数字农科院2.0

基于人工智能的农业气象遥感关键参数联合反演方法

文献类型： 中文期刊

作者： 毛克彪;肖柳瑞;郭中华;代旺;袁紫晋;施建成

作者机构：

关键词： 人工智能;热红外遥感;农业气象遥感参数;联合反演

期刊名称：中国农业信息

ISSN： 1672-0423

年卷期： 2025 年

页码：

收录情况： 农林核心（2024版）

摘要： 【目的】提升农业气象遥感关键参数—地表温度（LST）、地表发射率（LSE）、大气水汽含量（WVC）和近地表空气温度（NSAT）的反演精度，解决传统方法未充分利用参数间相互依赖关系导致整体精度不足的问题。【方法】文章提出了一种基于人工智能（AI）的热红外遥感多参数联合反演方法。该方法通过深度学习耦合物理辐射传输方程和统计方法，首先推导物理反演模型，明确参数反演需满足的两个条件，获得物理代表性解；然后基于多源数据构建统计代表性解，组合两者形成深度学习训练与测试数据库。反演框架先直接反演LST和LSE，再将其作为先验知识，通过交叉迭代优化WVC和NSAT的反演精度，消除不确定性，实现多参数联合反演。【结果】利用MODIS27、28、29、31和32波段进行实际反演应用分析，数据分析表明5个波段组合下LST相对反演误差MAE和RMSE分别为0.42K和0.71K。LSE31和LSE32对应相对反演误差MAE分别为0.004和0.003，RMSE均为0.005。WVC的反演相对误差MAE和RMSE分别0.46g/cm2和0.62g/cm2。NSAT的反演相对误差MAE和RMSE分别为1.26 K和1.86 K。NSAT反演引入LST和LSE后，反演精度得到了提升，并更加稳定。地面观测站点数据验证表明，LST反演的MAE和RMSE分别为1.27 K和1.61 K；WVC反演的MAE和RMSE分别为0.39 g/cm2和0.48 g/cm；NSAT反演的MAE和RMSE分别为1.73 K和2.01 K。【结论】联合反演策略下，LST和LSE精度稳定，WVC和NSAT通过先验知识迭代优化克服了传统方法精度不足的局限。分析表明，基于AI的热红外遥感多参数联合反演方法充分利用参数间关系，大幅提升整体反演精度，对农业气象遥感和卫星传感器设计具有重要意义。

分类号：

  • 相关文献

[1]热红外遥感多参数人工智能一体化反演范式理论与技术. 毛克彪,王涵,袁紫晋,施建成,覃志豪,武胜利. 2024

[2]热红外遥感图像中云覆盖像元地表温度估算初论. 周义,覃志豪,包刚. 2013

[3]热红外遥感图像中云覆盖像元地表温度估算初论. 周义,覃志豪,包刚. 2012

[4]热红外遥感反演近地层气温的研究进展. 徐永明,覃志豪,万洪秀. 2011

[5]用MODIS数据反演近地表空气温度的RM-NN算法. 毛克彪,马莹,夏浪,沈心一. 2013

[6]地表组分温度遥感反演算法研究进展. 张舒婷,段四波,幸泽峰,韩晓静,冷佩. 2019

[7]基于LandsatTM/ETM+的张掖市甘州区绿洲冷岛效应时空变化研究. 李润林,时永杰,姚艳敏,田福平,胡宇. 2014

[8]中国地表城市热岛驱动因素及其空间异质性. 牛陆,张正峰,彭中,姜亚珍,刘萌,周孝明,唐荣林. 2022

[9]"高分五号"卫星地表温度反演与验证. 王殿中,李任君,高懋芳,朱晓琳. 2020

[10]光学载荷定标场比辐射率方向性模型构建. 刘佳欣,杨治纬,高彩霞,马慧雅,赵恩宇,段四波. 2023

[11]基于机器学习的宁夏地区地表温度反演. 肖柳瑞,毛克彪,郭中华,代旺. 2025

[12]热红外遥感发展历程与展望. 李召良,唐伯惠,吴骅,赵伟,段四波,任华忠,赵恩宇,唐荣林,司梦林,冷佩,刘向阳,刘萌,茹晨,姜亚珍,阎广建,高彩霞. 2025

[13]浅论农业高新技术发展趋势及应用前景. 谭永强,田帅,刘蓉蓉. 2020

[14]农业科研单位人工智能财务发展及展望. 丁凡. 2018

[15]基于Agent的种植业比较优势协同分析系统的研究. 徐彦超,诸叶平. 2010

[16]中国信息化畜禽养殖技术应用现状与展望. 刘继芳,韩书庆,齐秀丽. 2021

[17]新一代信息技术对农产品追溯系统智能化影响的综述. 钱建平,吴文斌,杨鹏. 2020

[18]基于Agent技术的小麦生长模拟模型的建立. 刘升平,诸叶平. 2007

[19]互联网 + 教育在高校信息化建设中的应用. 高宝军,张晓华. 2019

[20]基于深度学习的作物基因组学和遗传改良. 辛志奇,赵航,汪海,路铁刚. 2021

作者其他论文 更多>>