基于多源遥感数据的土壤湿度重建方法和系统与流程

本发明涉及地表水资源技术领域，特别是涉及基于多源遥感数据的土壤湿度重建方法和系统。

背景技术：

作为水循环中的一个关键要素，土壤湿度信息在农业、水文、气象、生态等科学与生产领域都非常重要，但是土壤水分空间分布不均匀，且随时间动态变化，因此准确获取时空连续的土壤湿度存在困难，但具有重要意义。基于土壤湿度的干旱监测，是植被特别是农作物干旱情况的最直接表达，时空连续的土壤湿度产品对于农作物长势监测及估产有着重要的指示作用，显示出土壤湿度产品显著的经济价值。

卫星遥感作为大范围土壤湿度观测的主要手段，在近二十年来得到迅速发展，但受卫星重放周期、下垫面类型及模型算法的限制，所有的卫星遥感土壤湿度产品均存在不同程度的缺失。目前主流的土壤湿度遥感产品如AMSR-E(Advanced Microwave Scanning Radiometer-Earth Observing System)的美国国家航空航天局版本土壤湿度和日本宇宙航空研究开发机构版本土壤湿度，欧空局的SMOS(Soil Moisture and Ocean Salinity)土壤湿度产品，中国国家气象局的FY(Fengyun)土壤湿度产品，荷兰ASCAT(Advanced Scatterometer)土壤湿度产品等约10余种基于卫星遥感的土壤湿度产品，均存在一个严重缺失问题，除高纬度地区外，很难达到50％以上的时间覆盖度，严重影响着相关产品对地表的连续监测，制约着土壤湿度产品时效性应用价值的挖掘。

技术实现要素：

基于此，有必要针对卫星数据计算土壤湿度数据不连续的问题，提供一种基于多源遥感数据的土壤湿度重建方法和系统，其中，所述方法包括：

获取预设区域的时空连续光学遥感数据和所述预设区域的微波遥感土壤湿度训练数据；

根据所述预设区域的微波遥感土壤湿度训练数据，确定预设区域的光学遥感训练数据；

将所述预设区域的光学遥感训练数据、所述预设区域的三维地理信息和所述预设区域的时间轴信息确定为输入信息，将土壤湿度确定为输出信息，构建待训练后向传播神经网络；

以所述预设区域的微波遥感土壤湿度训练数据为训练样本，训练所述待训练后向传播神经网络，获取土壤湿度后向传播神经网络；

将所述预设区域的时空连续光学遥感数据、所述预设区域的三维地理信息和所述预设区域的时间轴信息，输入所述土壤湿度后向传播神经网络，获取预设区域的土壤湿度数据。

在其中一个实施例中，所述获取所述预设区域的微波遥感土壤湿度训练数据，包括：获取预设区域的微波遥感土壤湿度原始数据；在所述微波遥感土壤湿度原始数据中，筛选出没有被积雪覆盖且地表温度大于零摄氏度的像元数据；将所述筛选出的像元数据确定为微波遥感土壤湿度训练数据。

在其中一个实施例中，所述获取预设区域的时空连续光学遥感数据，包括：获取预设区域的光学遥感原始数据，所述光学遥感原始数据包括植被指数原始数据、地表温度原始数据和地表反照率原始数据；将所述预设区域的植被指数原始数据通过基于时间序列谐波分析重建算法，计算预设区域的时空连续植被指数；将所述预设区域的地表温度原始数据通过基于参考序列的重建算法，计算预设区域的时空连续地表温度；将所述预设区域的地表反照率原始数据通过基于时空滤波的重建算法，计算预设区域的时空连续地表反照率；将所述预设区域的时空连续植被指数、所述预设区域的时空连续地表温度和所述预设区域的地表反照率，确定为预设区域的时空连续光学遥感数据。

在其中一个实施例中，所述将所述预设区域的时空连续光学遥感训练数据、所述预设区域的三维地理信息和所述预设区域的时间轴信息确定为输入信息，包括：根据所述预设区域的微波遥感土壤湿度训练数据的像元尺度，将所述植被指数、地表温度和地表反照率进行重采样，获取输入植被指数、输入地表温度和输入地表反照率；将所述输入植被指数、输入地表温度、输入地表反照率、所述预设区域的三维地理信息和所述预设区域的时间轴信息，确定为输入信息。

