本文是一篇农业推广论文，本文针对获取时空分辨率较高的土壤湿度数据的实际需要，提出了一种利用国产风云卫星影像获取较高时空分辨率土壤湿度的方法，构建了基于深度置信网络反演土壤湿度的模型 SM-DBN，该模型不仅能够满足科学研究和生产实践对获取大范围高精度土壤湿度数据的需要，还能够大大减少对国外数据的依赖，降低大范围监测业务系统的运行成本，提高系统的稳定性、安全性与监测时效，对于提高气象服务保障能力，提高国产卫星应用水平具有重要意义。
1 引言
1.1 选题背景及意义
土壤湿度是陆地与大气进行能量交换的重要参数，在陆地表面蒸散、碳循环等过程中具有重要作用，是研究生态，水文，气候，农业等各方面的重要数据源（晏红波等，2017）。获取大范围的、时空分辨率精细的、数值精度较高的土壤湿度信息，对改善全球气候，治理区域性干旱，指导农业生产方面有着重要意义。
近年来，随着遥感技术的发展，遥感技术以其高时空分辨率、低成本、时效快、动态对比性强、能够长时期动态地对大区域进行监测等优点被越来越多的应用。遥感影像并不能直接提供土壤湿度信息，需要通过分析遥感图像中包含的地表的电磁波信息，建立波段信息与土壤湿度之间的关系，才能够获取到较大范围的土壤湿度数据。由于遥感波段数据与土壤湿度数据之间存在非常复杂的非线性关系，且由于地表粗糙度，植被覆盖以及积雪覆盖等环境因素的影响，从而使得利用遥感影像获取高精度的土壤湿度数据变得非常困难。
深度置信网络（Deep Belief Network，DBN）是深度学习的一个重要分支，DBN 通过组合低层特征来形成更抽象的高层的特征，从而发现数据之间相关的特征。DBN 是由多个受限玻尔兹曼机组合而成的概率生成模型，能够在不知道某种非线性映射关系的前提下，通过输入大量的样本的特征值和标签进行学习，从而解决非线性的输入和输出的映射关系。
基于以上分析，本文以深度置信网络为基础，利用国产风云三号 D 星（FY-3D）的中分辨率光谱数据中相关的波段数据以及利用光谱数据计算出的植被指数数据，以宁夏回族自治区为实验区，构建了基于深度置信网络反演土壤湿度的模型，用于从 FY-3D 遥感影像中获取范围大、时空连续性较强、精度较高的土壤湿度信息。
............................
1.2 国内外研究现状
1.2.1 基于观测点的土壤湿度获取方法
传统的基于观测点获取土壤湿度的方法主要是通过重量法、中子仪法、时域反射仪法（Time Domain Reflectometry，TDR）、土壤湿度传感器法等来测量土壤层不同深度的湿度（Rahimzadeh-Bajgiran P. et al., 2013）。
重量法即烘干称重法，其方法就是将在观测点取得的样本土壤称重之后，再将其放入烘干箱，在 105 摄氏度的温度下对其进行持续 8 小时以上的烘烤，待其冷却后再进行称重，通过对比前后两次重量的差来确定土壤的含水量（王振龙等，2006）。重量法操作简单，成本低，是目前公认的测得的土壤湿度精度最高的方法，但其缺点就是空间连续性差，只适用于小范围内土壤湿度的测量，且工作强度较大，需要耗费大量的人力物力（Huisman J. A. et al., 2003；吴金亮等，2014）。
利用中子仪法测量土壤湿度是先将中子源埋入待测的土壤中，然后中子源发射出的快中子与土壤水分中的氢原子碰撞产生慢中子（侯琼等，1999；毛飞等，2005）。由于土壤水分含量的多少与土壤中慢中子云密度有较强的相关性，因此可通过测量土壤中慢中子的数量来测量土壤湿度。利用中子仪法能够快速地获得观测点的土壤湿度数据，并且可以进行连续的定点跟踪监测，但中子流对人体健康有害，安全性不高，而且其测量仪器比较昂贵，不适合普及（田昌玉等，2011）。
电磁波在土壤中传播时，其传播的速度会受到土壤的电导率和土壤含水量的影响，TDR 接收仪就是根据这一原理来测量土壤湿度的，通过分析接收到的电磁波的传播速率以及振幅的变化来确定土壤含水量的多少（吴月茹等，
2009；刘亮等，2013）。TDR 测量仪的测量精度较高，但是其受土壤的质地影响较大。
............................
