一种物理约束神经网络的表层-根区土壤水分联合反演方法

摘要: 本发明属于遥感土壤水分反演,具体涉及一种物理约束神经网络的表层-根区土壤水分联合反演方法。背景技术:1、土壤水分是陆地表层水循环中的关键状态变量,在降水分配、蒸...
一种物理约束神经网络的表层-根区土壤水分联合反演方法

本发明属于遥感土壤水分反演,具体涉及一种物理约束神经网络的表层-根区土壤水分联合反演方法。

背景技术:

1、土壤水分是陆地表层水循环中的关键状态变量,在降水分配、蒸散发、入渗及径流等水文过程中发挥着核心调控作用。具体而言,表层土壤水分直接控制着区域蒸散发过程,影响着陆面与大气的能量交换;而根区土壤水分则控制着降雨入渗与地表径流的分配,为自然植被与农作物生长提供关键水分供给,同时也是农业干旱监测与作物水分胁迫评估的重要指示因子。准确的表层与根区土壤水分估算对于提升水文建模精度、增强干旱预测能力以及优化农业灌溉策略均具有重要的科学意义与应用价值。

2、然而,获取高精度、高时空分辨率的表层与根区土壤水分数据面临诸多挑战。传统的原位站点监测虽能够提供准确的表层与根区土壤水分观测数据,但其存在站点空间分布不均、维护成本高昂、数据获取困难等固有缺陷,难以满足大范围区域的连续监测需求。卫星遥感技术的发展为大范围土壤水分监测提供了有效手段,例如基于微波遥感的土壤水分与海洋盐度计划(smos)以及土壤水分主被动探测计划(smap)等卫星产品可提供全球尺度的土壤水分时空数据,但此类遥感产品主要局限于对浅表层0-5 cm深度范围的土壤水分进行监测,无法直接获取不同深度的土壤水分信息,难以满足农业干旱监测、水文建模及农业生产管理等对土壤水分信息的应用需求。

3、近年来,机器学习模型凭借其强大的数据处理能力、优异的预测精度以及复杂非线性关系建模能力,为土壤水分估算提供了新的技术途径。常用的机器学习模型包括极端梯度提升数、随机森林、人工神经网络以及长短期记忆网络等。上述机器学习方法主要包含两种实现路径:其一,直接构建表层土壤水分与根区土壤水分之间的映射关系;其二,利用表层与根区土壤水分观测数据,结合环境因子,通过机器学习模型同时拟合自变量与表层或根区土壤水分之间的非线性关系,进而实现土壤水分剖面信息的估算。然而,机器学习模型的本质为"黑箱"模型,其在建模过程中往往忽视土壤水分运移所遵循的物理规律,导致模型对未知数据的解释能力较弱,物理一致性不足。

4、此外,基于土壤水分运移物理机理的物理模型通过模拟土壤水分的垂向分布与运动过程来实现多层土壤水分估算,具有物理过程可描述、模型可解释性强以及外推潜力佳等优势。然而,物理模型存在模型结构不确定性大、关键参数经验估计误差显著、输入数据需求量大以及参数标定、计算资源消耗高等问题。近年来,有学者提出物理引导机器学习或深度学习的新范式,旨在通过物理约束增强机器学习模型的可解释性与外推能力。现有的物理引导机器学习实现框架主要包括:将物理模型输出作为机器学习输入的耦合框架、将物理约束引入机器学习损失函数的软约束框架,以及将物理规律嵌入机器学习模型结构的硬约束框架。上述框架虽然在一定程度上实现了物理规律与数据驱动方法的融合,但通常聚焦仅表层或仅根区的单一层次土壤水分估算,尽管部分研究尝试多深度估算——先估算表层土壤水分再以其为输入估算根区土壤水分,或直接采用黑箱模型同步输出表层与根区土壤水分多个估算结果,但前者存在误差沿“表层-根区”逐级传递与放大问题,后者缺乏物理机制约束、可解释性不足,均未能实现表层与根区土壤水分的联合反演。土壤水分估算的最终目标是获取完整的土壤水分剖面信息,单独估算表层或根区土壤水分均难以满足农业灌溉、干旱监测及水文模拟等实际应用对多深度土壤水分数据的需求。在面对表层与根区土壤水分联合估算任务时,表层土壤水分估算模型与根区土壤水分估算模型在参数和输入数据的形式上存在显著差异,例如,根区土壤水分模型通常需要表层土壤湿度的时间序列作为输入数据,通过递归更新根区土壤水分,其参数具有动态记忆特性。这种输入数据形式与参数属性的本质差异,导致两个模型在联立时存在数据接口不匹配、时间尺度不统一以及参数物理意义不一致等问题,使得表层与根区土壤水分估算难以形成闭环的物理约束与数据传递机制,制约了多深度土壤水分协同反演的精度与可靠性。除此之外,两个模型联立仍存在参数难以准确确定、训练数据有限条件下模型泛化能力不足以及中间物理参数可解释性受限等突出问题。

