农业大数据学报 ›› 2023, Vol. 5 ›› Issue (4): 1-12.doi: 10.19788/j.issn.2096-6369.230401
• 研究论文 • 下一篇
毛克彪1,2,3,*(), 袁紫晋1, 施建成4, 武胜利5, 胡德勇6, 车进2, 董立新5
收稿日期:
2023-05-28
接受日期:
2023-09-13
出版日期:
2023-12-26
发布日期:
2024-01-05
基金资助:
MAO KeBiao1,2,3,*(), YUAN ZiJin1, SHI JianCheng4, WU ShengLi5, HU DeYong6, CHE Jin2, DONG LiXin5
Received:
2023-05-28
Accepted:
2023-09-13
Published:
2023-12-26
Online:
2024-01-05
摘要:
为了解决人工智能(Artificial Intelligence)应用在地球物理参数反演中的“黑箱”问题,使得人工智能应用具有物理意义和可解释性及普适性,深度学习耦合物理方法和统计方法的理论和技术在各学科领域正在陆续展开。本研究通过梳理作者20余年的相关研究,在前面归纳和演绎得到人工智能地球物理参数反演范式理论和判定条件基础上,分别给出了遥感参数人工智能反演范式和判定条件。目前大家研究普遍遇到一个问题,很多人工智能参数反演理论模拟数据反演精度非常高,但实际应用反演精度不理想,因此深度学习如何耦合物理方法和统计方法成为当前亟须解决的工程与技术难题。我们以被动微波土壤水分和地表温度反演为例进行阐述,分析表明物理模型本身的精度还要很大的提升空间或者模拟数据只代表现实情况中的少部分情况。因此只利用物理模型模拟数据直接进行反演还存在很大的局限,必须补充大量高精度的多源统计观测数据。同时可以通过利用模拟数据对深度学习训练和用实际数据检验物理模型的误差。统计方法是人类最直观的描述,物理方法是对统计方法的归纳演绎总结,但真实世界的信息或能量传输是按量子形式传递,物理模型只是当前人们认识世界的最高形式,大部分模型并没有刻画好真实信息流。深度学习中的不同神经元更适合描述和表达量子信息的传输方式,以微积分量子能量信息流认识真实世界需要提高人类的思维认知方式,这才是最高模式。如何采集满足真实情况(量子信息或能量传输)的数据显得非常重要,当前可以充分利用物理逻辑推理构建物理方法和统计方法,并在范式理论和判定条件框架指导下利用大数据思维模式提高地球物理参数反演精度。通过物理逻辑推理证明输入变量能唯一确定输出变量是形成具有物理意义和可解释及通用的反演或分类或预测范式的基本条件,从量子信息(能量)传输真实角度控制采集数据质量是地球物理参数高精度反演工程与技术实现的关键,提高微积分量子信息流思维认知和甄辨物理模型的局限对实现人工智能高精度反演具有里程碑意义。
毛克彪, 袁紫晋, 施建成, 武胜利, 胡德勇, 车进, 董立新. 基于大数据的遥感参数人工智能反演范式理论形成与工程技术实现[J]. 农业大数据学报, 2023, 5(4): 1-12.
MAO KeBiao, YUAN ZiJin, SHI JianCheng, WU ShengLi, HU DeYong, CHE Jin, DONG LiXin. Theory and Engineering Technology Implementation of Artificial Intelligence Retrieval Paradigm for Parameters of Remote Sensing Based on Big Data[J]. Journal of Agricultural Big Data, 2023, 5(4): 1-12.
[1] | 毛克彪, 张晨阳, 施建成, 等. 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, 2023, 5(2): 161-171. |
[2] |
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): 1793.
doi: 10.3390/rs15071793 |
[3] | MAO K, SHI J, LI Z, et al. Land surface temperature and emissivity retrieved from the AMSR passive microwave data[C/OL]. International Geoscience and Remote Sensing Symposium (IGARSS05), 25-29 July 2005. DOI:10.1109/IGARSS.2005.1525420. |
[4] | 毛克彪, 施建成, 李召良, 等. 用被动微波AMSR数据反演地表温度及发射率方法研究[J]. 自然资源遥感, 2005(3):14-18. |
[5] | 毛克彪, 施建成, 李召良, 等. 一个针对被动微波数据AMSR-E数据反演地表温度的物理统计算法[J]. 中国科学D辑, 2006, 36(12):1170-1176. |
[6] | MAO K B, SHI J C, TANG H J, et al. A neural-network technique for retrieving land surface temperature from AMSR-E passive microwave data[C/OL]. International Geoscience and Remote Sensing Symposium (IGARSS07), 23-28 July 2007. DOI:10.1109/IGARSS. 2007.44238357. |
[7] | 毛克彪, 王道龙, 李滋睿, 等. 利用AMSR-E被动微波数据反演地表温度的神经网络算法[J]. 高技术通讯, 2009, 19(11): 1195-1200. |
[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.
