决了采用其他神经网络进行土壤含水量预测时泛化能力弱，精度不高以及可靠性不强的问题，还可以有效解决神经网络在增加网络的层数时所产生的梯度消失和网络退化等问题。实验证明，上述残差网络模型非常适用于土壤含水量的预测，具有泛化能力强、精度高以及可靠性强的特点。

另外，在上述土壤含水量测量方法中，使用被动微波遥感影像作为土壤含水量预测模型的输入特征之一。由于微波遥感影像受到云雾、阴雨、气溶胶等影响较小，因此，根据被动微波遥感影像进行土壤含水量预测得到的土壤含水量精度较高。

更进一步，除了被动微波遥感影像之外，上述土壤含水量测量方法还利用土壤粗糙度作为土壤含水量预测模型的输入，充分考虑到土壤的粗造度对被动微波遥感卫星探测到的辐射亮温有很大的影响，可以进一步提高土壤含水量预测的精度。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书一些实施例所述的土壤含水量测量方法的流程示意图；

图2显示了本说明书一个或多个实施例所述残差单元的内部结构。

图3为本说明书另一些实施例所述的土壤含水量测量方法的流程示意图；

图4为使用本说明书实施例所述的土壤含水量预测方法预测得到的土壤含水量与实测土壤含水量的关系图；

图5为本说明书一个或多个实施例所述的土壤含水量预测模型的训练流程示意图；

图6为本说明书的一个或多个实施例所述的土壤含水量测量装置内部结构示意图；

图7为本说明书一个或多个实施例所提供的电子设备硬件结构示意图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

如前所述，土壤水分是陆地生态系统中最重要的组成部分，是水文、气象、农业等研究中的重要参数，尤其在农作物估产模型和农业干旱监测研究中有特别重要的意义。因此，如何有效测量得到高精度的土壤含水量成为当前研究最为关注的问题。

本说明书的一个或多个实施例提出一种土壤含水量测量方法，可以根据被动微波遥感影像以及土壤粗糙度数据确定某一区域的土壤含水量。

图1显示了本说明书一个或多个实施例所述的土壤含水量测量方法的实现流程。如图1所示，该方法可以包括：

在步骤102，针对一个区域，获取对应上述区域的被动微波遥感影像以及土壤粗糙度数据。

在本说明书的实施例中，上述区域可以是地球表面的任一指定区域，例如，黑河流域上游区域等。

在本说明书的实施例中，上述被动微波遥感影像可以通过以下两个途径中的至少一个获得。

途径1：通过高级微波扫描辐射计2卫星(The Advanced Microwave ScanningRadiometer-2，AMSR2)获得。

AMSR2传感器搭载在日本的GCOM-W1卫星上于2012年发射入轨。每天的过境时间约为当地凌晨1:30(降轨)和下午13:30(升轨)。其中，其升轨和降轨数据能够在两天内覆盖除极地以外的全球大部分地区。其观测入射角度为55°，工作频率包括14个双极化通道(6.925GHz、7.3GHz、10.65GHz、18.7GHz、23.8GHz、36.5GHz以及89GHz)，并可以提供多波段的地表观测亮温。在本说明书的实施例中，可以获取由AMSR2拍摄的对应上述区域的被动微波遥感影像作为上述步骤102所述的被动微波遥感影像。

途径2：通过土壤水分和海洋盐度卫星(Soil Moisture and Ocean Salinity，SMOS)由欧空局于2009年11月成功发射。SMOS传感器首次搭载L波段合成孔径辐射计，其工作频率为1.4GHz，卫星的过境时间为当地的6:00am(升轨)和6:00pm(降轨)。因此，在本说明书的实施例中，可以获取由SMOS拍摄的对应上述区域的被动微波遥感影像作为上述步骤102所述的被动微波遥感影像。

在本说明书的实施例中，土壤粗糙度数据可以以地表起伏的均方根高度作为指标。通过对微波指数与土壤粗糙度测量值的关系进行研究发现二者呈现强相关性，因此，在本说明书的实施例中，为了提高土壤含水量测量的精度，除了上述被动微波遥感影像之外，还进一步选取对应上述区域的土壤粗糙度数据作为土壤含水量测量的依据之一。

