基于人工智能的地球物理参数反演范式理论及判定条件

doi:10.12133/j.smartag.SA202304013

Smart Agriculture ›› 2023, Vol. 5 ›› Issue (2): 161-171.doi: 10.12133/j.smartag.SA202304013

• 综合研究 • 上一篇

基于人工智能的地球物理参数反演范式理论及判定条件

毛克彪¹^,²^,³(), 张晨阳⁴, 施建成⁵, 王旭明², 郭中华², 李春树², 董立新⁶, 吴门新⁷, 孙瑞静⁶, 武胜利⁶, 姬大彬³, 蒋玲梅⁸, 赵天杰³, 邱玉宝³, 杜永明³, 徐同仁⁸

^1.中国农业科学院农业资源与农业区划研究所北方干旱半干旱耕地高效利用全国重点实验室，北京 100081
^2.宁夏大学物理与电子电气工程学院，宁夏银川 750021
^3.中国科学院空天信息创新研究院遥感科学国家重点实验室，北京 100094
^4.北京大学环境科学与工程学院，北京 100871
^5.中国科学院国家空间科学中心，北京 100190
^6.国家卫星气象中心，北京 100081
^7.国家气象中心，北京 100081
^8.北京师范大学地理科学部，北京 100875

收稿日期:2023-04-24 出版日期:2023-06-30
基金资助:
风云卫星应用先行计划(FY-APP-2022.0205);第二次青藏高原综合科学考察研究(2019QZKK0206XX-02);遥感科学国家重点实验室开放基金(OFSLRSS202201)
通信作者: 毛克彪，博士，研究员，研究方向为人工智能在地学和农学中的应用。E-mail： maokebiao@caas.cn

The Paradigm Theory and Judgment Conditions of Geophysical Parameter Retrieval Based on Artificial Intelligence

MAO Kebiao¹^,²^,³(), ZHANG Chenyang⁴, SHI Jiancheng⁵, WANG Xuming², GUO Zhonghua², LI Chunshu², DONG Lixin⁶, WU Menxin⁷, SUN Ruijing⁶, WU Shengli⁶, JI Dabin³, JIANG Lingmei⁸, ZHAO Tianjie³, QIU Yubao³, DU Yongming³, XU Tongren⁸

^1.State Key Laboratory of Efficient Utilization of Arid and Semi-arid Arable Land in Northern China, Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China
^2.School of Physics and Electronic-Electrical Engineering, Ningxia University, Yinchuan 750021, China
^3.State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Science, Beijing 100094, China
^4.College of Environmental Sciences and Engineering, Peking University, Beijing 100871, China
^5.National Space Science Center, Chinese Academy of Sciences, Beijing 100190, China
^6.National Satellite Meteorological Center, Beijing 100081, China
^7.National Meteorological Center, Beijing 100101, China
^8.Department of Geographical Science, Beijing Normal University, Beijing 100875, China

Received:2023-04-24 Online:2023-06-30

摘要/Abstract

摘要：

［目的/意义］ 人工智能（Artificial Intelligence，AI）技术已在学术和工程应用领域掀起了研究高潮，在地球物理参数和农业气象遥感参数反演方面也表现出了强大的应用潜力。目前大部分AI技术在地学和农学的应用还是“黑箱”，没有物理意义或缺乏可解释性及通用性。为了促进AI在地学和农学的应用和培养交叉学科的人才，本研究提出基于AI耦合物理和统计方法的地球物理参数反演范式理论。 ［方法］ 首先基于物理能量平衡方程进行物理逻辑推理，从理论上构造反演方程组，然后基于物理推导构建泛化的统计方法。通过物理模型模拟获得物理方法的代表性解以及利用多源数据获得统计方法代表性的解作为深度学习的训练和测试数据库，最后利用深度学习进行优化求解。［结果和讨论］判定形成具有通用性和物理可解释的范式条件包括：（1）输入与输出变量（参数）之间必须存在因果关系；（2）输入和输出变量（参数）之间理论上可以构建闭合的方程组（未知数个数少于或等于方程组个数），也就是说输出参数可以被输入参数唯一确定。如果输入参数（变量）和输出参数（变量）之间存在很强的因果关系，则可以直接使用深度学习进行反演。如果输入参数和输出参数之间存在弱相关性，则需要添加先验知识来提高输出参数的反演精度。此外，本研究以农业气象遥感中的关键参数地表温度、发射率、近地表空气温度和大气水汽含量联合反演作为案例对理论进行了证明，分析结果表明本理论是可行的，并且可以辅助优化设计卫星传感器波段组合。 ［结论］ 本理论和判定条件的提出在地球物理参数反演史上具有里程碑意义。