doi: 10.1007/s11769-018-0930-1 |
[9] | 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. |
[10] | MAO K, TANG H, ZHANG L, et al. A method for retrieving soil moisture in Tibet region by utilizing microwave index from TRMM/TMI data[J]. International Journal of Remote Sensing, 2008, 29(10): 2905-2925. |
[11] | 毛克彪, 胡德勇, 黄健熙, 等. 针对被动微波数据AMSR-E数据的土壤水分反演算法[J]. 高技术通讯, 2010, 20(6): 651-659. |
[12] | 谭建灿, 毛克彪, 左志远, 等. 基于卷积神经网络和AMSR2 微波遥感的土壤水分反演研究[J]. 高技术通讯, 2018, 8(5):399-408. |
[13] | 毛克彪, 覃志豪, 施建成, 等. 针对MODIS影像的劈窗算法研究[J]. 武汉大学学报(信息科学版), 2005, 30(8):703-707. |
[14] |
MAO K B, QIN Z, SHI J, et al. A practical split-window algorithm for retrieving land surface temperature from MODIS data[J]. International Journal of Remote Sensing, 2005, 26:3181-3204.
doi: 10.1080/01431160500044713 |
[15] | 毛克彪, 覃志豪, 宫鹏, 等. 劈窗算法LST精度评价和参数敏感性分析[J]. 中国矿业大学学报, 2005(3):318-322. |
[16] |
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.
doi: 10.1029/2000JD900452 |
[17] |
WAN Z, DOZIER J. A generalized split-window algorithm for retrieving land surface temperature measurement from space[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34:892-905.
doi: 10.1109/36.508406 |
[18] |
LI Z L, BECKER F. Feasibility of land surface temperature and emissivity determination from AVHRR data[J]. Remote Sensing of Environment, 1993, 43(1): 67-85.
doi: 10.1016/0034-4257(93)90065-6 |
[19] |
WAN Z M, LI Z L. A Physics-based algorithm for retrieving land-surface emissivity and temperature from EOS/MODIS data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35: 980-996.
doi: 10.1109/36.602541 |
[20] | 毛克彪, 施建成, 覃志豪, 等. 一个针对ASTER数据同时反演地表温度和比辐射率的四通道算法[J]. 遥感学报, 2006, 10(4):593-599. |
[21] | 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. |
[22] | 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. |
[23] | 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. |
[24] |
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.
doi: 10.1109/TGRS.2007.907333 |
[25] |
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.
doi: 10.1080/01431161.2010.501043 |
[26] | 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. |
[27] | 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. |
[28] |
CRESSWELL M P, MORSE A P, THOMSON M C, et al. Estimating surface air temperatures, from Meteosat land surface temperatures, using an empirical solar zenith angle model[J]. International Journal of Remote Sensing, 1999, 20(6):1125-32.
doi: 10.1080/014311699212885 |
[29] | MOSTOVOY G V, KING R L, REDDY K R, et al. Statistical estimation of daily maximum and minimum air temperatures from MODIS LST data over the state of Mississippi[J]. Mapping Sciences & Remote Sensing, 2006, 43(1):78-110. |
[30] | 徐永明, 覃志豪, 万洪秀. 热红外遥感反演近地层气温的研究进展[J]. 国土资源遥感, 2011(1): 9-14. |
[31] |
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.
doi: 10.1080/01431160802192160 |
[32] | 毛克彪, 马莹, 夏浪, 等. 用MODIS数据反演近地表空气温度的RM-NN算法[J]. 高技术通讯, 2013, 23(5):462-466. |
[33] | 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. |
[34] | MAO K, QIN Z, XU B, et al. The Influence analysis of water content for the accuracy of practical split-window algorithm[C]. International Geoscience and Remote Sensing Symposium (IGARSS05), 25-29 July 2005. DOI:10.1109/IGARSS.2005.1526538. |
[35] | 毛克彪, 唐华俊, 周清波, 等. 实用劈窗算法的改进及大气水汽含量对精度影响评价[J]. 武汉大学学报(信息科学版), 2008, 33(2): 116-119. |
[36] |
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.
