И.А. Сидоров1, Е.П. Новичихин2, С.В. Агасиева3, Г.А. Гудков4, С.В. Чижиков5

1,4,5 МГТУ им. Н.Э. Баумана (Москва, Россия)
2 Фрязинский филиал Института радиотехники и электроники им. В.А. Котельникова РАН (г. Фрязино, Московская обл., Россия)
3 Российский университет дружбы народов им. Патриса Лумумбы (Москва, Россия)
1 igorasidorov@yandex.ru

Постановка проблемы. Наиболее распространенные методы определения биофизических характеристик почвы и растительности основаны на обращении физических радиационных моделей, устанавливающих связь между измеряемой радиояркостной температурой с исследуемыми параметрами. Однако задача обращения представляет сложную вычислительную проблему, для упрощения которой приходится увеличивать погрешность измерений. Альтернативу представляют нейросетевые алгоритмы, обладающие высокой производительностью обработки входных данных.

Цель. Провести моделирование нейросетевых алгоритмов оценки биофизических характеристик системы «почва – растительность» и оценить погрешности результатов определения влажности, температуры почвы и удельной плотности фитомассы растительности.

Результаты. Приведены данные моделирования нейросетевых алгоритмов оценки биофизических характеристик системы «почва – растительность». Определены погрешности оценок влажности почвы и удельной плотности фитомассы растительности, полученных с помощью нейросетевых алгоритмов, по отношению к точным значениям в области рабочих параметров физических радиационных моделей. Моделирование проведенос использованием одноканальных и двухканальных входных радиометрических данных, без шума и при наличии аддитивного гауссовского шума.

Практическая значимость. Результаты проведенного исследования могут быть использованы для оценки возможности применения нейросетевых алгоритмов для определения биофизических характеристик системы «почва – растительность».