5、综上所述,现有技术中,单纯的机器学习方法缺乏物理可解释性,而传统的物理模型受限于模型难以联立以及参数标定困难与数据需求高。因此,亟需一种能够将物理模型与机器学习模型融合的表层-根区土壤水分联合反演方法,在保持数据驱动方法高精度的同时,确保模型输出符合土壤水分运移的物理规律,并实现对表层与根区土壤水分的准确、物理一致且可解释的联合估算。

技术实现思路

1、(一)解决的技术问题

2、本发明的目的在于提供一种物理约束神经网络的表层-根区土壤水分联合反演方法,主要致力于解决现有技术中存在的以下技术问题:

3、 (1) 因地面土壤湿度监测站点稀疏、维护成本较高,导致难以实施大范围、多时序的表层与深层土壤湿度监测。

4、(2)现有的卫星遥感数据仅对0-5cm浅表层的土壤湿度变化敏感,尽管可采用机器学习或深度学习模型估算深层的土壤湿度,但本质是黑箱模型,缺乏物理机制引导,不具备物理可解释性。

5、(3)传统用于估算表层或根区的土壤水分物理模型虽然具备物理可解释性,但是参数较多并且难以获取,对输入数据的要求质量较高,土壤水分估算结果的精度较低。

6、(二)技术方案

7、为解决以上问题,本发明提供如下技术流程:

8、1、一种物理约束神经网络的表层-根区土壤水分联合反演方法,其特征在于,包括以下步骤:

9、s1、数据收集与预处理:收集c波段sar卫星遥感数据、光学卫星遥感数据、气象数据、地形数据、土壤属性数据,所有数据进行时空基准统一,并基于此建立特征数据集;收集不同深度的土壤体积含水量站点实测数据集。

10、s2、面向表层-根区土壤水分联合估算的物理-神经网络模型构建:浅表层(0-5cm)土壤水分作为计算表层和根区土壤水分的过度指标,其估算物理模型采用oh模型和水云模型。表层(5-10 cm)和根区(20-50 cm)土壤水分估算物理模型采用指数滤波模型。以oh模型和水云模型输出的浅表层土壤水分为基础,结合时序累计降水和蒸散量,建立神经网络模型,估算浅表层土壤水分时序加权平均值,并以此作为指数滤波模型的输入数据,实现浅表层和根区土壤水分估算模型的联立。

11、s3、面向物理参数估计的神经网络模型构建:步骤s2中所需的物理参数可分为四类,分别为植被参数、地表粗糙度参数、表层土壤水分边界参数和根区土壤水分边界参数。分别构建4个前馈神经网络模块,建立特征数据集和各类参数之间的映射关系。

12、s4、模型训练与验证:基于s1步骤提取的特征数据集和土壤水分实测数据构建样本数据集,并划分为训练样本和验证样本;构建包含表层土壤水分损失项与根区土壤水分损失项的联合损失函数;通过反向传播算法同步更新s2和s3步骤中各神经网络的权重;各网络配置独立优化器与学习率调度策略,训练过程中独立优化;同时对各网络输出的物理参数施加边界约束,使其处于预设物理区间;迭代至联合损失收敛,获得最优参数与各神经网络权重;随后,对模型进行时间泛化能力和空间泛化能力的验证。