2 实验区与数据
2.1 实验区概况
本文选择的实验区为宁夏回族自治区，如图 2 所示。宁夏地处中国西北部的黄河中上游地区，为内蒙古高原与黄土高原的过渡地带，其地理位置为东经 104°17'-109°39'和北纬 35°14'-39°14'，总面积约 664400 平方公里。宁夏地区地形南北狭长、地势南高北低，南北相距 456 千米，东西相距约 250 千米。地貌复杂，山地迭起，盆地错落，平均海拔在 1000 米以上，南部以流水侵蚀的黄土地貌为主，中部、北部以干旱剥蚀、风蚀地貌为主，是内蒙古高原的一部分。宁夏地区有由于地层断陷然后经黄河冲积而成的冲积平原，有台地和沙丘，高峻的山地，并且丘陵也广泛分布在其境内，地表形态复杂多样。该区属典型的温带大陆性干旱、半干旱气候，最南端为六盘山半湿润区，威宁平原以北为干旱区，其他地区为半干旱气候。根据宁夏的气候条件、农牧业分布和生态环境状况以及传统的习惯，通常把宁夏由北向南划分为引黄灌区、中部干旱带和南部山区。宁夏回族自治区的气象、地形地表条件具有较强的代表性，适宜作为研究的实验区。
.............................
2.2 地面观测数据
宁夏已建成生态农业气象观测网，由 37 个土壤湿度观测站和 36 个温度观测站组成，站点分布如图 3 所示。在距地表 10 厘米至 1 米深处每隔 10 厘米放置一个土壤湿度传感器来获取不同深度土壤的湿度数据，本文选择反演的土壤湿度为距地表 10cm 处的土壤湿度。每个温度观测站点收集气温和地表温度数据。所有观测站点每小时采集一次数据，并将采集到的土壤湿度数据和温度数据通过无线网络传输到服务器。根据图 3 可以看出，这些土壤湿度观测站点和温度观测站点覆盖了整个宁夏地区，我们收集了从2018 年 1 月至 2019 年 12 月 37 个土壤湿度观测站和 36 个温度观测站的数据，作为对比实验的地面站点验证数据集。
.....................................
3 SM-DBN 模型设计 ........................................ 16
3.1 数据的相关性分析 .................................... 16
3.2 模型基本结构 ........................ 16
4 模型实现与对比实验设计.................................. 23
4.1 实验环境 ................................. 23
4.1.1 硬件环境 ......................... 23
4.1.2 软件环境 ............................. 23
5 实验结果及对比分析 ............................. 33
5.1 精度评价指标 ................................. 33
5.1.1 决定系数 R2 ................................... 33
5.1.2 均方根误差 RMSE............................. 33
5 实验结果及对比分析
5.1 精度评价指标
5.1.1 均方根误差
RMSE 均方根误差（Root Mean Square Error，RMSE）又被称为标准误差，也是衡量拟合度好坏的一个重要指标，用来衡量真值与预测模型输出的结果值的偏差，其表达式就是模型的预测结果值与真值之间差的平方与样本总数的比值再求平方根。在实际应用的数值预测模型中，均方根误差在一组样本中，对特别小的误差或者特别大的误差非常敏感，因此 RMSE 能够很好地反映出测量的精密度。
在对大量数据进行拟合预测时，均方根误差表示预测值相对于真值的离散程度，其数值的大小就决定了预测模型的拟合能力。但 RMSE 并不是绝对误差，它代表的是样本的误差的离散程度，其评价标准与决定系数相辅相成。当多个预测模型对同一样本数据进行回归预测时，其决定系数有可能相同，此时并不能表示模型的拟合能力是一样的。RMSE 在此时的作用就是检验模型的拟合能力的稳定性，R2相同的模型，均方根误差越小说明样本集的每个样本的预测值与真值相差较小，说明模型的稳定性就更好，更适合用来对这组数据进行拟合，RMSE 值越大，说明模型在进行回归预测时误差的波动范围比较大，从而说明稳定性比较差。
...................................
6 总结与展望
6.1 总结
本文针对获取时空分辨率较高的土壤湿度数据的实际需要，提出了一种利用国产风云卫星影像获取较高时空分辨率土壤湿度的方法，构建了基于深度置信网络反演土壤湿度的模型 SM-DBN，该模型不仅能够满足科学研究和生产实践对获取大范围高精度土壤湿度数据的需要，还能够大大减少对国外数据的依赖，降低大范围监测业务系统的运行成本，提高系统的稳定性、安全性与监测时效，对于提高气象服务保障能力，提高国产卫星应用水平具有重要意义。本文所做工作以及主要结论如下：
（1）在分析 FY-3D 数据特点的基础上，针对反演土壤湿度的要求，建立了一种分级反演的策略，首先利用 FY-3D 数据反演地表温度，然后利用地表温度结合植被指数反演土壤