关键词: 人工智能, 深度学习, 反演范式, 物理逻辑推导, 可解释, 农业气象遥感

Key words: artificial intelligence, deep learning, retrieval paradigm, physical logic derivation, explainable, agrometeorological remote sensing

中图分类号:

TP181

毛克彪, 张晨阳, 施建成, 王旭明, 郭中华, 李春树, 董立新, 吴门新, 孙瑞静, 武胜利, 姬大彬, 蒋玲梅, 赵天杰, 邱玉宝, 杜永明, 徐同仁. 基于人工智能的地球物理参数反演范式理论及判定条件[J]. 智慧农业(中英文), 2023, 5(2): 161-171.

MAO Kebiao, ZHANG Chenyang, SHI Jiancheng, WANG Xuming, GUO Zhonghua, LI Chunshu, DONG Lixin, WU Menxin, SUN Ruijing, WU Shengli, JI Dabin, JIANG Lingmei, ZHAO Tianjie, QIU Yubao, DU Yongming, XU Tongren. The Paradigm Theory and Judgment Conditions of Geophysical Parameter Retrieval Based on Artificial Intelligence[J]. Smart Agriculture, 2023, 5(2): 161-171.

图/表 13

图1

图2

表1

表2

表3

表4

表5

表6

表7

表8

表9

表10

图3

参考文献 24

1	DEL FRATE F, FERRAZZOLI P, SCHIAVON G. Retrieving soil moisture and agricultural variables by microwave radiometry using neural networks[J]. Remote sensing of environment, 2003, 84(2): 174-183.
2	QIN Z H, DALL'OLMO G, KARNIELI A, et al. Derivation of split window algorithm and its sensitivity analysis for retrieving land surface temperature from NOAA-advanced very high resolution radiometer data[J]. Journal of geophysical research: Atmospheres, 2001, 106(D19): 22655-22670.
3	NOTARNICOLA C, ANGIULLI M, POSA F. Soil moisture retrieval from remotely sensed data: Neural network approach versus Bayesian method[J]. IEEE transactions on geoscience and remote sensing, 2008, 46(2): 547-557.
4	MAO K B, SHEN X Y, ZUO Z Y, et al. An advanced radiative transfer and neural network scheme and evaluation for estimating water vapor content from MODIS data[J]. Atmosphere, 2017, 8(8): ID 139.
5	MAO K B, MA Y, XIA L, et al. A neural network method for monitoring snowstorm: A case study in Southern China[J]. Chinese geographical science, 2014, 24(5): 599-606.
6	HAN J Q, MAO K B, XU T R, et al. A soil moisture estimation framework based on the CART algorithm and its application in China[J]. Journal of hydrology, 2018, 563: 65-75.
7	TAN J C, NOURELDEEN N, MAO K B, et al. Deep learning convolutional neural network for the retrieval of land surface temperature from AMSR2 data in China[J]. Sensors, 2019, 19(13): ID 2987.
8	MAO K B, ZUO Z Y, SHEN X Y, et al. Retrieval of land-surface temperature from AMSR2 data using a deep dynamic learning neural network[J]. Chinese geographical science, 2018, 28(1): 1-11.
9	DU B Y, MAO K B, BATENI S M, et al. A novel fully coupled physical–statistical–deep learning method for retrieving near-surface air temperature from multisource data[J]. Remote sensing, 2022, 14(22): ID 5812.
10	MAO K B, WANG H, SHI J C, et al. A general paradigm for retrieving soil moisture and surface temperature from passive microwave remote sensing data based on artificial intelligence[J]. Remote sensing, 2023, 15(7): ID 1793.
11	MAO K B, LI S M, WANG D L, et al. Retrieval of land surface temperature and emissivity from ASTER1B data using a dynamic learning neural network[J]. International journal of remote sensing, 2011, 32(19): 5413-5423.