在其中一个实施例中，所述训练所述待训练后向传播神经网络，包括：在M*N个所述微波遥感土壤湿度训练数据的像元尺度范围内，训练所述待训练后向传播神经网络，其中M和N为正整数。

本发明所提供的基于多源遥感数据的土壤湿度重建方法，利用光学遥感产品和三维地理信息以及时间轴信息，构建后向传播神经网络，以预设的微波土壤湿度训练数据为样本集，对所述后向传播神经网络进行训练后，获取土壤湿度后向传播神经网络，再将时空连续的光学遥感数据输入所述的土壤湿度后向传播神经网络，获取连续的土壤湿度数据。通过神经网络、时空连续的光学遥感数据和三维地理信息、时间轴信息的输入，预测微波遥感土壤湿度数据的缺失值，得到时空连续的微波遥感土壤数据。

在其中一个实施例中，通过对微波遥感土壤湿度训练数据的筛选，使构建的后向传播神经网络具有准确的训练样本，从而提高训练后的后向传播神经网络输出值的准确率。

在其中一个实施例中，通过对光学遥感训练数据进行空间分辨率的统一，以及根据微波遥感训练数据进行重采样，使构建的后向传播神经网络具有相同分辨率尺度的输入输出数据，提高训练后的后向传播神经网络输出值的准确率。

在其中一个实施例中，在一定的像元尺度范围内对所述后向传播神经网络进行训练，即可以提高输出数据的连续性，有能保证不会因为范围过大而导致输出数据的准确率降低。

在其中一个实施例中，将时空不连续的光学遥感数据进行时空重建后，获取到时空连续光学遥感数据后，输入训练好的后向传播神经网络，便可以获得时空连续的土壤湿度数据，所述各光学遥感数据的时空重建算法，即使得神经网络计算得出的土壤湿度数据的时空连续性，又能保证计算得出的土壤湿度数据的准确性。

本发明还提供一种基于多源遥感数据的土壤湿度重建系统，包括：

光学遥感数据和微波训练数据获取模块，用于获取预设区域的时空连续光学遥感数据和所述预设区域的微波遥感土壤湿度训练数据；

光学遥感训练数据获取模块，用于根据所述预设区域的微波遥感土壤湿度训练数据，确定预设区域的光学遥感训练数据；

神经网络构建模块，用于将所述预设区域的光学遥感训练数据、所述预设区域的三维地理信息和所述预设区域的时间轴信息确定为输入信息，将土壤湿度确定为输出信息，构建待训练后向传播神经网络；

神经网络训练模块，用于以所述预设区域的微波遥感土壤湿度训练数据为训练样本，训练所述待训练后向传播神经网络，获取土壤湿度后向传播神经网络；

土壤湿度数据获取模块，用于将所述预设区域的时空连续光学遥感数据、所述预设区域的三维地理信息和所述预设区域的时间轴信息，输入所述土壤湿度后向传播神经网络，获取预设区域的土壤湿度数据。

在其中一个实施例中，所述光学遥感数据和微波训练数据获取模块，包括：微波训练数据获取单元，用于获取预设区域的微波遥感土壤湿度原始数据；在所述微波遥感土壤湿度原始数据中，筛选出没有被积雪覆盖且地表温度大于零摄氏度的像元数据；将所述筛选出的像元数据确定为微波遥感土壤湿度训练数据。

在其中一个实施例中，所述光学遥感数据和微波训练数据获取模块，包括：光学遥感数据获取单元，用于获取预设区域的光学遥感原始数据，所述光学遥感原始数据包括植被指数原始数据、地表温度原始数据和地表反照率原始数据；将所述预设区域的植被指数原始数据通过基于时间序列谐波分析重建算法，计算预设区域的时空连续植被指数；将所述预设区域的地表温度原始数据通过基于参考序列的重建算法，计算预设区域的时空连续地表温度；将所述预设区域的地表反照率原始数据通过基于时空滤波的重建算法，计算预设区域的时空连续地表反照率；将所述预设区域的时空连续植被指数、所述预设区域的时空连续地表温度和所述预设区域的地表反照率，确定为预设区域的时空连续光学遥感数据。

