Réseau de neurones de régression pour l'estimation de l'humidité du sol

Au cours des dernières années, la catégorisation d'images utilisant l'apprentissage profond est devenue très populaire, car elle peut gérer de grandes bases de données et a montré de bons résultats de reconnaissance. Cet article présente le réseau convolutif à valeurs complexes (CV-CNN) pour l'estimation de l'humidité du sol par radar à synthèse d'ouverture (SAR). Le CV-CNN se compose généralement d'une couche d'entrée à valeurs réelles ou complexes, d'une couche de sortie et d'une ou plusieurs couches cachées. Les couches cachées représentent n'importe quelle combinaison de couches convolutionnelles, de couches de sous-échantillonnage, de fonctions d'activation, et sont entièrement définies dans le domaine des valeurs complexes. Cet article propose un réseau de neurones convolutionnel profond (CNN) pour l'estimation des paramètres d'humidité du sol. Un réseau de neurones convolutionnel à 9 couches a été utilisé, composé de couches convolutionnelles, de sous-échantillonnage, de dropout, entièrement connectées et de régression. Nous avons utilisé 1000 mesures au sol pour chaque acquisition SAR en utilisant des données SAR totalement polarisées en bande L. Les résultats expérimentaux ont été vérifiés en utilisant 100 points au sol.