12	MAO K B, SHI J C, LI Z L, et al. An RM-NN algorithm for retrieving land surface temperature and emissivity from EOS/MODIS data[J]. Journal of geophysical research: Atmospheres, 2007, 112(D21): ID D21102.
13	WANG H, MAO K B, YUAN Z J, et al. A method for land surface temperature retrieval based on model-data-knowledge-driven and deep learning[J]. Remote sensing of environment, 2021, 265: ID 112665.
14	毛克彪, 杨军, 韩秀珍, 等. 基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究[J]. 中国农业信息, 2018, 30(5): 47-57.
	MAO K B, YANG J, HAN X Z, et al. Retrieving land surface temperature based on deep dynamic learning NN algorithm and radiation transmission model[J]. China agricultural informatics, 2018, 30(5): 47-57.
15	MAO K B, TANG H J, WANG X F, et al. Near-surface air temperature estimation from ASTER data based on neural network algorithm[J]. International journal of remote sensing, 2008, 29(20): 6021-6028.
16	MAO K B, MA Y, SHEN X Y, et al. Estimation of broadband emissivity (8-12 um) from ASTER data by using RM-NN[J]. Optics express, 2012, 20(18): 20096-20101.
17	MAO K B, LI H T, HU D Y, et al. Estimation of water vapor content in near-infrared bands around 1 μm from MODIS data by using RM-NN[J]. Optics express, 2010, 18(9): 9542-9554.
18	MAO K B, SHI J C, TANG H J, et al. A neural network technique for separating land surface emissivity and temperature from ASTER imagery[J]. IEEE transactions on geoscience and remote sensing, 2008, 46(1): 200-208.
19	MAO K, SHI J, LI Z, et al. A multiple-band algorithm for separating land surface emissivity and temperature from ASTER imagery[C]// 2006 IEEE International Symposium on Geoscience and Remote Sensing. Piscataway, NJ, USA: IEEE, 2007: 1358-1361.
20	毛克彪, 唐华俊, 李丽英, 等. 一个从MODIS数据同时反演地表温度和发射率的神经网络算法[J]. 遥感信息, 2007, 22(4): 9-15, 8.
	MAO K B, TANG H J, LI L Y, et al. An NN algorithm for retrieving land surface temperature and emissivity from MODIS data[J]. Remote sensing information, 2007, 22(4): 9-15, 8.
21	毛克彪, 唐华俊, 陈仲新, 等. 一个用神经网络优化的针对ASTER数据反演地表温度和发射率的多波段算法[J]. 国土资源遥感, 2007, 19(3): 18-22.
	MAO K B, TANG H J, CHEN Z X, et al. An optimizaed multiple-band algorithm by using neural network for separating land surface emissivity and temperature from aster imagery[J]. Remote sensing for land & resources, 2007, 19(3): 18-22.
22	MAS J F, FLORES J J. The application of artificial neural networks to the analysis of remotely sensed data[J]. International journal of remote sensing, 2008, 29(3): 617-663.
23	CHEN Y S, JIANG H L, LI C Y, et al. Deep feature extraction and classification of hyperspectral images based on convolutional neural networks[J]. IEEE transactions on geoscience and remote sensing, 2016, 54(10): 6232-6251.
24	付秀丽, 黎玲萍, 毛克彪, 等. 基于卷积神经网络模型的遥感图像分类[J]. 高技术通讯, 2017, 27(3): 203-212.
	FU X L, LI L P, MAO K B, et al. Remote sensing image classification based on CNN model[J]. Chinese high technology letters, 2017, 27(3): 203-212.