在其中一个实施例中，所述神经网络构建模块，包括：

重采样计算单元，用于根据所述预设区域的微波遥感土壤湿度训练数据的像元尺度，将所述植被指数、地表温度和地表反照率进行重采样，获取输入植被指数、输入地表温度和输入地表反照率；

输入信息确定单元，用于将所述输入植被指数、输入地表温度、输入地表反照率、所述预设区域的三维地理信息和所述预设区域的时间轴信息，确定为输入信息。

在其中一个实施例中，所述神经网络训练模块，还用于在M*N个所述微波遥感土壤湿度训练数据的像元尺度范围内，训练所述待训练后向传播神经网络，其中M和N为正整数。

本发明所提供的基于多源遥感数据的土壤湿度重建系统，利用光学遥感产品和三维地理信息以及时间轴信息，构建后向传播神经网络，以预设的微波土壤湿度训练数据为样本集，对所述后向传播神经网络进行训练后，获取土壤湿度后向传播神经网络，再将时空连续的光学遥感数据输入所述的土壤湿度后向传播神经网络，获取连续的土壤湿度数据。通过神经网络、时空连续的光学遥感数据和三维地理信息、时间轴信息的输入，预测微波遥感土壤湿度数据的缺失值，得到时空连续的微波遥感土壤数据。

在其中一个实施例中，通过对微波遥感土壤湿度训练数据的筛选，使构建的后向传播神经网络具有准确的训练样本，从而提高训练后的后向传播神经网络输出值的准确率。

在其中一个实施例中，通过对光学遥感训练数据进行空间分辨率的统一，以及根据微波遥感训练数据进行重采样，使构建的后向传播神经网络具有相同分辨率尺度的输入输出数据，提高训练后的后向传播神经网络输出值的准确率。

在其中一个实施例中，在一定的像元尺度范围内对所述后向传播神经网络进行训练，即可以提高输出数据的连续性，有能保证不会因为范围过大而导致输出数据的准确率降低。

在其中一个实施例中，将时空不连续的光学遥感数据进行时空重建后，获取到时空连续光学遥感数据后，输入训练好的后向传播神经网络，便可以获得时空连续的土壤湿度数据，所述各光学遥感数据的时空重建算法，即使得神经网络计算得出的土壤湿度数据的时空连续性，又能保证计算得出的土壤湿度数据的准确性。

附图说明

图1为一个实施例中的基于多源遥感数据的土壤湿度重建方法的流程示意图；

图2为另一个实施例中的基于多源遥感数据的土壤湿度重建方法的流程示意图；

图3为再一个实施例中的基于多源遥感数据的土壤湿度重建方法的流程示意图；

图4为一个实施例中的基于多源遥感数据的土壤湿度重建系统的结构示意图；

图5为另一个实施例中基于多源遥感数据的土壤湿度重建系统的结构示意图；

图6为再一个实施例中的基于多源遥感数据的土壤湿度重建系统的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

图1为一个实施例中的基于多源遥感数据的土壤湿度重建方法的流程示意图，如图1所示的基于多源遥感数据的土壤湿度重建方法包括：

步骤S100，获取预设区域的时空连续光学遥感数据和所述预设区域的微波遥感土壤湿度训练数据。

具体，所述预设区域为需要进行土壤湿度重建的区域。所述卫星的光学遥感数据，是指卫星利用红外线等光学手段，获取到的遥感数据。所述卫星的光学遥感数据包括：NDVI、LST和Albedo。

