一种光谱-辐射传输算法与多任务深度学习算法耦合的长势健康评估方法及系统与流程
本发明属于农业遥感与智能监测,具体涉及一种光谱-辐射传输算法与多任务深度学习算法耦合的长势健康评估方法及系统。
背景技术:
1、作物长势健康监测是精准农业管理的核心环节,对于保障粮食安全、优化田间管理和提升农业产出效益具有重要意义。传统的作物长势监测方法主要依赖人工田间调查,存在时效性差、空间覆盖有限、主观性强等问题,难以满足大面积、高频次、精细化的农业管理需求。
2、近年来,遥感技术的快速发展为作物长势监测提供了新的技术手段。多光谱遥感数据因其获取便捷、时空分辨率高、覆盖范围广等优势,被广泛应用于农业监测领域。然而,现有基于遥感技术的作物长势评估方法仍存在以下不足:
3、第一,传统遥感植被指数方法(如ndvi、evi等)仅利用有限波段的简单代数组合,未能充分挖掘多光谱数据中蕴含的丰富光谱信息,对作物生理生化参数的反演精度有限,尤其在作物生长中后期容易出现信号饱和问题。
4、第二,现有的辐射传输模型(如prosail模型)虽然能够建立植被冠层结构与冠层反射率之间的物理关系,但模型参数的反演存在病态逆问题,即不同的参数组合可能产生相似的光谱响应,导致反演结果的不确定性较大。同时,单一辐射传输模型难以充分考虑土壤背景、大气效应等因素的光谱混合影响。
5、第三,现有作物长势评估方法大多仅关注单一时相的遥感信息,缺乏对作物全生育期时序动态特征的建模能力,难以捕捉作物生长过程中的关键转折信息和累积效应,导致评估结果的稳定性和可靠性不足。
6、第四,深度学习技术在农业遥感领域的应用尚处于起步阶段,现有方法多采用单一任务学习模式,未能充分利用作物多个生理生化参数之间的内在关联性和协同信息,且面临训练样本不足、模型泛化能力有限等挑战。
7、因此,亟需一种能够融合物理模型与数据驱动方法、实现多参数协同反演、具备长时序动态评估能力的作物长势健康智能化评估方法。
技术实现思路
1、本发明要解决的问题是为作物健康评估与长势监测提供高质量数据支撑,提出一种光谱-辐射传输算法与多任务深度学习算法耦合的长势健康评估方法及系统。
2、为实现上述目的,本发明通过以下技术方案实现:
3、一种光谱-辐射传输算法与多任务深度学习算法耦合的长势健康评估方法,包括如下步骤:
4、s1. 多源数据获取与预处理:获取目标区域多光谱遥感影像数据,同步获取气象观测数据和作物遗传特性信息;获取地表反射率数据;对多光谱遥感影像数据进行大气校正、几何校正和辐射定标预处理;
5、s2. 光谱混合分析与辐射传输模型耦合:对步骤s1获取的地表反射率进行端元分解、正向仿真,生成多光谱反射率仿真信息,包括各个端元丰度、叶面积指数lai、叶片叶绿素含量lcc和地上生物量agb的初始估计值;
6、s3. 将步骤s2得到的多光谱反射率仿真信息作为准真值,结合气象观测数据和作物遗传特性信息,利用作物生长模型对叶面积指数lai、叶片叶绿素含量lcc和地上生物量agb进行全生育期连续模拟,生成多参数时序特征数据集;
7、s4. 构建多任务深度学习网络与训练:构建基于光谱注意力机制的多任务深度学习网络,包括输入层、共享特征提取模块、光谱注意力模块和3个任务特定层和末端层,利用步骤s3生成的多参数时序特征数据集进行模型训练,得到训练好的多任务深度学习网络;
8、s5. 小样本迁移学习优化:对步骤s4训练好的多任务深度学习网络采用源域预训练—域适应微调—目标域精调三阶段迁移策略,将源域学习到的物理知识和光谱-参数映射关系迁移至目标域,通过最小化源域和目标域特征分布的最大均值差异提升模型泛化能力,得到优化后的多任务深度学习网络;
9、s6. 长时序长势健康评估模型构建:基于步骤s5优化后的多任务深度学习网络,结合滑动时间窗口策略,通过门控循环单元捕捉窗口间的时序依赖关系,构建长时序长势健康评估模型;
10、s7. 长势健康定量化评估与等级划分:利用步骤s6构建的长时序长势健康评估模型,输出lai、lcc和agb的预测值,通过综合健康指数模型融合三个关键参数的预测信息,建立五级等级划分标准,实现作物长势健康的定量化评估。