隐含层	隐含节点
	600			700			800			900
	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R
7	1.51	1.41	0.912	1.32	1.25	0.985	1.26	1.84	0.95	1.36	1.23	0.961
8	1.42	1.32	0.925	1.22	1.21	0.985	1.24	1.81	0.951	1.61	1.56	0.960
9	1.33	1.25	0.932	1.13	1.17	0.988	1.21	1.32	0.963	1.37	1.36	0.962
10	1.27	2.04	0.912	1.23	2.48	0.910	2.46	3.11	0.879	2.34	3.77	0.896

隐含层	隐含节点
	600			700			800			900
	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R
7	0.76	0.68	0.987	0.89	1.13	0.984	0.77	0.71	0.988	0.66	0.68	0.987
8	0.97	2.25	0.956	0.82	0.84	0.986	0.53	0.58	0.991	0.71	0.72	0.985
9	0.79	0.78	0.986	0.82	0.79	0.986	0.45	0.53	0.998	0.78	0.73	0.981
10	0.83	0.89	0.986	0.71	0.78	0.987	1.03	2.63	0.928	1.14	1.56	0.963

隐含层	隐含节点
	600			700			800			900
	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R
7	0.64	0.68	0.993	0.58	0.59	0.995	0.61	0.69	0.995	0.76	0.88	0.979
8	0.61	0.67	0.995	0.62	0.93	0.993	0.66	0.85	0.978	0.48	0.54	0.998
9	0.62	0.68	0.994	0.65	1.02	0.991	0.73	0.97	0.965	0.44	0.52	0.999
10	0.65	0.88	0.978	0.64	1.12	0.99	0.48	0.61	0.998	0.56	0.89	0.997

隐含层	隐含节点
	600			700			800			900
	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R
7	0.68	0.69	0.991	0.65	0.67	0.991	0.65	0.68	0.996	0.63	1.21	0.957
8	0.62	0.65	0.992	0.63	0.88	0.992	0.65	0.70	0.995	0.51	0.55	0.997
9	0.64	0.66	0.991	0.68	0.68	0.995	0.69	0.79	0.992	0.54	0.56	0.996
10	0.93	1.65	0.912	0.69	0.72	0.994	0.51	0.55	0.998	0.77	1.51	0.935

隐含层	隐含节点
	600			700			800			900
	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R
7	0.006	0.007	0.971	0.006	0.007	0.976	0.008	0.086	0.926	0.005	0.006	0.981
8	0.007	0.008	0.965	0.005	0.006	0.980	0.005	0.007	0.979	0.007	0.023	0.953
9	0.005	0.007	0.972	0.005	0.007	0.978	0.008	0.021	0.944	0.005	0.006	0.983
10	0.005	0.006	0.976	0.004	0.007	0.981	0.004	0.005	0.991	0.007	0.007	0.961

基于人工智能的地球物理参数反演范式理论及判定条件

The Paradigm Theory and Judgment Conditions of Geophysical Parameter Retrieval Based on Artificial Intelligence