在本说明书的一些实施例中，对应上述区域的土壤粗糙度数据可以使用高级微波扫描辐射计AMSR-E的C波段H极化和V极化亮温计算得到。为了简化计算，在本说明书的实施例中，可以忽略频率对土壤粗造度的影响，因此，可以使用C波段H极化和V极化亮温计算的土壤粗造度数据作为上述土壤粗造度数据。

在本说明书的另一些实施例中，对应上述区域的土壤粗糙度数据还可以从土壤信息采集站点获取。其中，上述土壤信息采集站点可以通过多种方法对其辖区内土壤粗糙度进行测量，从而确定并存储其辖区内土壤粗糙度数据。

在步骤104，从上述被动微波遥感影像中提取亮温数据。

在本说明书的实施例中，上述从被动微波遥感影像中提取亮温数据可以包括：从由AMSR2拍摄的被动微波遥感影像中提取C波段的亮温数据；和/或从由SMOS拍摄的被动微波遥感影像中提取L波段的亮温数据。

其中，针对由AMSR2拍摄的被动微波遥感影像，与AMSR2中其他频率的亮温数据相比，C波段(工作频率6.9GHz)对应的波长相对较长，穿透力较强，受到植被和大气的影响最小，更加适合土壤水分反演。因此，在本说明书的实施例中，可以从由AMSR2拍摄的被动微波遥感影像中提取C波段的亮温数据，作为土壤含水量预测模型的输入特征之一。

针对由SMOS拍摄的被动微波遥感影像，由于L波段的波长较小，对土壤水分的响应程度较高。因此，在本说明书的实施例中，可以从由SMOS拍摄的被动微波遥感影像中提取L波段的亮温数据，作为土壤含水量预测模型的输入特征之一。

此外，在本说明书的实施例中，为了进一步提高土壤含水量的预测精度，剔除无线电干扰(RFI)的影响，针对上述C波段的亮温数据，在提取上述C波段的亮温数据之后，可以进一步根据AMSR2无线电剔除方法，首先利用由AMSR2拍摄的被动微波遥感影像中工作频率为7.3GHz和10.65GHz的亮温数据的皮尔逊相关系数值来确定出C波段亮温数据受到较强或中等程度的无线电干扰，然后进行剔除。

针对上述L波段的亮温数据，在提取上述L波段的亮温数据之后，可以进一步利用SMOS中L3级RFI质量控制机制(例如，RFI_Prob)进行判断，当某一像元的电磁干扰指数RFI_Prob大于预先设定的阈值，例如30％时，可以认为该像元数据受到电磁干扰严重，则可以剔除该像元数据。

在步骤106，将上述亮温数据以及上述土壤粗糙度数据作为土壤含水量预测模型的输入特征。

在本说明书的实施例中，从由AMSR2拍摄的被动微波遥感影像中提取C波段的亮温数据作为土壤含水量预测模型的输入特征，和/或从由SMOS拍摄的被动微波遥感影像中提取L波段的亮温数据作为土壤含水量预测模型的输入特征是考虑到地表含水量与地表温度成强相关的关系，而AMSR2拍摄的被动微波遥感影像中C波段的亮温数据以及SMOS拍摄的被动微波遥感影像中L波段的亮温数据最能准确地反映地表温度的情况，因此，选用上述亮温数据作为土壤含水量预测模型的输入特征能获得较高的预测精度。

另一方面，在本说明书的实施例中，由于仅仅从上述被动微波遥感影像中提取了部分波段的亮温数据作为上述土壤含水量预测模型的输入特征，而不是全部波段的亮温数据，从而可以极大地降低上述土壤含水量预测模型的输入特征的数量，从而降低上述土壤含水量预测模型的复杂度，提高上述土壤含水量预测模型的训练以及预测效率。