11、进一步的,步骤s2的具体实现方法包括如下步骤:
12、s2.1. 线性光谱混合分析端元分解:将像元反射率分解为植被端元、土壤端元、阴影端元和不透水面端元的线性组合,具体公式为:
13、
14、其中,为观测像元光谱向量,为端元光谱矩阵,为端元丰度向量,为拟合误差;
15、设置全程满足非负丰度约束,总和为一约束,上界约束;然后将端元丰度求解封装为lbnet网络中的一个bregman迭代单元,构建采用lbnet网络求解各端元丰度和lai、lcc、agb植被生物参数;
16、s2.2. prosail辐射传输模型物理仿真:通过prospect叶片光学模型计算单片叶片的反射率和透射率,再通过sail冠层辐射传输模型计算纯植被冠层反射光谱;
17、s2.3. 耦合反射率模型构建:将步骤s2.1中光谱混合分析得到的植被丰度和土壤反射率信息与步骤s2.2中纯植被冠层反射光谱进行加权融合,构建像元尺度耦合反射率模型:
18、
19、其中,表示波长处的植被生物参数像元尺度耦合模型模拟反射率,表示植被端元丰度,表示土壤端元丰度,表示阴影端元丰度,表示波长处的植被生物参数纯植被冠层反射率,表示波长,表示植被生物参数集合,表示波长λ处的土壤反射率,表示波长λ处的阴影反射率,表示波长λ处的模型残差项;
20、s2.4. lbnet迭代反演:将步骤s2.3的耦合反射率模型的模拟反射率与实际地表反射率进行迭代优化匹配,每层迭代包括正向仿真计算残差、计算代价函数、无约束参数更新、约束投影与对偶变量更新和收敛判断;收敛后同步输出各端元丰度和lai、lcc、agb植被生物参数的初始估计值。
21、进一步的,步骤s3的具体实现方法包括如下步骤:
22、s3.1. 采用logistic生长模型模拟lai时间动态;
23、s3.2. 采用分段函数模型模拟lcc时间动态;
24、s3.3. 采用光能利用率模型模拟agb累积;
25、s3.4. 计算累积有效积温,然后生成包括叶面积指数时间序列、叶片叶绿素含量时间序、地上生物量时间序列、累积有效积温时间序列的多参数时序特征数据集。
26、进一步的,步骤s4中的共享特征提取模块依次包括:第一层二维卷积-批量归一化-激活将输入从维映射至64维,第二层卷积-批量归一化-激活-最大池化模块保持64维进行局部特征提取,第三层残差块将特征从64维扩展至128维进行深层特征提取,第四层transformer编码器进行2层自注意力时序建模将特征从128维扩展至256维,第五层全局平均池化输出256维共享特征向量;
27、所述transformer编码器包括依次连接的正弦余弦位置编码、多头自注意力机制、gelu激活的前馈网络和层归一化。
28、进一步的,步骤s4中的光谱注意力模块采用通道注意力结构,对多光谱输入特征在不同波段维度上进行自适应权重分配;计算过程如下:
29、首先对输入光谱特征张量进行全局平均池化,计算公式如下:
30、
31、
32、其中,表示全局平均池化输出的波段统计描述子向量,表示第个光谱波段的全局平均值,表示第个空间位置处第个光谱波段的特征值,表示特征图的空间维度乘积,表示光谱波段数,表示全局平均池化,表示实数矩阵;
33、通道注意力权重计算公式如下:
34、
35、其中,表示降维全连接层权重矩阵,表示降维全连接层的偏置向量,表示升维全连接层权重矩阵,表示升维全连接层的偏置向量,表示修正线性单元激活函数,表示sigmoid激活函数,表示光谱波段注意力权重向量;
36、逐元素特征加权计算公式:
37、
38、其中,表示第个光谱波段的注意力权重,表示加权后的第波段特征图。
39、进一步的,步骤s5中的源域预训练—域适应微调—目标域精调三阶段迁移策略包括如下阶段:
40、第一阶段:源域预训练:在源域数据充足的条件下,全部网络参数参与训练,提取共享特征提取层的参数作为知识先验;
41、第二阶段:域适应微调:冻结共享特征提取层的固定比例参数,仅微调任务特定层和光谱注意力模块的参数,损失函数加入领域自适应任务损失,其中表示任务损失,表示mmd领域自适应损失,表示mmd损失权重系数;