在线阅读

知网下载

本地下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价

[1]	夏雪, 柴秀娟, 张凝, 周硕, 孙琦鑫, 孙坦. 用于边缘计算设备的果树挂果量轻量化估测模型[J]. 智慧农业(中英文), 2023, 5(2): 1-12.
[2]	郭阳阳, 杜书增, 乔永亮, 梁栋. 深度学习在家畜智慧养殖中研究应用进展[J]. 智慧农业(中英文), 2023, 5(1): 52-65.
[3]	左敏, 胡天宇, 董微, 张可心, 张青川. 基于Informer神经网络的农产品物流需求预测分析——以华中地区为例[J]. 智慧农业(中英文), 2023, 5(1): 34-43.
[4]	桂泽春, 赵思健. 人工智能在农业风险管理中的应用研究综述[J]. 智慧农业(中英文), 2023, 5(1): 82-98.
[5]	计洁, 金洲, 王儒敬, 刘海燕, 李志远. 基于递进式卷积网络的农业命名实体识别方法[J]. 智慧农业(中英文), 2023, 5(1): 122-131.
[6]	胡松涛, 翟瑞芳, 王应华, 刘志, 朱剑忠, 任荷, 杨万能, 宋鹏. 基于多源数据的马铃薯植株表型参数提取[J]. 智慧农业(中英文), 2023, 5(1): 132-145.
[7]	刘晓航, 张昭, 刘嘉滢, 张漫, 李寒, FLORES Paulo, 韩雄哲. 基于多种深度学习算法的田间玉米籽粒检测与计数[J]. 智慧农业(中英文), 2022, 4(4): 49-60.
[8]	赵瑞雪, 杨晨雪, 郑建华, 李娇, 王剑. 农业智能知识服务研究现状及展望[J]. 智慧农业(中英文), 2022, 4(4): 105-125.
[9]	许钰林, 康孟珍, 王秀娟, 华净, 王浩宇, 沈震. 基于深度学习的玉米和大豆期货价格智能预测[J]. 智慧农业(中英文), 2022, 4(4): 156-163.
[10]	罗庆, 饶元, 金秀, 江朝晖, 王坦, 王丰仪, 张武. 基于改进YOLOv5s和多模态图像的树上毛桃检测[J]. 智慧农业(中英文), 2022, 4(4): 84-104.
[11]	张志博, 赵西宁, 高晓东, 张利, 杨孟豪. 基于改进Linknet网络的黄土高原苹果园精准提取[J]. 智慧农业(中英文), 2022, 4(3): 95-107.
[12]	商枫楠, 周学成, 梁英凯, 肖明玮, 陈桥, 罗陈迪. 基于改进YOLOX的自然环境中火龙果检测方法[J]. 智慧农业(中英文), 2022, 4(3): 120-131.
[13]	何锐敏, 郑可锋, 尉钦洋, 张小斌, 张俊, 朱怡航, 赵懿滢, 顾清. 基于改进Mask R-CNN模型的工厂化养蚕蚕体识别与计数[J]. 智慧农业(中英文), 2022, 4(2): 163-173.
[14]	耿闻轩, 赵俊晔, 阮继伟, 侯跃辉. 人工智能辅助种植策略对温室草莓生产调控效果对比研究[J]. 智慧农业(中英文), 2022, 4(2): 183-193.
[15]	杨亮, 熊本海, 王辉, 陈睿鹏, 赵一广. 家畜饲喂机器人研究进展与发展展望[J]. 智慧农业(中英文), 2022, 4(2): 86-98.

隐含层	隐含节点
	600			700			800			900
	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R
7	1.64	1.55	0.958	1.52	1.55	0.962	1.58	1.66	0.963	1.68	1.78	0.966
8	1.58	1.64	0.953	1.56	1.58	0.958	1.56	1.65	0.964	1.60	1.72	0.958
9	1.44	1.51	0.959	1.49	1.54	0.965	1.56	1.63	0.968	1.69	1.77	0.959
10	1.47	1.49	0.961	1.42	1.46	0.975	1.46	1.52	0.967	1.64	1.69	0.969

隐含层	隐含节点
	600			700			800			900
	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R
7	0.18	0.19	0.960	0.15	0.19	0.971	0.18	0.21	0.977	0.15	0.17	0.979
8	0.12	0.15	0.975	0.23	0.27	0.972	0.11	0.13	0.979	0.13	0.15	0.980
9	0.17	0.22	0.963	0.18	0.23	0.973	0.09	0.11	0.989	0.14	0.16	0.976
10	0.87	0.93	0.875	0.35	0.41	0.938	0.13	0.15	0.983	0.40	0.55	0.923

隐含层	隐含节点
	600			700			800			900
	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R	M/K	SD/K	R
7	0.15	0.17	0.976	0.18	0.21	0.971	0.17	0.18	0.975	0.14	0.16	0.976
8	0.15	0.16	0.976	0.21	0.23	0.969	0.09	0.11	0.991	0.15	0.17	0.977
9	0.14	0.16	0.977	0.23	0.25	0.967	0.11	0.15	0.979	0.08	0.09	0.992
10	0.17	0.19	0.975	0.15	0.19	0.971	0.09	0.11	0.990	0.11	0.12	0.989