此外，为了保证土壤含水量预测模型的输入特征的科学性与可行性，在本说明书的一些实施例中，还可以进一步对来自多源卫星的亮温数据以及土壤粗糙度数据进行特征融合。

在本说明书的实施例中，上述特征融合可以具体为输入特征的归一化。具体地，可以采用以下两种归一化方式之一对上述土壤含水量预测模型的多个输入特征进行归一化。

第一种归一化方式：线性函数归一化。也即是对原始数据线性变换，将原始数据映射到[0,1]范围内。具体可以通过如下公式(1)实现上述归一化：

其中，X表示原始数据；X

第二种归一化方式：标准差归一化、也叫Z-Score标准化。具体可以通过如下公式(2)实现上述归一化：

其中，μ代表原始数据的均值；σ代表原始数据的方差；X表示原始数据。通常，在分类、聚类，算法中需要使用距离来度量相似性的时候或者使用协方差分析(PCA)技术进行降维的时候，Z-Score标准化表现更好。

在步骤108，基于上述土壤含水量预测模型，根据上述输入特征，确定上述区域的土壤含水量；其中，上述土壤含水量预测模型是用于基于输入特征确定土壤含水量的残差网络模型。

本说明书实施例的目的是通过多特征的输入对土壤含水量进行定量反演。考虑到反演是一个较为复杂的模型，而目前结合神经网络的反演模型均较为简单，从而造成模型的泛化能力弱、精度不高和可靠性不强的问题。而增加网络的层数又会导致网络模型出现梯度消失和网络退化的问题。因此，在本说明书的实施例中引入残差网络模型以提高网络的反演能力。

在本说明书的实施例中，上述残差网络模型包括：输入层、通过级联方式连接的至少两个残差单元以及输出层。假设共有N个残差单元，其中N为大于1的自然数。其中，上述输入层的输出连接至上述通过级联方式连接的第1个残差单元的输入；上述通过级联方式连接的第n个残差单元的输出连接至第n+1个残差单元的输入，其中，1≤n

图2显示了本说明书一个或多个实施例所述残差单元的内部结构。如图2所示，上述残差单元可以包括：通过级联方式连接的至少两个隐藏层202、特征叠加层204以及激活函数层206。其中，上述隐藏层202用于将输入层输入的特征按照不同的维度进行展开，提取高维特征；上述特征叠加层204用于将上述输入层或者当前残差单元前一个残差单元输出的特征与自身通过级联方式连接的最后一个隐藏层输出的特征进行叠加；上述激活函数层206的激活函数为ReLU(x)＝max(0,x)。

可以看出，在本说明书的实施例中，上述残差网络模型是由图2所示的这样一个个单独的残差单元相连接构成一个完整的残差网络。需要说明的是，图2中仅显示了两个隐藏层，实际上隐藏层的数量可以不止两个，例如可以有3个，甚至更多。从图2可以看出，X是这一个残差单元的输入，F(X)是经过隐藏层202线性变化且激活之前的输出。在图2所表示的残差单元中，在激活函数层206进行线性变化且激活之前，由特征叠加层204在F(X)基础上加入这一个残差单元的输入X，然后，再由激活函数层206进行激活后输出。在输出值激活前加入输入X，这条路径称作捷径(Shortcut)连接。残差单元通过捷径连接为残差网络模型添加恒等映射层，主要解决了传统神经网络随着层数的增加所带来的梯度消失问题和网络退化问题。

可以看出，上述土壤含水量测量方法采用了通过有监督训练方式得到的残差网络模型作为土壤含水量预测模型可以充分利用残差网络在输出值激活前再次加入输入值的特点，不仅解决了采用其他神经网络进行土壤含水量预测时泛化能力弱，精度不高和可靠性不强的问题，还可以有效解决神经网络在增加网络的层数时所产生的梯度消失和网络退化等问题。实验证明，上述残差网络模型非常适用于土壤含水量的预测，具有泛化能力强、精度高以及可靠性强的特点。

另外，在上述土壤含水量测量方法中，使用被动微波遥感影像作为土壤含水量预测模型的输入特征之一。由于微波遥感影像受到云雾、阴雨、气溶胶等影响较小，因此，根据被动微波遥感影像进行土壤含水量预测得到的土壤含水量的精度较高。