NDVI(Normalized Difference Vegetation Index,NDVI)即归一化植被指数，可以直接通过卫星观测数据计算获得，公式为：NDVI＝(NIR-R)/(NIR+R)，其中NIR为遥感卫星近红外波段反射率，R为红色波段反射率，该指数值介于-1与1之间：0代表该区域基本没有植被生长；负值代表非植被覆盖的区域；取值0—1之间，数字越大代表植被的覆盖面积越大，植被的量越多，因此NDVI能反映土壤湿度等背景对植物冠层的影响，NDVI同时也是微波遥感土壤湿度反演中用估算植被含水量的关键参数之一，是影响土壤湿度产品遥感反演的关键变量。

LST(Land Surface Temperature)即地表温度，地表吸收太阳灯辐射能后，使地面增热，地面的温度即地表温度。在相同太阳辐射情况下，LST的变化通常取决于土壤比热，而土壤水分是影响土壤比热的关键要素，LST随土壤水分增加而降低，因此，LST是土壤干湿状况的重要指示指标。

Albedo即单位时间、单位面积上各方向出射的总辐射能量与入射的总辐射能量之比，反应地表对外来辐射的反射能力，水分对外来辐射的吸收能力显著高于其他土壤要素，因此，Albedo也是反应土壤干湿状况的指标之一。

由于卫星的光学遥感数据容易受到天气等的影响缺失数据，导致卫星的光学遥感数据的时空不连续。本实施例，需要将时空不连续的光学遥感数据预处理为时空连续的光学遥感数据。

所述微波遥感土壤湿度数据，是指卫星利用微波进行遥感的土壤湿度数据，受到遥感手段微波的传输特性的影响，容易受到地理因素等各种阻碍微波传输的印象，导致数据缺失。所述微波遥感土壤湿度训练数据，是指用于对后续步骤中构建的神经网络进行训练的样本集，需要在微波遥感土壤湿度数据中，获取符合样本条件的数据，作为微波遥感土壤湿度训练数据。

步骤S200，根据所述预设区域的微波遥感土壤湿度训练数据，确定预设区域的光学遥感训练数据。

具体的，根据预设区域的微波遥感土壤湿度训练数据，在时空连续的光学遥感数据中，选取具有相同地理信息和时间信息的数据，即，所选取的时空连续光学遥感训练数据与所述预设区域的微波遥感土壤湿度训练数据，具有时空一致性。

步骤S300，将所述预设区域的光学遥感训练数据、所述预设区域的三维地理信息和所述预设区域的时间轴信息确定为输入信息，将土壤湿度确定为输出信息，构建待训练后向传播神经网络。

具体的，所述三维地理信息为三维地理信息，包括高程(Digital Elevation Model,DEM)、经度(Latitude,Lat)、纬度(Longitude,Lon))；所述时间轴信息(Day of Year,DOY)。所述预设区域的时空连续光学遥感训练数据包括：NDVI、LST和Albedo。

人工神经网络(Artificial Neural Networks，简称ANN)是在基于人脑的基本单元－神经元的建模与联结，模拟人脑神经系统，形成一种具有学习、联想、记忆和模式识别等智能信息处理的人工系统。包括一个输入层、多个隐藏层和一个输出层。后向传播神经网络(Back Propagation Neural Network,BPNN)是一种经典的的人工神经网络，具有自组织、自学习和非线性的特点，被广泛应用于非线性系统，以分析多要素的影响。BPNN通过后向传播算法使预测值和目标值间的均方误差(RMSE)最小。从理论上讲，在神经元足够多的情况下，三层神经网络可以实现任何非线性函数的逼近。

将上述七个参数作为待训练后向传播神经网络的输入信息，将土壤湿度确定为输出信息，构建待训练后向传播神经网络，例如，所述待训练后向传播神经网络可以为中间层10层的神经网络，及7-10-1的神经网络，中间层的层数也可以为其它满足计算需求的层数。

步骤S400，以所述预设区域的微波遥感土壤湿度训练数据为训练样本，训练所述待训练后向传播神经网络，获取土壤湿度后向传播神经网络。

具体的，对所述待训练后向传播神经网络，使得训练后其输出的土壤湿度数据与所述预设区域的微波遥感土壤湿度训练数据之间相同，或在满足一定需求误差范围之内，即能结束训练，获取土壤湿度后向传播神经网络。