1. Башаринов А.Е., Шутко А.М. Определение влажности земных покровов методами СВЧ-радиометрии (обзор) // Радиотехника и электроника. 1978. Т. 23. № 9. С. 1778–1791.
2. Чухланцев А.А., Шутко А.М. Применение СВЧ-радиометрического метода для определения биометрических характеристик растительных покровов // Исследование Земли из космоса. 1987. № 5. С. 42–47.
3. Чухланцев А.А., Шутко А.М. Об учете влияния растительности при дистанционном СВЧ-радиометрическом зондировании земных покровов // Исследование Земли из космоса. 1988. № 2. С. 67–72.
4. Shou-Fang Liu, Yuei-An Liou, Wen-Jun Wang, Wigneron J.P. Retrieval of crop biomass and soil moisture from measured 1.4 and 10.65 GHz brightness temperatures. IEEE Transactions on Geosci. Remote Sens. 2002. V. GE-40. № 6. P. 1260–1268.
5. Owe M., Jeu R., Walker J. A methodology for surface soil moisture and vegetation depth retrieval using the microwave polarization difference index. IEEE Transactions on Geosci. Remote Sens. 2001. V. GE-39. № 8. P. 1643–1654.
6. Njoku F.G., Wilson W.J., Yueh S.H., Dinardo S.J.,Li F.L., Jackson T.J., Lakshmi V., Bolten J. Observations of soil moisture using a passive and active low-frequency microvave airborne sensor during SGP99 // IEEE Transactions on Geosci. Remote Sens. 2002.
   V. GE-40. № 12. P. 2659–2673.
7. Njoku F.G., Jackson T.J., Lakshmi V., Chan T.K., Nghiem S.V. Soil moisture retrieval from AMSR-E. IEEE Transactions on Geosci. Remote Sens. 2003. V. GE-41. № 2. P. 215–2229.
8. Кирдяшев К.П., Чухланцев А.А., Шутко А.М. СВЧ-излучение земной поверхности при наличии растительного покрова // Радиотехника и электроника. 1979. Т. 24. № 2. С. 256–264.
9. Wang J.R., Schmugge T.J. An empirical model for the complex dielectric permitivity of soils as function of water content. IEEE Transactions on Geosci. Remote Sens. 1980. V. GE-18. P. 288–295.
10. Dobson M.C., Ulaby F.T., Hallikainen M.T., El-Rayes M.A. Microwave dielectric behavior of wet soil – part II: dielectric mixing models. IEEE Transactions on Geosci. Remote Sens. 1985. V. GE-23. P. 35–46.
11. Njoku E.G., Kong J.F. Theory for passive microwave remote sensing of near-surface soil moisture. J. Geophys. Res. 1977. V. 82.
    P. 3208–3118.
12. Mo F.T., Schmugge T.J., Jackson T.J. Calculation of radar backscattering coefficient of vegetation-covered soil. Remote Sensing Environ. 1984. V. 15. P. 119–133.
13. Eom H.J. Regression models for vegetation radar-backscattering and radiometric emission. Remote Sensing Environ. 1986. V.19.
    P. 151–157.
14. Yuei-An Liou, Tzeng Y.C., Chen K.S. A neural-network approach to radiometric sensing of land-surface parameters. IEEE Transactions on Geosci. Remote Sens. 1999. V. GE-37. P. 2718–2724.
15. Yuei-An Liou, Shou-Fang Liu, Wen-June Wang. Retrieving soil moisture from simulated brightness temperatures by neural network. IEEE Transactions on Geosci. Remote Sens. 2001. V. GE-39. № 8. P. 1662–1672.
16. Назаров Л.Е., Маречек С.В., Тищенко Ю.Г., Головачев С.П., Чухланцев А.А., Шутко А.М. Нейросетевые алгоритмы получения биометрических характеристик растительных покровов на основе анализа радиолокационных изображений: Труды научной сессии, посвященной Дню Радио. Том 1. Москва. 2003. 14–15 мая. С. 148–150.
17. Назаров Л.Е., Чухланцев А.А., Шутко А.М., Головачев С.П. Нейросетевые алгоритмы оценки влажности почвы с использованием данных пассивной СВЧ-радиометрии // Нейрокомпьютеры: разработка, применение. 2003. № 12. С. 20–32.
18. Назаров Л.Е., Чухланцев А.А., Шутко А.М. Нейросетевые алгоритмы оценки влажности почвы по данным СВЧ-радиометрических измерений // Исследования Земли из космоса. 2004. № 5. С. 1–9.
19. Choudhury B.J., Schmugge T.J., Newton R.W., Chang A.T.C. Effect of surface roughness on microwave emission of soils. J. Geophys. Res. 1979. № 84. P. 5699–5706.
20. Adab H., Morbidelli R., Saltalippi C., Moradian M., Ghalhari G.A.F. Machine Learning to Estimate Surface Soil Moisture from Remote Sensing Data. Water. 2020. V. 12. P. 3223.
21. Souissi R., Bitar A., Zribi M. Accuracy and Transferability of Artificial Neural Networks in Predicting in Situ Root-Zone Soil Moisture for Various Regions across the Globe. Water. 2020. V. 12. P. 3109.
22. Elshorbagy A., Parasuraman K. On the relevance of using artificial neural networks for estimating soil moisture content. Journal of Hydrology. 2008. V. 362. P. 1–18.
23. Moosavi V., Talebi A., Mokhtari M.H., Hadian M.R. Estimation of spatially enhanced soil moisture combining remote sensing and artificial intelligence approaches. International Journal of Remote Sensing. 2016. V. 37. № 23. P. 5605–5631.
24. Karandish F., Simunek J. A comparison of numerical and machine-learning modeling of soil water content with limited input data. Journal of Hydrology. 2016. V. 543. P. 892–909.
25. Bermeo C.L., Palacio M.G., Cano L.S., Ramírez R.M., Montoya C.H. Comparison of Machine Learning Parametric and Non-Parametric Techniques for Determining Soil Moisture: Case Study at Las Palmas Andean Basin. Advances in Science, Technology and Engineering Systems Journal. 2021. V. 6. № 1. P. 636–650.
26. Marini A., Termite L.E., Garinei A., Marconi M., Biondi L. Neural network models for soil moisture forecasting from remotely sensed measurements. ACTA IMEKO. June 2020. V. 9. № 2. P. 59–65.
27. Uthayakumar A., Mohan M.P., Khoo E.H., Jimeno J., Siyal M.Y., Karim M.F. Machine Learning Models for Enhanced Estimation of Soil Moisture Using Wideband Radar Sensor. Sensors. 2022. V. 22. P. 5810.
28. Haykin S. Neural networks. A comprehensive foundation. Second edition. Prentice Hall 07458. New Jersey. 1998.
29. Тихонов А.Н., Арсенин В.О. Методы решения некорректных задач. Изд. 2. М.: Наука.1979.
30. Гудков А.Г., Сидоров И.А., Новичихин Е.П. и др. Радиометрия. М.: Издательский Дом «Научная библиотека». 2024. 336 с.