更进一步，除了被动微波遥感影像之外，上述土壤含水量测量方法还利用了土壤粗糙度作为土壤含水量预测模型的输入。这充分利用了充分考虑到土壤的粗造度对被动微波遥感卫星探测到的辐射亮温有很大的影响，从而可以进一步提高土壤含水量预测的精度。

在本说明书的另一些实施例中，为了进一步提高土壤含水量的预测精度，除了上述C波段和L波段的亮温数据之外，上述方法还可以进一步包括：从上述由AMSR2拍摄的被动微波遥感影像中提取C波段H极化和V极化的后向散射系数作为上述土壤含水量预测模型的输入特征之一；和/或从上述由SMOS拍摄的被动微波遥感影像中提取L波段H极化和V极化的后向散射系数作为上述土壤含水量预测模型的输入特征之一。

在这些实施例中，进一步选择上述AMSR2拍摄的被动微波遥感影像中C波段H极化和V极化的后向散射系数和/或上述SMOS拍摄的被动微波遥感影像中L波段H极化和V极化的后向散射系数作为土壤含水量预测模型的输入特征之一，是考虑到基于残差结构的卷积神经网络自身对参数特征的提取能力。通过输入上述波段H极化和V极化的后向散射系数，结合网络的特征提取能力，可以自动的提取原始数据中的高维特征，来进行土壤含水量反演，从而进一步提高土壤含水量的预测精度。

此外，在本说明书的又一些实施例中，为了进一步提高土壤含水量的预测精度，除了上述H极化和V极化的后向散射系数之外或者在上述亮温数据以及土壤粗糙度数据的基础之上，上述方法还可以进一步包括：获取对应上述区域的土壤土质数据作为土壤含水量预测模型的输入特征之一。这是由于，土壤土质的变化对土壤的含水量也起着至关重要的影响，不同的土壤土质造成了土壤的保水性能不同。因此，在本说明书的实施例中，可以进一步获取对应上述区域的土壤质地分类数据，也即获取得到土壤的容重(g/cm

从上述描述可以看出，土壤含水量预测模型的输入特征至少包括：上述亮温数据以及上述土壤粗糙度数据。在本说明书的一些实施例中，上述土壤含水量预测模型的输入特征还可以进一步包括：上述AMSR2拍摄的被动微波遥感影像中C波段H极化和V极化的后向散射系数和/或上述SMOS拍摄的被动微波遥感影像中L波段H极化和V极化的后向散射系数。在本说明书的另一些实施例中，上述土壤含水量预测模型的输入特征还可以进一步包括：对应上述区域的土壤土质数据。

基于上述输入特征，本说明书的一些实施例提供了一种土壤含水量测量方法。图3显示了本说明书另一些实施例所述的土壤含水量测量方法的实现流程。如图3所示，该方法可以包括：

在步骤302，针对一个区域，获取由AMSR2拍摄的对应上述区域的被动微波遥感影像中C波段的亮温数据及其H极化和V极化的后向散射系数、由SMOS拍摄的对应上述区域的被动微波遥感影像中L波段的亮温数据及其H极化和V极化的后向散射系数、对应上述区域的土壤粗糙度数据以及对应上述区域的土壤土质数据。

在步骤304，对由AMSR2拍摄的对应上述区域的被动微波遥感影像中C波段的亮温数据及其H极化和V极化的后向散射系数、由SMOS拍摄的对应上述区域的被动微波遥感影像中L波段的亮温数据及其H极化和V极化的后向散射系数、对应上述区域的土壤粗糙度数据以及对应上述区域的土壤土质数据进行归一化处理。

在本说明书的实施例中，上述归一化处理可以包括：线性函数归一化或标准差归一化。

在步骤306，将上述归一化处理后得到的数据作为土壤含水量预测模型的输入特征。

在步骤308，基于上述土壤含水量预测模型，根据上述输入特征，确定上述区域的土壤含水量；其中，上述土壤含水量预测模型是用于基于输入特征确定土壤含水量的残差网络模型。

