1.一种基于多极化SAR数据的星载极化SMAP-R数据空隙填补方法,其特征在于,包括以下步骤:
步骤S1,获取SMAP-R数据、SMAP数据、GF-3全极化SAR数据、Sentinel-1双极化SAR数据、MODIS植被指数数据及SRTM 30m DEM地形数据;
步骤S2,对所述SMAP-R数据、SMAP数据、GF-3全极化SAR数据、Sentinel-1双极化SAR数据、MODIS植被指数数据及SRTM 30m DEM地形数据进行预处理,提取SMAP-R的总强度反射率及归一化斯托克斯参数,获取GF-3全极化数据的表面散射、双反弹散射、体积散射分量及熵、各向异性、角度,提取Sentinel-1的垂直极化后向散射系数和交叉极化后向散射系数,并整合SMAP的土壤湿度SM、地表粗糙度Roughness、植被含水量VWC、植被光学厚度VOD、地表温度RC及MODIS的增强型植被指数EVI、归一化植被指数NDVI;
步骤S3:将SMAP-R、SMAP、MODIS、GF-3、Sentine-1数据重采样至EASE Grid 2.0 9 km×9 km 标准网格,划分训练集、测试集和验证集;
步骤S4:基于梯度提升的集成机器学习CatBoost算法,分别使用全极化GF-3和双极化Sentinel-1的后向散射系数和辅助数据对SMAP-R极化参数总强度反射率和归一化的三个斯托克斯参数进行建模,具体步骤为:将经过过滤和归一化的所有数据,包括全极化GF-3和双极化Sentinel-1的后向散射系数、SMAP的土壤湿度SM、地表温度RC、植被含水量VWC、植被光学厚度VOD、地表粗糙度Roughness以及MODIS的增强型植被指数EVI和归一化植被指数NDVI作为模型输入,以SMAP-R极化参数作为输出,根据不同的二次反演需求,组合不同的输入特征,构建SMAP-R极化参数的反演模型;
步骤S5:通过人工神经网络ANN二次反演植被参数和土壤湿度,验证数据有效性;
步骤S6:根据模型输出填补SMAP-R数据的空间缺失网格,具体步骤为:将模型反演的、、、参数映射至EASE Grid网格,对标记的空缺网格进行插值填补,生成空间连续的SMAP-R极化数据集。
2.根据权利要求1所述的一种基于多极化SAR数据的星载极化SMAP-R数据空隙填补方法,其特征在于,所述步骤S2的预处理包括:对GF-3数据执行Freeman-Durden分解获得表面散射、双反弹散射、体积散射分量;通过Cloude-Pottier分解提取熵H、各向异性A、散射角α;对SMAP-R数据计算归一化斯托克斯参数;对Sentinel-1数据进行辐射校正、几何配准后提取垂直极化和交叉极化后向散射系数。
3.根据权利要求1所述的一种基于多极化SAR数据的星载极化SMAP-R数据空隙填补方法,其特征在于,所述步骤S3中数据划分比例为:训练集占60%,测试集占25%,验证集占15%;缺失SMAP-R数据的网格标记为空值。
4.根据权利要求1所述的一种基于多极化SAR数据的星载极化SMAP-R数据空隙填补方法,其特征在于,所述步骤S4中所述集成学习模型为CatBoost算法,输入特征包括:全极化模式:、、、、、、、、、、、、;
双极化模式:、、、、、、、、。
5.根据权利要求1所述的一种基于多极化SAR数据的星载极化SMAP-R数据空隙填补方法,其特征在于,所述步骤S5中所述ANN模型包含8层全连接网络,激活函数采用ReLU,损失函数为均方误差MSE,优化算法选用Adam优化器,输出层反演参数包括VOD、VWC和SM。
6.根据权利要求1-5任一项所述的一种基于多极化SAR数据的星载极化SMAP-R数据空隙填补方法,其特征在于,所述方法适用于提升SMAP-R数据在植被监测、土壤湿度反演及极地参数提取中的空间分辨率,填补原始数据因稀疏分布导致的空间空缺。