doi: 10.1364/OE.18.009542 |
[37] | 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. |
[38] |
MEI R, MAO K B, SHI J, et al. A novel physics-statistical coupled paradigm for retrieving integrated water vapor content based on artificial intelligence[J]. Remote Sensing, 2023, 15(17):4250. https:// doi.org/ 10.3390/rs15174250.
doi: 10.3390/rs15174250 |
[39] |
CHEN K S, WU T, TSANG L, et al. Emission of rough surfaces calculated by the integral equation method with comparison to three-dimensional moment method simulations[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 44(1):90-101.
doi: 10.1109/TGRS.2005.859340 |
[40] | 毛克彪, 覃志豪. 大气辐射传输模型及MODTRAN中大气透过率计算[J]. 空间与测绘, 2004, 27(2):1-3. |
[1] | 牛博文, 冯权泷, 张毓, 高秉博, SUKHBAATAR Chinzorig, 冯爱萍, 杨建宇. 2022年克鲁伦河流域10米分辨率植被覆盖度月度数据集[J]. 农业大数据学报, 2025, 7(1): 59-68. |
[2] | 刘洪, 窦婧文, 王越, 廖勇, 刘小磊, 李新云, 赵书红, 付玉华. 一种面向功能基因挖掘的动物多组学数据集[J]. 农业大数据学报, 2025, 7(1): 96-106. |
[3] | 王彦青, 陈婷婷, 张思思, 朱军伟, 陈焕新, 肖景发, 宋述慧, 章张, 赵文明, 鲍一明. 生命组学大数据安全管理实践[J]. 农业大数据学报, 2024, 6(3): 325-332. |
[4] | 岳瑞君, 何亮, 汤敏睿, 严威, 刘胜全, 杨婉霞, 孙卫红, 黄永峰. 基于云链融合的农业大数据安全治理模型研究[J]. 农业大数据学报, 2024, 6(3): 333-350. |
[5] | 吴云坤, 杨莹, 李豪, 熊健, 陈湘灵. 智慧农业领域大数据安全问题探索[J]. 农业大数据学报, 2024, 6(3): 380-391. |
[6] | 李佳乐, 张建华, 王健, 周国民. 数据驱动的农业深度学习方法计量分析[J]. 农业大数据学报, 2024, 6(3): 400-411. |
[7] | 张茜, 田乙慧, 林秀美, 邓必贤. 现代农业产业园大数据平台建设初探——以福建省漳平市茶·花产业大数据平台为例[J]. 农业大数据学报, 2024, 6(1): 127-135. |
[8] | 杜家宽, 李雁飞, 孙嗣文, 刘继东, 江腾达. 多源数据融合的泛时空特征水稻深度学习提取[J]. 农业大数据学报, 2024, 6(1): 56-67. |
[9] | 张杰, 黄仲冬, 梁志杰, 李世娟, 刘升平. 智慧灌溉大数据管理平台设计与应用[J]. 农业大数据学报, 2024, 6(1): 82-93. |
[10] | 赵鸿鑫, 邵明月, 潘攀, 王芝奥, 牟强, 贺子康, 张建华. 一种面向深度神经网络模型的棉花常见病害训练数据集[J]. 农业大数据学报, 2023, 5(4): 47-55. |
[11] | 胡天赐, 王文生, 齐景伟, 蒋呈祥, 陈新文, 郑文新, 郭雷风. 新一代信息技术背景下养殖智能装备发展趋势分析[J]. 农业大数据学报, 2023, 5(3): 56-68. |
[12] | 刘严红, 曹克涛, 陈新文, 李金星, 熊涛, 杜雪梅, 白涛, 郑文新, 郭雷风. 马智慧养殖大数据平台设计与实现[J]. 农业大数据学报, 2023, 5(3): 93-103. |
[13] | 徐佳, 康桂玲, 于林松, 赵玉岩, 刘敬兵. 面向土地质量评价的省级农业地质大数据平台构建[J]. 农业大数据学报, 2023, 5(1): 116-125. |
[14] | 管博伦, 董伟, 张立平, 杨前进, 汪焱. 再生稻溯源追踪平台研发[J]. 农业大数据学报, 2023, 5(1): 55-67. |
[15] | 王鑫, 郭雷风. 防返贫监测大数据融合框架的构建与应用[J]. 农业大数据学报, 2022, 4(2): 108-118. |
|