13、s5、模型应用:以区域特征数据集为输入数据,利用s4中训练好的模型,预测区域土壤表层水分和根区土壤水分。

14、2、优选的,步骤s1中,所述数据收集与预处理,包括以下步骤:

15、s1.1、c波段sar卫星影像特征提取:收集哨兵1号或其他c波段sar卫星影像数据,并对影像进行地形校正、相干斑滤波及噪声去除等预处理;对vv极化后向散射系数进行分贝化转换,将入射角由角度制转换为弧度制,将影像获取日期转换为年积日(doy),并将该年积日数值转化为与影像空间范围一致的常量栅格数据。预处理后的vv极化后向散射系数、雷达入射角及影像获取时间(doy)作为sar影像特征。

16、s1.2、光学遥感特征提取:选取与sar卫星影像时相相同或相近的光学遥感影像(如哨兵2号、landsat或者modis),对其进行大气校正、几何校正及云/雪/阴影掩膜等预处理;提取红光、绿光、近红外及短波红外波段的地表反射率,并计算植被指数与水体指数特征,包括归一化植被指数、绿光植被指数、土壤调节植被指数、改进归一化水体指数和归一化湿度指数,作为光学遥感影像特征。具体计算公式如下:

17、 (1);

18、 (2);

19、 (3);

20、 (4);

21、 (5);

22、s1.3、气象数据收集与预处理:收集站点实测或者官方发布的气象数据集(如全球陆地高分辨率陆面再分析数据集era5-land等),采用双线性双线性插值法对原始数据进行空间插值和重采样,使其空间分辨率与sar影像保持一致;提取sar影像获取当日的平均气温,提取当日以及前七日的降水量和蒸散量。

23、s1.4、地形与土壤属性特征提取:收集数字高程模型数据集(如srtm dem等)和土壤属性数据集(如openlandmap中的土壤数据库soildb数据集)。通过dem计算坡度及坡向等地形特征;选取不同深度层次的黏粒含量、砂粒含量及土壤容重作为土壤属性特征;对上述地形与土壤属性特征数据进行空间重采样,使其空间分辨率与sar或光学遥感影像保持一致。

24、s1.5、收集sar卫星过境当天的表层(5-10cm)和根区(20-50cm或50-100cm)土壤水分数据。这些数据可以是通过野外土壤水分连续监测站点采集的,也可以是在sar卫星过境前后时段内,通过分层土壤样本采集,并经烘干称重法测量的土壤体积含水量。将监测站点的表层与根区土壤水分实测值作为模型训练的真实标签数据。

25、3、优选的,步骤s2中,所述浅表层土壤水分估算模型采用水云模型与oh模型的耦合模型,所述表层和根区土壤水分估算模型采用指数滤波模型,且所述指数滤波模型的浅表层土壤水分加权平均值输入数据由所述水云模型与oh模型的耦合模型输出结果经变换确定,具体步骤如下:

26、s2.1、浅表层土壤水分估算模型:水云模型用于去除植被对vv后向散射系数的干扰,将sar影像的后向散射系数转换为裸土后向散射系数,具体公式为:

27、  (6);

28、式中,为sar影像vv极化后向散射系数(db),为经过水云模型校正后的裸土后向散射系数,为弧度制的雷达入射角,vwc为植被含水量(单位:kg/m²),参数a和参数b分别为植被散射系数和植被衰减系数。

29、oh模型描述了浅表层土壤体积含水量和地形粗糙度之间的关系,因此水云模型与oh模型耦合可用于表面土壤体积含水量的计算,具体公式为:

30、 (7);

31、 (8);