步骤S500，将所述预设区域的时空连续光学遥感数据、所述预设区域的三维地理信息和所述预设区域的时间轴信息，输入所述土壤湿度后向传播神经网络，获取预设区域的土壤湿度数据。

具体的，训练后的土壤湿度后向传播神经网络，能够在输入上述七个输入信息的基础上，给出贴合实际的土壤湿度数据，因此，将所述预设区域的时空连续光学遥感数据、所述预设区域的三维地理信息和所述预设区域的时间轴信息重新输入后，就可以获取到预设区域的土壤湿度数据，且所述预设区域的土壤湿度数据是时空连续的土壤湿度数据。

本实施例所提供的基于多源遥感数据的土壤湿度重建方法，利用光学遥感产品和三维地理信息以及时间轴信息，构建后向传播神经网络，以预设的微波土壤湿度训练数据为样本集，对所述后向传播神经网络进行训练后，获取土壤湿度后向传播神经网络，再将时空连续的光学遥感数据输入所述的土壤湿度后向传播神经网络，获取连续的土壤湿度数据。通过神经网络、时空连续的光学遥感数据和三维地理信息、时间轴信息的输入，预测微波遥感土壤湿度数据的缺失值，得到时空连续的微波遥感土壤数据。

在其中一个实施例中，所述获取所述预设区域的微波遥感土壤湿度训练数据，包括：获取预设区域的微波遥感土壤湿度原始数据；在所述微波遥感土壤湿度原始数据中，筛选出没有被积雪覆盖且地表温度大于零摄氏度的像元数据；将所述筛选出的像元数据确定为微波遥感土壤湿度训练数据。

具体的，选取微波遥感土壤湿度训练数据时，需要对土壤湿度的准确度进行衡量，若有积雪覆盖或地表温度小于零摄氏度，则认为土壤中的水是固态，需要用含水量衡量，而不能用衡量液态水的湿度进行表达。

在本实施例中，通过对微波遥感土壤湿度训练数据的筛选，使构建的后向传播神经网络具有准确的训练样本，从而提高训练后的后向传播神经网络输出值的准确率。

在其中一个实施例中，所述训练所述待训练后向传播神经网络，包括在M*N个所述微波遥感土壤湿度训练数据的像元尺度范围内，训练所述待训练后向传播神经网络，其中M和N为正整数。

具体的，例如，可以选取4*4个微波遥感土壤湿度训练数据的像元的尺度范围，也可以根据实际情况选用8*8个、或4*8个微波遥感土壤湿度训练数据的像元的尺度范围，对所述待训练后向传播神经网络进行训练。由于土壤湿度数据，在实际中即有一定的连续性，在较大范围内又会受到气候或地理因素的影响出现不连续性。所述M*N个像元尺度范围的选取，根据实际的情况进行选取，既能提高训练效率，又能保证不会因选择的像元尺度范围过大，使得训练后的误差增大。

在本实施例中，在一定的像元尺度范围内对所述后向传播神经网络进行训练，即可以提高输出数据的连续性，有能保证不会因为范围过大而导致输出数据的准确率降低。

图2为另一个实施例中的基于多源遥感数据的土壤湿度重建方法的流程示意图，如图2所示的基于多源遥感数据的土壤湿度重建方法包括：

步骤S110，获取预设区域的光学遥感原始数据，所述光学遥感原始数据包括植被指数原始数据、地表温度原始数据和地表反照率原始数据。

具体的，所述光学遥感原始数据包括植被指数原始数据、地表温度原始数据和地表反照率原始数据具有时空不连续性。

步骤S120，将所述预设区域的植被指数原始数据通过基于时间序列谐波分析重建算法，计算预设区域的时空连续植被指数；将所述预设区域的地表温度原始数据通过基于参考序列的重建算法，计算预设区域的时空连续地表温度；将所述预设区域的地表反照率原始数据通过基于时空滤波的重建算法，计算预设区域的时空连续地表反照率。

