一种基于混合模型的作物叶片氮含量遥感反演方法

1.本发明涉及一种氮含量遥感反演方法，尤其涉及一种基于混合模型的作物叶片氮含量遥感反演方法。


背景技术：

2.氮素是作物生长、发育所必须的重要营养元素。及时、准确估测叶片氮含量对开展作物精准氮肥管理具有重要意义。已有叶片氮含量反演方法包括经验模型法和机理模型法两种。经验模型法基于作物冠层光谱反射率与氮素之间的统计关系，建立定理回归模型，并基于模型实现对目标区域作物氮素的反演。这种方法具有容易理解，便于操作的优势，但也具有缺乏机理性解释、需要大量训练样本的缺陷。机理模型以作物生理、生化参数为输入，描述了光在植被冠层的辐射传输过程。它的反向过程可实现作物氮素的反演。这种方法的优点是具有机理性解释，但现有的机理模型是对现实世界的简化，还难以实现对辐射传输过程的精准模拟，从而使叶片氮含量的反演产生误差。以上两种方法的优势具有互补性，但目前尚未有相关研究如何将两者结合一起建立混合模型来估测叶片氮含量。
3.目前，已有基于混合模型来估测叶绿素的研究，但均存在弊端；例如，基于多光谱无人机影像，利用prosail机理模型模拟水稻冠层反射率数据，训练反演叶绿素含量的贝叶斯网络(bayesian network,bn)模型，实行水稻冠层叶绿素含量的反演；再如，使用基于prosail生成的小麦冠层光谱反射数据对反演叶绿素的深度神经网络模型进行训练，再使用少量田间实测小麦样本对训练模型参数进行微调，实现小麦叶片叶绿素含量的反演。这些研究为基于混合模型开展氮素反演提供了可借鉴思路。但已有的建模思路存在问题，受限于机理模型模拟数据与实测数据的差异，这种直接将模拟数据作为实测数据一部分，基于单任务学习来训练网络模型的方法在实际应用过程中会出现较大误差。
4.综上可知，针对现有技术的缺陷，为提高叶片氮含量估测精度，亟需提供一种新的基于混合模型的叶片氮含量估测方法，以解决如下技术问题：1)反演叶片氮含量的经验模型法缺少机理性解释且需要大量样本训练；2)已有机理模型是对现实世界的简化，难以实现辐射传输过程精准模拟，因此已有反演叶片氮含量的机理模型法难以支撑叶片氮含量精准反演；3)目前没有基于混合模型反演叶片氮含量的方法，但已有耦合深度学习方法与辐射传输机理模型的混合模型来实现叶绿素反演的研究；这些方法虽可为叶片氮含量混合模型构建提供参考，但采用单任务学习算法，直接将模型模拟数据作为真实数据的一部分来训练网络，存在较大误差。