32、式中,为裸土的vv极化后向散射系数,为地表粗糙度参数,为交叉极化比,为浅表层(0-5cm)土壤体积含水量(单位:m³/m³)。水云模型与oh模型联合,可通过sar后向散射系数、植被参数和地表粗糙度估算表层土壤体积含水量(即土壤水分)。

33、s2.2、表层与根区土壤水分估算模型:指数滤波模型根据浅表层土壤水分的时序信息结合土壤物理属性参数估算更深层次的土壤水分,具体公式为:

34、 (9);

35、 (10);

36、其中,公式(9)为浅表层土壤水分的指数加权平均计算公式,式中t为当前时刻(天),ti为历史时刻(第i天),t为时间特征长度(天),swi(t)为t时刻的土壤水分指数,权重随各历史时刻与t时刻时间差的增大呈指数衰减,ssm(ti)和svwc(t)分别为浅表层土壤体积含水量和超过浅表层的表层或根区土壤体积含水量,公式(10)为土壤水分指数缩放,式中wmin和wmax分别为所求对应深度的土壤永久萎蔫点和土壤田间持水量,统称为土壤水分边界参数。

37、s2.3、物理-神经网络模型联立:公式(9)和(10)需要前ti时刻的浅表层土壤水计算swi(t),为简化计算,本方法将土壤水分指数swi(t)简化为当前时刻的浅表层土壤水与前几日的累积降水和蒸散量的非线性函数,因此公式(10)可表示为:

38、 (11);

39、式中,svwc(t)为表层或根区的土壤体积含水量(单位:m³/m³),分别为水云模型与oh模型输出的浅表层土壤水分以及前几日的累计降水量和蒸散发量,代表对进行非线性变换,以代替公式(9)的时间序列加权平均计算swi(t)的过程。

40、s2.4、参数与输入数据模拟:公式(6)中,与分别由样本数据集中的vv极化后向散射系数与雷达入射角直接给定。参数a、b、ks以及输入数据vwc、wmin、wmax,分别由步骤s1中提取的特征经过神经网络处理获得,由于水云模型与oh模型仅适用于0-5 cm浅表层土壤体积含水量的估算,为避免模型输出与深度超过5 cm的表层实测值直接比对而产生深度不一致误差,超过5cm深度的表层土壤水分的估算过程同样需通过公式(11)换算至实测对应深度;其中,联合反演表层与根区土壤水分的差异体现在wmin与wmax的不同,二者分别取各自深度对应的土壤永久萎蔫点与土壤田间持水量。公式(11)中的对的非线性变换也采用神经网络模型进行代替,实现对的优化。

41、4、优选的,步骤s3中,构建5个前馈神经网络模块,分别对联立公式中的植被参数a、b、vwc、ks、swi(t),以及不同深度的wmin、wmax进行独立预测和优化;各模块依据差异化的特征-参数映射关系配置输入与输出维度。

42、s3.1、前馈神经网络结构设计:各前馈神经网络模块采用统一的基础网络架构,由输入层、三层隐藏层及输出层顺序连接构成;其中,第一层隐藏层设置256个神经元,第二层隐藏层设置128个神经元,第三层隐藏层设置64个神经元,各隐藏层均采用gelu激活函数进行非线性映射;在第一层与第二层隐藏层后分别引入批归一化层与dropout正则化层,丢弃率设置为0.5,以抑制过拟合并加速网络收敛;第三层隐藏层通过全链接线性层输出。

43、s3.2、植被参数或输入数据前馈神经网络:第一个前馈神经网络以植被/水体指数特征组与年积日特征为输入,输出为植被散射系数a、植被衰减系数b及植被含水量vwc。

44、s3.3、地表粗糙度神经网络:第二个前馈神经网络以地形特征组和表面土壤属性特征组为输入,输出为地表粗糙度参数ks。

45、s3.4、土壤水分指数优化神经网络:第三个神经网络以水云模型与oh模型估算输出的0-5 cm表层土壤体积含水量和前七日累计降水量和蒸散量为输入,输出为公式(9)和公式(10)中的swi(t)。

