可微分辐射传输与伴随法梯度传播的甜菜冠层参数反演法

摘要: 本发明涉及农业遥感、作物表型组学与可微分物理仿真交叉,尤其涉及一种基于可微分三维辐射传输模型、伴随法自动微分及梯度下降优化算法的甜菜冠层生理表型参数直接反演方法...
可微分辐射传输与伴随法梯度传播的甜菜冠层参数反演法

本发明涉及农业遥感、作物表型组学与可微分物理仿真交叉,尤其涉及一种基于可微分三维辐射传输模型、伴随法自动微分及梯度下降优化算法的甜菜冠层生理表型参数直接反演方法。

背景技术:

1、基于遥感数据的植被冠层生理参数反演是定量遥感与作物表型组学的核心研究议题。甜菜作为我国核心糖料作物,其叶绿素含量(cab)、叶面积指数(lai)、冠层叶绿素含量(ccc)等参数的精准获取对精准施肥、灌溉管理与产量预估具有决定性意义。

2、传统植被参数遥感反演方法主要分为以下三类:

3、(1)经验/半经验回归方法,建立植被指数(ndvi、savi、ci_re等)与目标参数之间的统计回归模型。此类方法计算效率高,但缺乏物理机理支撑,模型可迁移性差,在同一传感器、同一品种、同一生育期训练得到的模型,跨区域或跨年份应用时精度急剧下降。

4、(2)物理模型查找表(lut)范式反演方法,利用辐射传输模型prosail正演生成大规模参数-反射率查找表,通过最邻近搜索或高斯过程回归等匹配观测光谱与模拟光谱,实现参数反演。该方法是当前的主流物理反演范式,但仍存在以下根本性缺陷:其一,计算成本高昂:lut通常需要数万至数十万组参数组合的正演模拟,计算量大,提高采样密度虽可降低量化误差,但会进一步增加计算负担;其二,反演精度受限于lut分辨率:离散lut无法覆盖连续参数空间中的最优解,反演结果本质上是“最近邻”的近似,存在固有的量化误差;其三,难以处理高维参数空间,随着待反演参数维度的增加(叶片参数+冠层参数+土壤参数),lut规模呈指数增长(维度灾难),在实际应用中难以兼顾精度与效率;其四,无法利用梯度信息进行精细优化,lut方法本质上是离散的“匹配-搜索”策略,无法利用目标函数(观测与模拟反射率之差)相对于输入参数的梯度信息进行连续的、精细的参数调整。

5、(3)混合方法(物理模拟+机器学习)。利用辐射传输模型生成训练数据,训练神经网络实现从反射率到参数的映射。此类方法虽在计算效率上优于lut,但本质上是“数据驱动”的代理模型——神经网络仅学习了从光谱到参数的统计映射,并未真正“理解”辐射传输的物理过程。反演结果可能违反物理约束(如叶绿素含量为负值),且缺乏对反演结果物理一致性的保障机制。

6、综上所述,现有方法的核心瓶颈在于:辐射传输模型的正演计算与反演优化在传统框架下是“解耦”的,正演用于生成数据,反演另寻他法。理想的反演框架应当是将辐射传输模型本身嵌入优化循环,使模型不仅能够正演模拟光谱,还能反向传播梯度,指导参数空间的连续搜索。

7、近年来,可微分编程(differentiable programming)与自动微分(automaticdifferentiation, ad)技术的突破为这一理想框架提供了技术基础。可微分辐射传输模型(differentiable radiative transfer model, drtm)在保持三维辐射传输物理精度的同时,能够自动计算模拟反射率相对于任意输入参数的解析梯度。这意味着一场从“离散lut匹配”到“连续梯度下降优化”的范式跃迁,反演问题从“在离散网格中查找最近邻”转变为“在连续参数空间中沿梯度方向寻找最优解”。

8、然而,目前可微分辐射传输模型主要应用于森林与城市景观的遥感研究,在甜菜等大田行播作物的生理表型参数反演中尚未见报道。甜菜冠层具有独特的行播结构、丛叶繁茂期冠层封闭、叶片硕大平展等特征,对辐射传输模型的场景构建与可微分反演流程提出了特殊要求。

9、因此,亟需一种基于可微分辐射传输模型与伴随法梯度传播的甜菜冠层生理表型参数反演方法,突破传统lut方法的离散采样局限与计算瓶颈,实现甜菜全生育期生理参数的连续空间搜索、单次前向-反向传播完成反演、物理约束天然满足的高精度、高效率反演。

技术实现思路

1、本发明意在提供一种可微分辐射传输与伴随法梯度传播的甜菜冠层参数反演法,以解决现有技术中因采用离散lut匹配范式所导致的以下问题:反演精度受限于lut分辨率而存在量化误差、高维参数空间下计算量指数增长、以及物理模型的正演计算与反演优化相互“解耦”而无法利用梯度信息进行精细优化。

2、为了实现上述目的,本发明提供如下技术方案:

3、可微分辐射传输与伴随法梯度传播的甜菜冠层参数反演法,包括以下步骤:

4、s1、在同一个生育期窗口内,获取甜菜种植区的多光谱遥感影像,提取观测冠层反射率robs,同时获取甜菜种植区的田间结构参数以及冠层生理参数初始值;