42、第三阶段:目标域精调:利用目标域标注样本,冻结早期层,仅微调末端层;采用分层学习率衰减策略,其中为网络总层数,为当前层序号,为层间学习率衰减系数,为基础学习率。
43、进一步的,步骤s6中滑动时间窗口定义如下:
44、
45、
46、其中,表示第个滑动窗口内的时序特征矩阵,表示窗口长度,表示滑动步长,表示第期的输入特征向量,表示时序数据总期数,表示总窗口数量;
47、构建的长时序长势健康评估模型的表达式为:
48、
49、其中,表示多任务深度学习模型对窗口的预测输出,表示在最后一个时间步的隐藏状态输出,hi表示最终输出的综合健康指数,为窗口长度的隐藏状态输出向量。为全连接层,为随机丢弃层,表示修正线性单元激活函数,gru为门控循环单元。
50、进一步的,步骤s7中综合健康指数模型的表达式为:
51、
52、其中,表示lai的权重系数,表示lcc的权重系数,表示agb的权重系数,表示模型预测的叶面积指数值,表示对应作物当前生育期的叶面积指数最优参考值,表示模型预测的叶片叶绿素含量值,表示对应生育期的叶片叶绿素含量最优参考值,表示模型预测的地上生物量值,表示对应生育期的地上生物量最优参考值,++=1,;
53、基于综合健康指数hi将作物长势健康状态划分为五个等级:优、良、中、弱和差,阈值确定依据为产量损失率对应关系、历史数据累积分布函数分位数和专家知识。
54、一种光谱-辐射传输算法与多任务深度学习算法耦合的长势健康评估方法的评估系统,包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序,所述计算机程序运行时实现所述的一种光谱-辐射传输算法与多任务深度学习算法耦合的长势健康评估方法的步骤。
55、本发明的有益效果:
56、本发明所述的一种光谱-辐射传输算法与多任务深度学习算法耦合的长势健康评估方法,第一,创新性地提出了光谱混合分析与辐射传输模型的耦合方法,构建了“端元分解—辐射传输”耦合反射率模型,通过先进行端元分解提取植被纯组分光谱,再利用prosail模型进行正向仿真,有效解决了传统辐射传输模型中土壤背景混合影响导致的参数反演不确定性问题。该耦合物理机制为智能数据扩增提供了可靠的理论基础,能够生成物理一致性强、质量可靠的多光谱仿真数据和关键参数初始估计值。
57、第二,本发明基于物理机制耦合模型的高精度反演结果,实现了对叶面积指数lai、叶片叶绿素含量lcc和地上生物量agb三个关键参数的全生育期连续模拟,生成大规模、高时空分辨率的多参数时序特征数据集。该智能扩增策略有效突破了实地样本稀缺、标注成本高的核心制约,为深度学习模型的训练提供了充足且高质量的“准真值”样本,从根本上解决了传统方法中训练数据不足导致的模型性能瓶颈。
58、第三,本发明构建了基于光谱注意力机制的多任务深度学习网络,通过通道注意力机制自适应地学习各光谱波段对不同生理生化参数预测的贡献度,实现了多参数的协同反演。多任务学习架构充分利用了lai、lcc、agb参数间的内在物理关联性,通过共享特征表示实现信息互补,相比单任务模型显著提升了各参数的预测精度。
59、第四,本发明引入“预训练—微调—领域自适应”三阶段小样本迁移学习策略,通过最小化源域和目标域特征分布的mmd距离,有效解决了不同区域和不同作物类型标注样本不足的问题。该策略使模型具备极强的跨域泛化能力,仅需极少量目标域样本即可实现高精度的参数预测,大幅降低了实地调查和数据标注成本。
60、第五,本发明基于滑动时间窗口和循环神经网络构建了长时序长势健康评估模型,能够捕捉作物生长过程中的时序动态特征和关键转折信息,实现了对作物长势健康的连续动态监测与评估,克服了传统单时相评估方法的局限性。
61、第六,本发明实现了作物长势健康的智能化、定量化评估,综合评估精度优于85%,为精准农业管理提供了可靠的技术支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com