一种物理机理与数据双驱动下的河口咸潮反演方法与流程

本技术涉及遥感与水环境监测交叉，特别涉及一种物理机理与数据双驱动下的河口咸潮反演方法。

背景技术：

1、高光谱遥感图像（hyperspectral image）由于包含数百个连续的窄波段，能够捕捉水体组分细微的光谱吸收与散射特征差异，在内陆及河口水质参数（如电导率、总磷、浊度等）反演中具有不可替代的优势。特别是在大型河口（如长江口）区域，咸潮入侵（即高盐度、高电导率水体向内河倒灌）现象频发，对区域生态系统和城市供水安全构成巨大威胁，亟需高精度、大尺度的主动监测手段。然而，针对咸潮等复杂水环境的高光谱反演，现有技术仍存在以下显著痛点和技术瓶颈：

2、1.长序列建模效率低下且全局上下文缺失：

3、现有的深度学习架构在处理高维光谱序列时存在固有的局限性。卷积神经网络（cnn）感受野有限，难以捕获跨波段的全局相关性；而基于 transformer的架构虽然具备全局感受野，但其自注意力机制的计算复杂度呈序列长度的平方级增长，在高频次的大尺度遥感监测中面临极大的算力瓶颈。

4、2.纯数据驱动模型缺乏物理可解释性与泛化能力：

5、目前大多数水质反演网络为纯粹的“黑盒”模型，完全依赖数据驱动。在河口区域面临强烈的空间异质性与高维噪声干扰时，黑盒模型极易过拟合。由于缺乏对水体光学机理（如吸收、散射以及电解质浓度对折射率的轻微增强效应）的显式建模，模型在面对小样本限制时，常常输出违背水动力学常识的结果（例如预测出上游河道的电导率反而高于下游河口）。

6、3.固定光谱指数难以适应空间异质性：

7、传统遥感水质监测高度依赖人工设计的固定波段光谱指数（如ndwi、ndsi等）。然而，河口水体成分极其复杂，固定波段的特征组合无法根据特定传感器特性和不同潮汐时段的环境动态进行自适应调整，难以捕获复杂水体的非线性光学响应。

技术实现思路

1、基于此，本技术实施例提供了一种物理机理与数据双驱动下的河口咸潮反演方法，旨在通过构建高效的双向状态空间模型进行全局光谱特征表示，并首创性地引入物理引导的光谱分解（pgsd）与潮汐感知空间编码机制，在保持极低计算开销的同时，实现符合水动力学物理规律的高精度、可解释的水质与电导率反演。

2、本技术提供了一种物理机理与数据双驱动下的河口咸潮反演方法，该方法包括：

3、步骤s1、获取目标水域的遥感高光谱序列数据矩阵以及对应的水面空间标准化坐标数据矩阵；

4、步骤s2、将所述遥感高光谱序列数据矩阵输入至联合光谱编码器中，通过自适应波段门控机制提取加权光谱特征，并并行执行双向状态空间模型序列扫描与多尺度光谱卷积金字塔特征提取，解耦输出针对水体的吸收特征与散射特征；

5、步骤s3、将所述遥感高光谱序列数据矩阵输入至物理引导的光谱分解模块中，基于预设的包含盐度响应基底在内的物理字典，预测分解系数并提取物理先验特征；

6、步骤s4、将所述水面空间标准化坐标数据矩阵输入至潮汐感知空间编码器中，通过计算坐标点至动态盐锋参考点的沿流相对距离，提取多尺度径向基函数梯度衰减特征；

7、步骤s5、将所述吸收特征、所述散射特征与所述物理先验特征拼接构成的光谱模态特征与所述梯度衰减特征共同输入至非对称跨模态注意力模块，通过空间特征引导光谱通道注意力，得到时空-光谱融合特征；

8、步骤s6、将所述时空-光谱融合特征输入至不确定性预测头，输出目标水质参数的反演预测均值以及对应的认知不确定性对数方差，并采用包含高斯似然损失、咸潮单调性约束损失以及盐度秩序约束损失在内的复合损失函数进行模型寻优。