技术实现要素：

5.为了解决上述技术所存在的不足之处，本发明提供了一种基于混合模型的叶片氮含量估测方法。
6.为了解决以上技术问题，本发明采用的技术方案是：一种基于混合模型的作物叶片氮含量遥感反演方法，包括以下步骤：
7.步骤一、训练数据获取：包括模拟数据和实测数据的获取；
8.步骤二、多任务学习网络模型训练：将模拟数据与实测数据输入所构建的多任务学习网络进行模型训练；
9.多任务学习网络包括三个模块：共享层、子任务层和多任务优化层；所述共享层用于模拟数据与实测数据共有特征的学习，子任务层用于模拟数据与实测数据各自独有特征的学习，多任务优化层综合两个子任务的误差值对模型参数进行迭代优化训练，直至获得训练好的最优模型，以该最优模型作为叶片氮含量的预测模型；
10.步骤三、叶片氮含量预测：基于训练好的预测模型，以目标区遥感数据为输入，对目标区叶片氮含量进行预测。
11.进一步地，步骤一中，由n-prosail模型生成模拟数据；实测数据是在田间测量时所获得的真实数据。
12.进一步地，步骤二中，共享层通过同时将模拟数据与实测数据输入到深度神经网络中进行训练，获得同时适用于两个模型的通用特征提取模型。
13.进一步地，共享层由六层全连接神经网络构成，节点数分别为20、20、20、10、10、10，每层网络间的激活函数选择relu函数。
14.进一步地，所述子任务层通过分别将由共享层所提取的特征输入到各自独立的子任务深度神经网络中进行训练，使网络在学习两个任务共有特征的同时，还能关注每个任务的独有特征。
15.进一步地，子任务层包含两个子任务深度神经网络，两个子任务深度神经网络结构一致，均由三层全连接神经网络构成，节点数分别为10，10,10；
16.其中，网络第一层选择relu函数作为激活函数，最后两层选择tanh函数作为激活函数。
17.进一步地，多任务优化层采用动态权重加权平均的方法来耦合基于模拟数据和实测数据时的误差，以总体均方误差mse
all
(t)最小为目标函数，进行模型迭代训练。
18.进一步地，动态权重加权平均方法的计算过程如公式(1)-(4)所示：
19.mse
all
(t)＝αk(t)
×
msek(t)
ꢀꢀ
公式(1)
[0020][0021][0022][0023]
式中，mse
all
(t)代表叶片氮含量在t次训练时的总体均方误差；msek(t)代表k任务在t次训练的均方误差；ak(t)代表k任务在t次训练均方误差的标准化权重；wk(t)代表k任务在t次训练均方误差的权重；n代表总任务个数；rk(t-1)代表k任务在t-1次训练的训练速度；t为常数；msek(t-1)和msek(t-2)分别代表k任务在t-1和t-2次训练中的均方误差
[0024]
本发明公开了一种基于混合模型的叶片氮含量估测方法，通过耦合深度多任务学习网络模型和n-prosail辐射传输机理模型，实现基于混合模型的叶片氮含量精准预估。本发明通过构建具有部分共用网络结构的两个任务(基于模拟数据训练的辅助任务和基于实测数据训练的主任务)，在对两个任务进行训练的同时，提取模拟数据中对主任务训练有用
的信息，来提升主任务的训练效果，综合了经验模型法和机理模型法的优点，并克服它们相应的缺陷，可在有较少实测数据训练模型的条件下，对叶片氮含量实现精准估测。
附图说明
[0025]
图1为本发明反演叶片氮含量的工作流程示意图。
[0026]
图2为本发明实施中叶片氮含量预测模型的建模结果图。
[0027]
图3为本发明实施中叶片氮含量预测模型的验证结果图。
具体实施方式
[0028]
下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0029]
本发明提出了一种基于混合模型的叶片氮含量估测方法，通过耦合深度多任务学习网络模型和n-prosail辐射传输机理模型，形成了一种新的估测叶片氮含量的方法，该方法通过构建具有部分公用网络结构的两个任务(基于模拟数据训练的辅助任务和基于实测数据训练的主任务)，在对两个任务进行训练的同时，提取模拟数据中对主任务训练有用的信息，来提升主任务的训练效果，从而达到在有较少实测数据训练模型的条件下，对叶片氮含量进行精准估测，以克服已有经验模型法和机理模型法的缺陷。
[0030]
如图1所示，基于混合模型的叶片氮含量估测方法包括如下处理步骤：
[0031]
步骤一、训练数据获取：包括模拟数据和实测数据的获取；由n-prosail模型生成模拟数据；实测数据是在田间测量时所获得的真实数据。
[0032]
步骤二、多任务学习网络模型训练：将模拟数据与实测数据输入所构建的多任务学习网络进行模型训练，训练得到的最优模型即为预测模型；
[0033]
步骤三、叶片氮含量预测：基于训练好的预测模型，以目标区遥感数据为输入，对目标区叶片氮含量进行预测。
[0034]
其中，多任务学习网络包括三个主要模块：共享层、子任务层和多任务优化层；
[0035]
