基于深度学习和机理模型耦合的小麦叶片氮含量遥感反演研究
文献类型：学位论文
| 作者 | 马啸 |
| 答辩日期 | 2023-06 |
| 文献子类 | 专业学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 陈鹏飞 ; 金秀良 |
| 关键词 | 叶片氮含量 混合模型 深度多任务学习 高光谱影像 无人机 |
| 学位名称 | 硕士 |
| 学位专业 | 农业工程与信息技术 |
| 英文摘要 | 氮素是小麦生长、发育所必须的重要营养元素之一。因此，准确、快速掌握小麦氮素信息，对于实现小麦精准管理具有重要意义。无人机遥感技术具有机动灵活、操作简单的特点，可以获取高时间、空间分辨率影像，尤其适合进行田块尺度的作物氮素实时监测。目前，基于遥感反演作物氮素的方法主要包括三类：经验模型法、机理模型法和混合模型法。其中，混合模型法将经验模型与机理模型结合，有效克服了两种方法的局限性并综合了两者的优点。但受限于电磁波传输过程的复杂性，机理模型所生成的模拟数据与实测数据间存在一定的差异，若直接将模拟数据输入传统经验模型进行训练，往往无法获得较好的精度。因此，研究可以有效利用模拟数据的新混合模型，对于实现基于无人机遥感影像的作物氮素准确反演具有重要意义。 本研究于2020-2021 年在中国科学院禹城农业综合试验站开展冬小麦水氮耦合试验，在Feekes 7、Feekes 10.54、Feekes 11.1 三个关键生育期进行田间试验，获取无人机高光谱影像，并同步获取小麦叶片氮含量（Leaf Nitrogen Content, LNC）数据。基于如上数据，开展机理模型与深度学习方法耦合的小麦叶片氮含量反演模型构建研究。在这一过程中，首先基于多任务学习的思想，设计主任务网络和辅助任务网络。利用模拟数据来训练辅助任务网络，利用实测数据来训练主任务网络，并采用主任务、辅助任务共享部分网络结构的方式，来提取模拟数据和真实数据的共有特征，达到利用模拟数据辅助真实数据训练主任务网络的目的，以有效信息提升主任务网络的鲁棒性与泛化能力。这一模型结构本研究称为基于多任务学习的混合模型（Multi-Task Learning-Based Hybrid Model, ML-HM）。其次，通过消融试验和与传统反演方法对比的试验（光谱指数法、偏最小二乘法、人工神经网络法），对ML-HM 模型的有效性进行分析。最后，基于不同模拟数据生成方案、实测样本量、模拟与实测数据建模时批量大小来构建不同的情景，并在不同情景中对模型进行训练，讨论模型反演精度在不同影响因素影响下的变化规律。研究的主要内容及结论如下： （1）采用多任务学习策略可以有效提升模型反演精度。本研究构建消融试验，提出三个单任务深度学习方案（同时使用模拟和实测数据训练、仅使用模拟数据训练、仅使用实测数据训练）与多任务深度学习方案进行对比。结果显示，三个单任务深度学习方案的R2、RMSE 和RRMSE 值在建模数据集上的值分别为，0.79-0.89，12.98-20.74μg/cm2，11.94%-19.08%，在验证数据集上的值分别为，0.19-0.75，21.84-39.41μg/cm2，20.09%-36.25%。采用多任务深度学习方案的ML-HM 模型在建模数据集上的R2、RMSE 和RRMSE 值分别为0.85，17.60μg/cm2，16.19%，在验证数据集上的值分别为0.88，15.06μg/cm2，13.86%。分析可知所有单任务方案的反演精度均低于多任务方案，说明多任务学习策略可以有效利用模拟数据中的有效信息辅助模型进行训练。 （2）与传统方法相比，本研究提出的ML-HM 模型在反演小麦叶片氮含量时取得了最好的反演精度。传统方法在建模数据集上的R2、RMSE 和RRMSE值分别为0.29-0.68，25.71-38.52μg/cm2，22.95%-34.39%，在验证数据集上的R2、RMSE 和RRMSE 值分别为0.43-0.74，22.79-33.55μg/cm2，20.69%-30.86%。 （3）ML-HM 模型反演精度受不同模拟数据生成方案的影响。在生成模拟数据时，机理模型输入参数的采样范围和空间分布与实测数据越接近时MLHM模型的反演精度越好。说明当模拟数据与实测数据具有相同的数据分布时，模型可以取得较好的反演精度。 （4）ML-HM 模型精度随训练时所用的实测样本量的减少而降低，并在一定范围内变化相对稳定。基于本研究的数据集，当使用90%-100%和70%-85%原始实测样本参与模型训练时，模型分别取得较好和中等的反演精度，且模型反演精度在两个区间内变化相对稳定。说明在确定ML-HM 模型的实测训练样本量时，可以依据输入数据的变异程度预估一个最优的输入样本量，以兼顾模型精度与采样成本。 （5）模拟与实测数据建模时批量大小设置会显著影响ML-HM 模型的反演精度，且二者的交互作用也对ML-HM 反演精度具有一定的影响。因此在设定ML-HM 模型的批量大小时，需要根据具体情况，采用情景试验、对比分析的策略来获得设定批量大小的最优方案。 |
| 语种 | 中文 |
| 页码 | 82 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/199359]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 马啸. 基于深度学习和机理模型耦合的小麦叶片氮含量遥感反演研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2023. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。