9、可选地，所述步骤s2中通过自适应波段门控机制提取加权光谱特征的特征提取计算过程具体包括：

10、；

11、；

12、其中，为自适应波段门控机制的映射权重矩阵，与为可学习的线性映射权重矩阵，和为激活函数，为哈达玛乘积操作，以此抑制大气窗口外的噪声波段并输出加权光谱特征；

13、双向状态空间模型序列扫描，包括正向扫描路径与反向扫描路径，计算公式具体包括：

14、正向扫描特征输出；

15、反向扫描特征输出；

16、双向全局特征融合；

17、其中，表示采用连续状态空间方程经离散化后执行的序列建模操作，表示沿波段序列维度的翻转操作，表示在通道维度的拼接操作，表示层归一化操作，表示可学习的通道特征合并权重矩阵。

18、可选地，所述步骤s2中的多尺度光谱卷积金字塔，利用三路具有不同感受野的一维卷积捕获光谱形态学特征，计算过程具体包括：

19、

20、其中，表示卷积核大小为的一维卷积操作，用于分别捕获光谱的急剧跃变、中宽吸收峰以及宽包络特征；用于将多尺度输出压缩至统一维度。

21、可选地，所述步骤s2中还包括可学习水质光谱指数的计算，通过定义两组软波段选择器权重和，通过公式：

22、

23、归一化差值特征；

24、动态比值特征；

25、其中，、为通过自适应软波段选择器加权聚合得到的水质特征光谱指数，为极小常数，为预设的钳制阈值。

26、可选地，所述步骤s3中的物理引导的光谱分解模块，其物理重建与特征提取计算过程具体包括：

27、

28、

29、其中，为物理重建的高光谱序列数据矩阵，为物理引导光谱分解模块的输出映射权重矩阵，、分别为预设的吸收基底与散射基底；为建模电解质光学效应的盐度响应基底；、、为对应的非负分解系数矩阵。

30、可选地，所述步骤s4中的潮汐感知空间编码器，其沿流相对距离与径向基衰减特征的计算过程具体包括：

31、

32、

33、其中，为可学习的流向角参量，为可学习的动态盐锋参考经度参量，与为标准化后的空间坐标；为在对数空间中学习的尺度参数，用于建模盐度沿河道向上游呈多尺度指数级衰减的物理特性。

34、可选地，所述步骤s5中的非对称跨模态注意力模块，以空间模态特征选择性激活光谱模态特征，其注意力权重与融合特征的计算过程具体包括：

35、

36、

37、其中，为光谱模态特征，均为映射权重矩阵，为注意力隐藏层维度。

38、可选地，所述步骤s6中的不确定性预测头，其输出计算过程具体包括：

39、

40、

41、其中，为共享特征提取层权重，和分别为均值头与方差头的权重矩阵。

42、可选地，所述步骤s6中的复合损失函数包含基于高斯负对数似然的任务似然损失，其计算过程具体包括：

43、

44、其中，为参与计算的样本数量，为目标水质参数的真实观测值；

45、所述复合损失函数还包含咸潮单调性约束损失，用于惩罚上游预测电导率高于下游的异常现象，其计算过程具体包括：

46、

47、其中，为在批量内随机采样的空间点对的总数量，为指示函数，当条件成立时取，否则取。

48、可选地，复合损失函数还包含盐度秩序约束损失，用于约束提取的盐度响应系数与真实电导率标签的大小秩次呈正相关，其计算过程具体包括：

49、

50、其中，为采样的点对数量，为符号函数。

51、本技术实施例提供的技术方案带来的有益效果至少包括：

52、（1）突破长序列建模瓶颈：本技术构建双向mamba扫描机制，在保持线性计算复杂度的同时解决了单向上下文丢失问题，实现大尺度光谱影像的高效全局推理。

53、（2）物理引导光谱分解：引入独特的“盐度响应基底”精准建模咸潮光学效应，打破纯数据驱动的黑盒局限，大幅提升特征的物理可解释性与模型泛化能力。

54、（3）完美契合水动力学规律：结合潮汐感知空间编码与物理复合损失函数进行纠偏，强制模型遵循咸潮空间衰减常识，保障小样本条件下的工业级鲁棒性。

55、（4）提供量化的不确定性评估：通过高斯似然建模同步输出预测均值与不确定性方差空间分布图，为业务部门评估遥感数据的可靠性提供直接的量化决策依据。