需要说明的是，上述步骤302-308的具体实现方法可以参考上述步骤102-108，在此不再重复说明。

可以看出，上述土壤含水量测量方法采用了通过有监督训练方式得到的残差网络模型作为土壤含水量预测模型可以充分利用残差网络在输出值激活前再次加入输入值的特点，不仅解决了采用其他神经网络进行土壤含水量预测时泛化能力弱，精度不高和可靠性不强的问题，还可以有效解决神经网络在增加网络的层数时所产生的梯度消失和网络退化等问题。实验证明，上述残差网络模型非常适用于土壤含水量的预测，具有泛化能力强、精度高以及可靠性强的特点。

另外，在上述土壤含水量测量方法中，使用被动微波遥感影像作为土壤含水量预测模型的输入特征之一，由于微波遥感影像受到云雾、阴雨、气溶胶等影响较小，因此，根据被动微波遥感影像进行土壤含水量预测得到的土壤含水量的精度较高。

而且，上述土壤含水量测量方法选择了来自两个卫星搭载的辐射计所采集的亮温数据且选择了其中最能准确反映地表温度情况的波段的亮温数据作为土壤含水量预测模型的输入特征，不仅可以降低土壤含水量预测模型的复杂度，还能获得较高的预测精度。

另外，通过向土壤含水量预测模型进一步输入上述波段的后向散射系数，可以结合网络的特征提取能力，自动的提取原始数据中的高维特征，来进行土壤含水量反演，从而可以进一步提高土壤含水量的预测精度。

更进一步，除了被动微波遥感影像之外，上述土壤含水量测量方法还利用了土壤粗糙度和土壤土质数据作为土壤含水量预测模型的输入，充分考虑到土壤的粗造度对被动微波遥感卫星探测到的辐射亮温有很大的影响，利用了土壤粗糙度以及土壤土质数据与土壤含水量之间具有相关性的特点，从而可以进一步提高土壤含水量预测的精度。

本领域的技术人员可以理解，网络模型结构的搭建是从简单到复杂的一个实验过程，且网络的层数、参数的个数会对网络的反演精度产生影响。例如，随着网络层数的增加、参数的增多，网络的特征提取能力，对训练样本的学习能力会大大提高。但是，若网络层数或参数过多又会导致网络不收敛以及过拟合等问题。因此，本说明书的实施例所使用的残差网络模型是根据上述土壤含水量测试方法所使用的影像特征、土壤粗糙度以及土质特征等对土壤含水量的响应程度通过反复实验所得。

具体地，在本说明书的实施例中，通过多次模拟实验，依据土壤含水量预测结果与土壤的实际含水量对上述残差网络模型的结构进行优化可以得到如下表1所示的残差网络模型结构。实验证明，具有该网络结构的残差网络模型能够快速的收敛，同时保证土壤含水量的精确预测。

表1

从上述表1可以看出，本说明书实施例所使用的上述残差网络模型总共用超参数共计101489个，其中上述残差网络模型包括10个残差单元。这10个残差单单元分别包含2至3个隐藏层，共包含28个隐藏层。具体地，除第二残差单元和第六残差单元仅包含2个隐藏层之外，其余的8个残差单元均包含3个隐藏层。

此外，在本说明书的实施例中，上述激活函数层的激活函数可以设置为ReLU(x)＝max(0,x)。采用上述激活函数可以使网络训练更快。这是因为，相比于Sigmoid、Tanh等激活函数，上述激活函数的导数更加好求，从而使得反向传播更为简单，训练更快。此外，上述激活函数本身为非线性函数，加入到神经网络中可以使网络拟合非线性映射，因此，采用上述激活函数还可以增加网络的非线性。再者，上述激活函数为非饱和激活函数可以防止数值过大或者过小时激活函数的倒数接近于0，从而导致梯度消失的问题。最后，由于上述激活函数小于0部分为0，大于0部分才有值，所以可以减少残差网络模型的过拟合，使网格具有稀疏性。