具体的，数据预处理包括光学产品(NDVI，LST，Albedo)的时空重建及空间聚合。

NDVI即归一化植被指数的时空重建，使用的是基于时间序列谐波分析的方法(Harmonic Analysis of Time Series,Hants)：

其中，NDVI为原始NDVI序列，为重建后的NDVI序列，ε为误差序列，t_j(j＝1,2,...N)为NDVI取的时间，N为最大观测数，nf是频率为f_i的组份的数量，a₀，a_i，b_i是系数。

LST的时空重建，基于如下假设：在相似的植被生长情况下，时间较近的两景LST影像同名点的地表温度呈线性变化，则可以通过建立参考LST影像和待填充LST影像间的回归关系式，通过已知的参考影像的LST预测待填充影像的LST。主要包含三个步骤：首先对图像进行分类，并使用NDVI对图像进行分割0,0.1,0.2,…,1；在同一NDVI区间内，对不同影像(参考影像和待填充影像)的LST进行逻辑回归(二次多项式回归)，得到使用参考影像LST对待填充影像LST预测的表达式，并利用回归得到的表达式和参考影像的LST去预测待填充影像缺失的LST；对预测后的LST进行后处理，消除空间上的不一致性。

Albedo的时空重建，采用时空滤波方法，假设时间相邻像元的albedo间存在相关性，第k天的albedo可由第k+△k天的Albedo线性表示：

α_k＝a_△kα_k+△k+b_△k+e_△k

对于任意像元，回归系数a_△k、b_△k和e_△k可由多年观测值通过最大似然估计获取。

步骤S130，将所述预设区域的时空连续植被指数、所述预设区域的时空连续地表温度和所述预设区域的地表反照率，确定为预设区域的时空连续光学遥感数据。

在本实施例中，将时空不连续的光学遥感数据进行时空重建后，获取到时空连续光学遥感数据后，输入训练好的后向传播神经网络，便可以获得时空连续的土壤湿度数据，所述各光学遥感数据的时空重建算法，即使得神经网络计算得出的土壤湿度数据的时空连续性，又能保证计算得出的土壤湿度数据的准确性。

图3为再一个实施例中的基于多源遥感数据的土壤湿度重建方法的流程示意图，如图3所示的基于多源遥感数据的土壤湿度重建方法包括：

步骤S310，根据所述预设区域的微波遥感土壤湿度训练数据的像元尺度，将所述植被指数、地表温度和地表反照率进行重采样，获取输入植被指数、输入地表温度和输入地表反照率。

具体的，在对所构建的待训练后向传播神经网络的输入数据和输出数据之间，需要具有相同的度量单位，才能进行计算。因此，需要将统一了分辨率的输入数据，根据输出数据的像元尺度进行重采样，例如，重采样到微波遥感产品像元尺度(1km到25km)。

步骤S320，将所述输入植被指数、输入地表温度、输入地表反照率、所述预设区域的三维地理信息和所述预设区域的时间轴信息，确定为输入信息。

在本实施例中，通过对光学遥感训练数据进行空间分辨率的统一，以及根据微波遥感训练数据进行重采样，使构建的后向传播神经网络具有相同分辨率尺度的输入输出数据，提高训练后的后向传播神经网络输出值的准确率。

由于不同的卫星之间，或相同卫星的不同光学遥感产品之间，都具有不同的分辨率，需要将所有数据统一到相同的分辨率纬度进行计算。在其中一个实施例中，将所述预设区域的时空连续植被指数训练数据、预设区域的时空连续地表温度训练数据和预设区域的时空连续地表反照率训练数据，通过空间平均算法，分别计算具有相同空间分辨率的植被指数、地表温度和地表反照率，以保证后续计算结果的准确性，

图4为一个实施例中的基于多源遥感数据的土壤湿度重建系统的结构示意图，如图4所示的基于多源遥感数据的土壤湿度重建系统包括：

光学遥感数据和微波训练数据获取模块100，用于获取预设区域的时空连续光学遥感数据和所述预设区域的微波遥感土壤湿度训练数据。

光学遥感训练数据获取模块200，用于根据所述预设区域的微波遥感土壤湿度训练数据，确定预设区域的光学遥感训练数据。

神经网络构建模块300，用于将所述预设区域的光学遥感训练数据、所述预设区域的三维地理信息和所述预设区域的时间轴信息确定为输入信息，将土壤湿度确定为输出信息，构建待训练后向传播神经网络。