5、s2、基于田间结构参数及冠层生理参数初始值,构建甜菜冠层的三维辐射传输场景,并将三维辐射传输场景中的全部可调参数组织为参数向量θ;可调参数包括待反演的冠层生理参数及待反演的冠层结构参数;将参数向量中的全部参数声明为可微分张量,使三维辐射传输场景成为一个可端到端求导的物理计算图;

6、s3、基于三维辐射传输场景,采用路径追踪算法进行辐射传输的正演模拟,生成模拟冠层反射率rsim (θ),同时采用伴随法进行反向自动微分,一次性计算模拟冠层反射率相对于全部可调参数的解析梯度;

7、s4、基于观测冠层反射率robs与模拟冠层反射率rsim (θ)构建损失函数,

8、

9、其中rprior (θ)为先验正则化项(约束参数在生理合理范围内),λ为正则化权重,利用解析梯度执行梯度下降迭代优化,在连续参数空间中同步更新待反演的冠层生理参数及待反演的冠层结构参数,直至损失函数收敛,将收敛时的参数值作为反演结果输出。

10、进一步地,多光谱遥感影像通过无人机载多光谱传感器获取,观测冠层反射率数据至少包括蓝、绿、红、红边及近红外五个波段的反射率值;田间结构参数包括甜菜种植的行距、株距、株高、冠层半径、叶面积指数初始值及叶倾角分布参数;冠层生理参数包括叶片叶绿素含量、等效水厚度、干物质含量及叶片结构参数。

11、进一步地,步骤s2中构建的三维辐射传输场景包括:

12、行播结构:基于田间结构参数,生成规则排列的甜菜植株个体,每个植株的冠层采用椭球体或圆锥体包络;

13、叶片光学属性:基于冠层生理参数初始值,通过prospect叶片光学模型计算叶片的反射率与透射率;

14、土壤背景属性:基于实测土壤光谱或hapke模型设置土壤背景的反射率属性。

15、进一步地,在步骤s4中,还执行约束步骤:将更新后的可调参数分别与多重约束比较,超出多重约束范围的,则将可调参数强制约束至多重约束范围内。

16、进一步地,多重约束包括参数边界约束、参数间物理关系约束与时序一致性约束;

17、参数边界约束为:将更新后的可调参数与预设合理范围比较,将更新后的可调参数约束至预设合理范围内;

18、参数间物理关系约束为:基于prosail模型揭示的参数间耦合关系构建,用于约束各可调参数之间的关系;

19、时序一致性约束为:对相邻时序的多期遥感影像进行反演时,施加时序平滑约束,限制相邻期可调参数之间的变化幅度。

20、进一步地,还包括获取甜菜种植区的三维点云数据,从三维点云数据中提取实测结构参数,实测结构参数包括株高、冠层体积、投影面积及紧凑度中的至少一种;将实测结构参数作为额外约束引入损失函数,构建光谱-结构联合损失函数,

21、

22、其中γ为结构约束的权重系数,sobs为实测结构参数,ssim (θ)为三维辐射传输场景中对应的模拟结构参数。

23、进一步地,步骤s4之后还包括不确定性量化步骤:在损失函数收敛的最优解处θ*,利用自动微分框架计算损失函数相对于各参数的hessian矩阵,基于hessian矩阵的逆矩阵计算各参数的边际方差,并根据边际方差生成各参数的95%置信区间,

24、

25、进一步地,基于反演结果及置信区间生成甜菜种植区的氮素营养概率诊断图、变量施肥处方图和反演可靠指示图。

26、进一步地,将步骤s1至s4的反演流程应用于甜菜全生育期多个时序的多光谱遥感影像,对每期影像的每个像元分别执行反演,输出各期各像元的冠层生理参数估计值及其置信区间,生成全生育期各生理参数的空间分布图及时序动态曲线;当某像元的时序动态曲线偏离正常物候轨迹超过预设阈值时,自动标记为潜在胁迫区域。

27、技术方案的原理及有益效果是:

28、1、通过构建甜菜冠层的可微分三维辐射传输场景,将全部可调参数声明为可微分张量,使辐射传输过程成为一个可端到端求导的物理计算图,在此基础上,采用路径追踪算法进行正演模拟,生成与真实观测对应的模拟反射率;同时利用伴随法进行反向自动微分,通过一次反向传播即可一次性获得所有参数对模拟反射率的解析梯度,提高效率;

29、2、将反演问题构建为连续参数空间中的梯度下降优化问题,参数可在生理约束范围内取任意实数值,从根本上消除了传统lut方法的离散采样量化误差;通过嵌入参数边界硬约束、参数间物理关系软约束及时序一致性约束,确保反演结果始终符合生理学与物理学常识;

30、3、通过可微分三维辐射传输模型构建、伴随法梯度计算、连续参数空间梯度下降优化、光谱-结构联合约束、拉普拉斯不确定性量化等一系列原创技术,首次实现了甜菜冠层生理表型参数反演从“离散lut匹配”到“连续梯度优化”的范式跃迁,适用于甜菜全生育期基于无人机多光谱影像的叶绿素含量、叶面积指数、冠层叶绿素含量等参数的高精度、高效率反演,为甜菜精准施肥、灌溉管理与长势评估提供了具有物理可解释、连续可优化、不确定性可度量特征的技术支撑。