图4为使用本说明书实施例所述的土壤含水量预测方法预测得到的土壤含水量与实测土壤含水量的关系图。其中，预测得到的土壤含水量与实测土壤含水量之间的均方误差(MSE)约为0.002，确定系数R

下面再结合附图详细说明上述残差网络模型的训练方法。图5显示了本说明书一个或多个实施例所述的残差网络模型的训练方法。

在步骤502，获取对应多个区域的残差网络模型的输入特征作为残差网络模型的多个训练样本。

在本说明书的实施例中，上述残差网络模型输入特征可以包括：从该区域对应的被动微波遥感影像中提取的亮温数据和土壤粗糙度数据。其中，上述亮温数据可以是由AMSR2拍摄的对应所述区域的被动微波遥感影像中的C波段的亮温数据和/或由SMOS拍摄的对应所述区域的被动微波遥感影像中的L波段的亮温数据。

在本说明书的实施例中，上述输入特征还可以包括：土壤土质数据和/或从该区域对应的被动微波遥感影像中提取的亮温数据对应的H极化和V极化的后向散射系数。

在步骤504，获取对应上述多个训练样本的各个区域的实际土壤含水量。

在本说明书的实施中，实际土壤含水量可以从土壤信息采集站点获取。例如，黑河流域上游的实际土壤含水量可以通过黑河上游八宝河流域的40个站点获取。

在步骤506，将上述输入特征输入待训练的残差网络模型，得到该残差网络模型输出的对应上述多个训练样本的土壤含水量预测值。

在步骤508，利用预先定义的损失函数确定上述残差网络模型的输出与该区域实际的土壤含水量之间的差距，并根据上述差距反向传播调整上述残差网络模型的参数，从而完成土壤含水量预测模型的训练。

在本说明书的一些实例中，上述预先定义的损失函数可以是回归损失(Regression Loss)函数，具体可以使用平均绝对误差(MAE)作为上述损失函数，可如下表达式(3)所示。

其中，

需要说明的是，平均绝对误差是一种用于回归模型的损失函数，表示目标变量和预测变量之间差异绝对值之和。因此，它在一组预测中衡量误差的平均大小，而不考虑误差的方向，损失范围也是0到∞。因此，使用绝对误差作为损失函数可以提升数据的鲁棒性。

在实际的应用中，对于上述残差网络模型的训练，可以设置3000次迭迭代，并对每次迭代进行监测，最后保存精度最高的超参数。通过实验验证，采用上述网络结构的残差网络模型进行土壤含水量预测，预测精度可以达到86.7％。

基于上述土壤含水量测量方法，本说明书的一个或多个实施例还提供了一个土壤含水量测量装置，其内部结构如图6所示，主要包括：

特征采集模块602，用于针对一个区域，获取对应上述区域的被动微波遥感影像以及土壤粗糙度数据；

特征提取模块604，用于从上述被动微波遥感影像中提取亮温数据，并将上述亮温数据以及上述土壤粗糙度数据作为土壤含水量预测模型的输入特征；以及

预测模块606，用于基于上述土壤含水量预测模型，根据上述输入特征，确定上述区域的土壤含水量；其中，上述土壤含水量预测模型是用于基于输入特征确定土壤含水量的残差网络模型。

需要说明的是，上述土壤含水量测量装置的各个模块的具体实现方法可以参考前述各个实施例，在此不再重复说明。

需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成上述的方法。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

图7为本说明书实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器710、存储器720、输入/输出接口730、通信接口740和总线750。其中处理器710、存储器720、输入/输出接口730和通信接口740通过总线750实现彼此之间在设备内部的通信连接。

处理器710可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的土壤含水量测量方法。

存储器720可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器720可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的土壤含水量测量方法时，相关的程序代码保存在存储器720中，并由处理器710来调用执行。

输入/输出接口730用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口740用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线750包括一通路，在设备的各个组件(例如处理器710、存储器720、输入/输出接口730和通信接口740)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器710、存储器720、输入/输出接口730、通信接口740以及总线750，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。