一种基于混合模型的作物叶片氮含量遥感反演方法.pdfVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN115602261A

(43)申请公布日2023.01.13

(21)申请号202211280829.2

(22)申请日2022.10.19

(71)申请人中国科学院地理科学与资源研究所

地址100101北京市朝阳区大屯路甲11号

(72)发明人马啸陈鹏飞

(74)专利代理机构威海惠和惠知识产权代理事

务所(普通合伙)37387

专利代理师刘玉涵

(51)Int.Cl.

G16C20/20(2019.01)

G16C20/70(2019.01)

G06N3/04(2006.01)

G06N3/08(2006.01)

权利要求书2页说明书5页附图2页

(54)发明名称

一种基于混合模型的作物叶片氮含量遥感

反演方法

(57)摘要

本发明公开了一种基于混合模型的作物叶

片氮含量遥感反演方法，通过耦合深度多任务学

习网络模型和N‑PROSAIL辐射传输机理模型构建

混合模型，将模拟数据与实测数据输入混合模型

进行模型训练；基于训练好的预测模型，对目标

区叶片氮含量进行预测。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

A克服它们相应的缺陷，可在有较少实测数据训练

1模型的条件下，对叶片氮含量实现精准估测。

6

2

2

0

6

5

1

1

N

C

CN115602261A权利要求书1/2页

1.一种基于混合模型的作物叶片氮含量遥感反演方法，其特征在于：包括以下步骤：

步骤一、训练数据获取：包括模拟数据和实测数据的获取；

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；

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；

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。

2.根据权利要求1所述的基于混合模型的作物叶片氮含量遥感反演方法，其特征在于：

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。

3.根据权利要求1所述的基于混合模型的作物叶片氮含量遥感反演方法，其特征在于：

步骤二中，所述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。

4.根据权利要求3所述的基于混合模型的作物叶片氮含量遥感反演方法，其特征在于：

所述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。

5.根据权利要求3所述的基于混合模型的作物叶片氮含量遥感反演方法，其特征在于：

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。

6.根据权利要求5所述的基于混合模型的作物叶片氮含量遥感反演方法，其特征在于：

所述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