(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211278029.7 (22)申请日 2022.10.19 (71)申请人 中国农业大 学 地址 100083 北京市海淀区学院路街道 清 华东路17号中国农业大 学东校区 (72)发明人 李思恩　于海超　杨天一　王月芯　 冯学敏　赵品源　朱佳欣　 (74)专利代理 机构 北京圣州专利代理事务所 (普通合伙) 11818 专利代理师 何世常 (51)Int.Cl. G06V 20/13(2022.01) G06V 20/10(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于卫星观测和深层神经网络的农田 渗漏量估算方法 (57)摘要 本发明公开了一种基于卫星观测和深层神 经网络的农田渗漏量估算方法， 包括以下步骤： S1、 ICDD_RS 模型的建立： 根据计算的天然 植被渗 漏量及其影响因素建立ICDD_RS模型； S2、 灌 溉农 田渗漏量预测： 将训练后的所述ICDD_RS模型应 用于灌溉农田区域， 以获得高分辨率的灌溉农田 渗漏， 将上述S1中所述天然 植被的影响 因素用作 输入变量进行预测。 本发明采用一种基于卫星观 测和深层神经网络的农田渗漏量估算方法， 解决 针对深层渗漏量在大范围上估算存在的训练数 据缺少、 遥感技术难以监测等问题， 提出了一个 基于卫星观测和深度神经网络的灌溉农田遥感 深层渗漏模 型， 有效的解决了灌溉农田深层渗漏 量难以量 化的问题。 权利要求书1页 说明书3页 附图1页 CN 115527125 A 2022.12.27 CN 115527125 A 1.一种基于卫星观测和深层神经网络的农田渗漏量估算方法， 其特征在于， 包括以下 步骤： S1、 ICDD_RS模型的建立 根据计算的天然植被渗漏量及其影响因素建立 ICDD_RS模型； S2、 灌溉农田渗漏量预测 将训练后的所述ICDD_RS模型应用于灌溉农 田区域， 以获得高分辨率的灌溉农 田深层 渗漏， 将上述S1中所述天然植被的影响因素用作输入变量进行 预测。 2.根据权利要求1所述的一种基于卫星观测和深层神经网络的农田渗漏量估算方法， 其特征在于： 所述 天然植被渗漏量的影响因素为降水、 蒸发、 土壤水、 土壤质地、 坡度和覆盖 度， 所述天然植被渗漏量采用水量平衡法计算。 3.根据权利要求1所述的一种基于卫星观测和深层神经网络的农田渗漏量估算方法， 其特征在于： 所述 ICDD_RS模型包括 算法模块、 样本模块和优化模块。 4.根据权利要求3所述的一种基于卫星观测和深层神经网络的农田渗漏量估算方法， 其特征在于： 所述算法模块是基于遥感数据， 利用DNN算法建立草地渗漏与天然植被的影响 因素之间的函数关系， 在建立遥感渗漏模型之前， 对所有数据进 行归一化， 然后 将草地网格 分别预先划分为训练集、 验证集和测试集， 并通过使用一些数据评估其性能来验证预测所 述遥感渗漏模型。 5.根据权利要求4所述的一种基于卫星观测和深层神经网络的农田渗漏量估算方法， 其特征在于： 所述训练集占总数的70％， 所述验证集占总量的15％， 所述测试集占总额的 15％。 6.根据权利要求3所述的一种基于卫星观测和深层神经网络的农田渗漏量估算方法， 其特征在于： 所述样 本模块是在建立所述ICDD_RS模 型时， 采用所述水量平衡法计算所述天 然植被的渗漏量， 获得 大量样本 。 7.根据权利要求3所述的一种基于卫星观测和深层神经网络的农田渗漏量估算方法， 其特征在于： 所述优化模块是在所述ICDD_RS模型训练过程中对一定条件下的草地进行筛 选， 所述筛 选条件包括： 1)草地坡度小于23度， 与黑河流 域农田坡度一 致； 2)草地的月植被覆盖率与耕地变化范围一 致。权　利　要　求　书 1/1 页 2 CN 115527125 A 2一种基于卫星观测和深层神经 网络的农田渗漏量估算方 法 技术领域 [0001]本发明涉及卫星观测、 深度学习技术领域， 尤其是涉及一种基于卫星观测和深层 神经网络的农田渗漏量估算方法。 背景技术 [0002]深层渗漏被定义为土壤水从根区底部向下输送到不太 活跃的区域， 是水平衡过程 中非常重要且容易被忽视的组成部分。 众所周知， 全球70％的取水用于灌溉农业。 因此， 灌 溉农田产生了大量的深层渗漏， 这导致了灌溉水 的大量损失。 然而， 由于其机理的复杂性， 灌溉农田的深层渗漏量很难量 化。 [0003]到目前为止， 估算区域深层渗漏量的方法主要有两种。 第一种方法是经验模型： 通 过构建深层渗漏量与影响因素之间的经验关系来计算排水量。 然而， 经验模型中的参数必 须通过站 点实验进行率定。 同时， 这些方法只考虑了土壤水分对深层渗漏量的贡献， 而没有 考虑土壤质地、 植被覆盖度、 地形和其他对深层渗漏也有很大贡献的因子。 第二种方法是水 文模型： 在区域水循环模拟中， 可以通过水文模型来估算深层渗漏量， 例如土壤 ‑水‑空气‑ 植物(SWAP)模型， 但由于缺乏灌溉数据， 模拟结果的准确性较低。 因此， 在缺乏地面观测数 据和灌溉数据的情况 下， 如何计算深层渗漏量 一直是一个难题。 [0004]随着近年来遥感技术的飞速发展， 无需地面观测即可获得大量高精度数据， 为区 域尺度深层渗漏监测提供了一条可能的方法。 然而， 遥感受限于其穿透性较差， 很难对深层 渗漏量估算。 而机器学习的迅速发展， 使得人工神经网络(ANN)在降水， 土壤湿度， 蒸散， 径 流， 灌溉等一些水文过程研究中获得了更好的性能。 近年来， 随着人工神经网络的进一步升 级， 深度神经网络(DNN)大大提高了水文研 究的精度。 与传统的ANN方法相比， DNN方法具有 更多的隐藏层和更强的拟合能力。 其模拟效果也得到了很大 的提高， 被广泛应用。 然而， 应 用深度神经网络在区域尺度上估计灌溉农田深层渗漏的研究仍然很少， 主要 是因为难以获 得区域尺度的训练样本和数据。 因此， 开发一种基于卫星观测和深度神经网络的深层渗漏 模型是非常必要的。 发明内容 [0005]本发明的目的是提供一种基于卫星观测和深层神经网络的农田渗漏量估算方法， 解决针对深层渗漏量在大范围上估算存在的训练数据缺少、 遥感技术难以监测等问题， 提 出了一个基于卫星观测和深度神经网络的农田遥感渗漏模型， 有效的解决了灌溉农田深层 渗漏量难以量 化的问题。 [0006]为实现上述目的， 本发明提供了一种基于卫星观测和深层神经网络的农田渗漏量 估算方法， 包括以下步骤： [0007]S1、 ICDD_RS模型的建立 [0008]根据计算的天然植被渗漏量及其影响因素建立 ICDD_RS模型； [0009]S2、 灌溉农田渗漏量预测说　明　书 1/3 页 3 CN 115527125 A 3