1)共享层：该模块实现了模拟数据与实测数据共有特征的学习。通过同时将模拟数据与实测数据输入到深度神经网络中进行训练，可以获得同时适用于两个模型的通用特征提取模型。这种设计，在实现两个任务间信息共享的同时，还降低了每个任务过拟合的风险。本发明的共享层模块由六层全连接神经网络构成，节点数分别为20、20、20、10、10、10，每层网络间的激活函数选择relu函数。
[0036]
2)子任务层：该模块实现了模拟数据与实测数据各自独有特征的学习。通过分别将由共享层所提取的特征输入到各自独立的子任务深度神经网络中进行训练，使网络在学习两个任务共有特征的同时，还能关注每个任务的独有特征，有效提升每个任务的拟合精度。在本发明的子任务层模块中，两个子任务深度神经网络结构一致，均由三层全连接神经网络构成，节点数分别为10，10,10。其中，网络第一层选择relu函数作为激活函数，最后两层选择tanh函数作为激活函数。
[0037]
3)多任务优化层：该模块综合两个子任务的误差值对模型参数进行迭代优化训练，直至获得训练好的最优模型，以该最优模型作为叶片氮含量的预测模型。整个过程采用动态权重加权平均(dwa)的方法来耦合基于模拟数据和实测数据时的误差，计算公式如(1)-(4)所示。在模型训练过程中，以公式(1)中的总体均方误差(mse
all
(t))最小为目标函
数，以其作为判断是否达到训练停止的标准；在总体均方误差未达到最小值之前，不断返回共享层、子任务层进行参数优化，直至总体均方误差达到最小值，此时停止训练，所获得的训练好的模型即为最优模型。
[0038]
mse
all
(t)＝αk(t)
×
msek(t)
ꢀꢀ
公式(1)
[0039][0040][0041][0042]
式中，mse
all
(t)代表叶片氮含量在t次训练时的总体均方误差；msek(t)代表k任务在t次训练的均方误差；ak(t)代表k任务在t次训练均方误差的标准化权重；wk(t)代表k任务在t次训练均方误差的权重；n代表总任务个数；rk(t-1)代表k任务在t-1次训练的训练速度；t为常数，本发明设定为0.5；msek(t-1)和msek(t-2)分别代表k任务在t-1和t-2次训练中的均方误差。
[0043]
【实施例】
[0044]
在中国科学院山东禹城农业综合试验站，开展冬小麦的水、氮耦合试验，包括2个水分处理、5个氮肥处理，共32个小区。其中，2个水分处理的灌溉量分别为80％和60％田间持水量，采用裂区试验设计；5个氮肥处理的施氮量为0，70,140，210,280kg/ha，采用随机区组试验设计，前4个氮肥处理的重复数为3个，最后1个氮肥处理的重复数为4个。除氮肥外，其它田间管理措施相同。
[0045]
1)在小麦的拔节前期、开花期、灌浆期分别利用大疆m600多旋翼无人机搭载s185高光谱传感器获取田间小麦高光谱影像，并在无人机飞行后，在各小区设置地面样点，开展田间采样，获取各小区叶片氮含量数据。这些实测数据中3/4的数据作为训练本发明的混合模型主任务的训练数据，剩余1/4数据作为验证训练好的模型预测性能的测试数据。
[0046]
2)根据小麦叶片氮含量、叶片结构、叶面积指数、太阳天顶角、热点、叶倾角、叶片干物质量、等效水厚度、棕色色素等参数的范围，采用不同的采样方法，基于n-prosail模型模拟相关数据20000条，用于训练本发明的混合模型辅助任务的训练数据。各参数范围及采样方法如表1所示。
[0047]
表1 n-prosail模型输入参数的范围及采样方法
[0048][0049]
3)将模拟数据和实测数据的训练数据输入多任务学习网络的混合模型进行模型训练。训练过程中，adam算法作为模型的参数优化器，模型的学习率设置为0.001，权重衰减系数设置为0.0016，学习率衰减策略为每20个周期降低为原来的0.2倍，最大周期数设置为100。每次训练分别从模拟数据与实测数据中抽取20和8个样本进行联合训练，并将1000次训练视为一个周期。
[0050]
4)训练所得的最优模型作为叶片氮含量的预测模型，基于预测模型用来预测实测数据的测试数据的叶片氮含量。依赖实测数据的训练结果和测试结果如图2和图3所示，分别展示了叶片氮含量预测模型的建模结果和验证结果，基于图示及相关系数(r2)、均方根误差(rmse)可知，表明本预测模型能够较准确地预测叶片氮含量数据。
[0051]
由此，对于本发明所提出的基于混合模型的叶片氮含量估测方法，是一种基于深度多任务学习方法与n-prosail机理模型耦合估测作物叶片氮含量的方法，充分考虑了机理模型模拟数据含有对模型训练有用的信息，但又难以完全反应真实数据的情形，采用多任务学习的策略将模拟数据和真实数据设置成不同的训练任务，两个任务又共用部分网络，通过训练误差动态加权的方式来综合考虑两个任务的预测误差，从而从模拟数据中抽取有用信息来对真实数据网络模型进行辅助训练，提升模型叶片氮含量反演效果。该方法综合了经验模型法和机理模型法的优点，并克服它们相应的缺陷，该方法是一种基于混合模型的新的估测叶片含量的方法，在有较少实测数据训练模型的条件下，对叶片氮含量实现精准估测。
[0052]
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。