Soil moisture is an important parameter that directly impacts crop productivity. Microwave signals are highly sensitive to soil dielectric constant and so they are used to derive soil moisture. The potential of entropy and alpha (H / α) decomposition for moisture estimations at 0- to 5-cm soil depth was assessed. The H / α parameters were extracted from the dual-polarimetric Sentinel-1 dataset. Also, we used the gray level co-occurrence matrix (GLCM) texture parameters extracted from Sentinel-1 and tested them for soil moisture retrieval. The generalized regression neural network (GRNN), neural network (NN), and support vector regression (SVR) algorithms were trained and tested for soil moisture estimation. Multiple input features, including Sentinel-1 intensities, GLCM parameters, and H / α parameters, were used for training these algorithms. For NN, three activation functions of rectified linear unit (ReLU), tanh, and sigmoid and for SVR three kernel functions of radial basis function (RBF), polynomial, and linear kernel were tested. The ReLU outperformed the other two activation functions with root mean squared error (RMSE) of 0.042 m3 m − 3 and coefficient of determination (R2) of 0.72. For the SVR algorithm, the highest accuracies derived from the RBF kernel function with RMSE 0.053 m3 m − 3 and R2 of 0.51. Between all the three machine learning algorithms, the GRNN algorithm outperformed the other two algorithms with RMSE of 0.033 m3 m − 3 and R2 of 0.82. These results demonstrated the high potential of using polarimetric synthetic aperture radar data in combination with the machine learning algorithms for surface soil moisture monitoring.

中文翻译：

---

通过添加熵-α双极化分解特征改善农田土壤水分反演

土壤水分是直接影响作物生产力的重要参数。微波信号对土壤介电常数高度敏感，因此它们被用来计算土壤湿度。评估了熵和 α (H / α) 分解对 0 至 5 厘米土壤深度的水分估计的潜力。H / α 参数是从双极化 Sentinel-1 数据集中提取的。此外，我们使用从 Sentinel-1 中提取的灰度共生矩阵 (GLCM) 纹理参数并对其进行了土壤水分检索测试。对广义回归神经网络 (GRNN)、神经网络 (NN) 和支持向量回归 (SVR) 算法进行了训练和测试，用于土壤水分估计。多个输入特征，包括 Sentinel-1 强度、GLCM 参数和 H/α 参数，用于训练这些算法。对于 NN，测试了整流线性单元 (ReLU)、tanh 和 sigmoid 的三个激活函数，以及对 SVR 测试了径向基函数 (RBF)、多项式和线性内核的三个核函数。ReLU 的均方根误差 (RMSE) 为 0.042 m3 m - 3，决定系数 (R2) 为 0.72，优于其他两个激活函数。对于 SVR 算法，最高准确度来自 RBF 核函数，RMSE 为 0.053 m3 m - 3，R2 为 0.51。在所有三种机器学习算法中，GRNN 算法优于其他两种算法，RMSE 为 0.033 m3 m - 3，R2 为 0.82。这些结果证明了将极化合成孔径雷达数据与机器学习算法相结合用于地表土壤水分监测的巨大潜力。测试了整流线性单元 (ReLU)、tanh 和 sigmoid 的三个激活函数以及径向基函数 (RBF)、多项式和线性内核的三个核函数的 SVR。ReLU 的均方根误差 (RMSE) 为 0.042 m3 m - 3，决定系数 (R2) 为 0.72，优于其他两个激活函数。对于 SVR 算法，最高准确度来自 RBF 核函数，RMSE 为 0.053 m3 m - 3，R2 为 0.51。在所有三种机器学习算法中，GRNN 算法优于其他两种算法，RMSE 为 0.033 m3 m - 3，R2 为 0.82。这些结果证明了将极化合成孔径雷达数据与机器学习算法相结合用于地表土壤水分监测的巨大潜力。测试了整流线性单元 (ReLU)、tanh 和 sigmoid 的三个激活函数以及径向基函数 (RBF)、多项式和线性内核的三个核函数的 SVR。ReLU 的均方根误差 (RMSE) 为 0.042 m3 m - 3，决定系数 (R2) 为 0.72，优于其他两个激活函数。对于 SVR 算法，最高准确度来自 RBF 核函数，RMSE 为 0.053 m3 m - 3，R2 为 0.51。在所有三种机器学习算法中，GRNN 算法优于其他两种算法，RMSE 为 0.033 m3 m - 3，R2 为 0.82。这些结果证明了将极化合成孔径雷达数据与机器学习算法相结合用于地表土壤水分监测的巨大潜力。和 sigmoid 以及 SVR 测试了径向基函数 (RBF)、多项式和线性核这三个核函数。ReLU 的均方根误差 (RMSE) 为 0.042 m3 m - 3，决定系数 (R2) 为 0.72，优于其他两个激活函数。对于 SVR 算法，最高准确度来自 RBF 核函数，RMSE 为 0.053 m3 m - 3，R2 为 0.51。在所有三种机器学习算法中，GRNN 算法优于其他两种算法，RMSE 为 0.033 m3 m - 3，R2 为 0.82。这些结果证明了将极化合成孔径雷达数据与机器学习算法相结合用于地表土壤水分监测的巨大潜力。和 sigmoid 以及 SVR 测试了径向基函数 (RBF)、多项式和线性核这三个核函数。ReLU 的均方根误差 (RMSE) 为 0.042 m3 m - 3，决定系数 (R2) 为 0.72，优于其他两个激活函数。对于 SVR 算法，最高准确度来自 RBF 核函数，RMSE 为 0.053 m3 m - 3，R2 为 0.51。在所有三种机器学习算法中，GRNN 算法优于其他两种算法，RMSE 为 0.033 m3 m - 3，R2 为 0.82。这些结果证明了将极化合成孔径雷达数据与机器学习算法相结合用于地表土壤水分监测的巨大潜力。ReLU 的均方根误差 (RMSE) 为 0.042 m3 m - 3，决定系数 (R2) 为 0.72，优于其他两个激活函数。对于 SVR 算法，最高准确度来自 RBF 核函数，RMSE 为 0.053 m3 m - 3，R2 为 0.51。在所有三种机器学习算法中，GRNN 算法优于其他两种算法，RMSE 为 0.033 m3 m - 3，R2 为 0.82。这些结果证明了将极化合成孔径雷达数据与机器学习算法相结合用于地表土壤水分监测的巨大潜力。ReLU 的均方根误差 (RMSE) 为 0.042 m3 m - 3，决定系数 (R2) 为 0.72，优于其他两个激活函数。对于 SVR 算法，最高准确度来自 RBF 核函数，RMSE 为 0.053 m3 m - 3，R2 为 0.51。在所有三种机器学习算法中，GRNN 算法优于其他两种算法，RMSE 为 0.033 m3 m - 3，R2 为 0.82。这些结果证明了将极化合成孔径雷达数据与机器学习算法相结合用于地表土壤水分监测的巨大潜力。053 m3 m − 3 和 R2 为 0.51。在所有三种机器学习算法中，GRNN 算法优于其他两种算法，RMSE 为 0.033 m3 m - 3，R2 为 0.82。这些结果证明了将极化合成孔径雷达数据与机器学习算法相结合用于地表土壤水分监测的巨大潜力。053 m3 m − 3 和 R2 为 0.51。在所有三种机器学习算法中，GRNN 算法优于其他两种算法，RMSE 为 0.033 m3 m - 3，R2 为 0.82。这些结果证明了将极化合成孔径雷达数据与机器学习算法相结合用于地表土壤水分监测的巨大潜力。