神经网络训练模块400，用于以所述预设区域的微波遥感土壤湿度训练数据为训练样本，训练所述待训练后向传播神经网络，获取土壤湿度后向传播神经网络；还用于在M*N个所述微波遥感土壤湿度训练数据的像元尺度范围内，训练所述待训练后向传播神经网络，其中M和N为正整数。

土壤湿度数据获取模块500，用于将所述预设区域的时空连续光学遥感数据、所述预设区域的三维地理信息和所述预设区域的时间轴信息，输入所述土壤湿度后向传播神经网络，获取预设区域的土壤湿度数据。

本实施例所提供的基于多源遥感数据的土壤湿度重建系统，利用光学遥感产品和三维地理信息以及时间轴信息，构建后向传播神经网络，以预设的微波土壤湿度训练数据为样本集，对所述后向传播神经网络进行训练后，获取土壤湿度后向传播神经网络，再将时空连续的光学遥感数据输入所述的土壤湿度后向传播神经网络，获取连续的土壤湿度数据。通过神经网络、时空连续的光学遥感数据和三维地理信息、时间轴信息的输入，预测微波遥感土壤湿度数据的缺失值，得到时空连续的微波遥感土壤数据。

图5为另一个实施例中基于多源遥感数据的土壤湿度重建系统的结构示意图，如图5所示的基于多源遥感数据的土壤湿度重建系统包括：

微波训练数据获取单元110，用于获取预设区域的微波遥感土壤湿度原始数据；在所述微波遥感土壤湿度原始数据中，筛选出没有被积雪覆盖且地表温度大于零摄氏度的像元数据；将所述筛选出的像元数据确定为微波遥感土壤湿度训练数据。

光学遥感数据获取单元120，用于获取预设区域的光学遥感原始数据，所述光学遥感原始数据包括植被指数原始数据、地表温度原始数据和地表反照率原始数据；将所述预设区域的植被指数原始数据通过基于时间序列谐波分析重建算法，计算预设区域的时空连续植被指数；将所述预设区域的地表温度原始数据通过基于参考序列的重建算法，计算预设区域的时空连续地表温度；将所述预设区域的地表反照率原始数据通过基于时空滤波的重建算法，计算预设区域的时空连续地表反照率；将所述预设区域的时空连续植被指数、所述预设区域的时空连续地表温度和所述预设区域的地表反照率，确定为预设区域的时空连续光学遥感数据。

在本实施例中，通过对微波遥感土壤湿度训练数据的筛选，使构建的后向传播神经网络具有准确的训练样本，从而提高训练后的后向传播神经网络输出值的准确率。通过对光学遥感训练数据进行空间分辨率的统一，以及根据微波遥感训练数据进行重采样，使构建的后向传播神经网络具有相同分辨率尺度的输入输出数据，提高训练后的后向传播神经网络输出值的准确率。

图6为再一个实施例中的基于多源遥感数据的土壤湿度重建系统的结构示意图，如图6所示的基于多源遥感数据的土壤湿度重建系统包括：

重采样计算单元310，用于根据所述预设区域的微波遥感土壤湿度训练数据的像元尺度，将所述第一植被指数、第一地表温度和第一地表反照率进行重采样，获取输入植被指数、输入地表温度和输入地表反照率；

输入信息确定单元320，用于将所述输入植被指数、输入地表温度、输入地表反照率、所述预设区域的三维地理信息和所述预设区域的时间轴信息，确定为输入信息。

在本实施例中，将时空不连续的光学遥感数据进行时空重建后，获取到时空连续光学遥感数据后，输入训练好的后向传播神经网络，便可以获得时空连续的土壤湿度数据，所述各光学遥感数据的时空重建算法，即使得神经网络计算得出的土壤湿度数据的时空连续性，又能保证计算得出的土壤湿度数据的准确性。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。