46、s3.5、表层土壤水分边界参数前馈神经网络:第四个前馈神经网络以地形特征组、10cm深度土壤属性特征组及气象特征组为输入,输出为10 cm表层土壤水分边界参数wmin与wmax。

47、s3.6、根区土壤水分边界参数前馈神经网络:第五个前馈神经网络以地形特征组、50 cm深度附近的土壤属性特征组及气象特征组为输入,输出为根区深度土壤水分边界参数wmin与wmax。

48、s3.7、构建损失函数:将各前馈神经网络模块输出的参数和输入数据代入s2所述联立公式,正演计算表层与根区土壤水分预测值;构建包含表层土壤水分损失项与根区土壤水分损失项的联合损失函数,所述表层损失项与根区损失项分别为对应深度土壤水分预测值与实测值之间的均方误差;将所述表层损失项与根区损失项求和,得到总损失函数(15)。

49、 (12);

50、 (13);

51、 (14);

52、式中,和分别为预测的表层土壤水分和实测表层土壤水分,为预测的根区土壤水分和实测根区土壤水分。与分别为表层土壤水分损失函数和根区土壤水分损失函数,为总损失函数。

53、5、优选的,根据权利要求1所述的物理约束神经网络的表层-根区土壤水分联合反演方法,其特征在于,步骤s4中,模型训练具体步骤如下:

54、s4.1、构建样本数据集:将s1.1-s1.4提取的多源特征进行通道维度堆叠,构建多维度特征数据集;基于土壤水分实测点位的空间坐标,提取各点位对应像元位置的多源特征值,构成训练样本集;其中全部特征变量作为模型输入的自变量,各点位对应的表层土壤水分与根区土壤水分实测值作为模型输出的标签数据。

55、s4.2、优化器配置:为各前馈神经网络模块配置独立的参数优化器,并分别设置初始学习率;配置学习率步进衰减策略,使学习率随训练迭代按预设步长与衰减系数自动降低,以稳定收敛过程;各前馈神经网络模块在训练过程中独立执行前向传播与反向传播,计算预测误差后,优化器开展误差反向传播,同步更新五个神经网络权重,完成整体模型训练。各优化器仅更新对应模块的内部权重,模块间互不影响。

56、s4.3、约束参数预测结果范围:对各前馈神经网络模块输出的物理参数分别施加物理边界约束,通过非线性激活函数将植被参数、地表粗糙度参数及土壤水分边界参数映射至预设合理物理区间;对土壤水分边界参数wmin与wmax施加顺序约束,使根区土壤水分上限值始终大于下限值,确保全部物理参数满足物理可解释性与数值稳定性要求。

57、s4.4、结果精度评估:精度评估过程中包括计算不同误差指标,使用实测土壤水分数据对最终结果进行评价,具体误差指标包括,决定系数(r2)、皮尔逊相关系数(r)、均方根误差(rmse)、偏差绝对值(bias)。

58、本发明构建了一种嵌入物理规律的深度学习土壤水分估算架构。该架构以可微分物理约束为核心,将表层土壤水分物理模型与根区土壤水分物理模型进行联立耦合与解析简化,形成统一的土壤水分物理模型;进而通过物理模型可微分化处理,将所述统一的土壤水分物理模型嵌入深度学习框架中。

59、本发明兼具物理模型的高可解释性与深度学习模型的高精度。一方面,通过可微分物理约束模块确保模型输出符合土壤水分运移的物理规律,保留物理过程的可解释性;另一方面,利用前馈神经网络的强大非线性拟合能力,在物理约束框架内实现表层与根区土壤水分的高精度估算。

60、本发明具备跨时间泛化与跨空间泛化能力:采用部分年份的实测数据训练、其余年份独立验证,模型仍保持较高的估算精度;采用部分站点数据训练、未参与训练的其他站点独立验证,模型同样表现稳定。所述可微分物理约束基于土壤水分运移的普适物理规律,使模型不依赖于特定年份的统计特征或特定站点的局地经验关系,有效实现了跨年份、跨区域的可靠土壤水分估算。