基于人工智能的地球物理参数反演范式理论及判定条件.pdf

2023 年 6 月 第 5 卷 第 2 期Jun.2023 Vol.5,No.2智慧农业（中英文）Smart Agriculture基于人工智能的地球物理参数反演范式理论及判定条件毛克彪1，2，3*，张晨阳4，施建成5，王旭明2，郭中华2，李春树2，董立新6，吴门新7，孙瑞静6，武胜利6，姬大彬3，蒋玲梅8，赵天杰3，邱玉宝3，杜永明3，徐同仁8（1.中国农业科学院农业资源与农业区划研究所 北方干旱半干旱耕地高效利用全国重点实验室，北京 100081；2.宁夏大学 物理与电子电气工程学院，宁夏银川 750021；3.中国科学院空天信息创新研究院 遥感科学国家重点实验室，北京 100094；4.北京大学 环境科学与工程学院，北京 100871；5.中国科学院国家空间科学中心，北京 100190；6.国家卫星气象中心，北京 100081；7.国家气象中心，北京 100081；8.北京师范大学 地理科学部，北京 100875）摘要：目的目的/意义意义人工智能（Artificial Intelligence，AI）技术已在学术和工程应用领域掀起了研究高潮，在地球物理参数和农业气象遥感参数反演方面也表现出了强大的应用潜力。目前大部分AI技术在地学和农学的应用还是“黑箱”，没有物理意义或缺乏可解释性及通用性。为了促进AI在地学和农学的应用和培养交叉学科的人才，本研究提出基于AI耦合物理和统计方法的地球物理参数反演范式理论。方法方法首先基于物理能量平衡方程进行物理逻辑推理，从理论上构造反演方程组，然后基于物理推导构建泛化的统计方法。通过物理模型模拟获得物理方法的代表性解以及利用多源数据获得统计方法代表性的解作为深度学习的训练和测试数据库，最后利用深度学习进行优化求解。结果和讨论结果和讨论判定形成具有通用性和物理可解释的范式条件包括：（1）输入与输出变量（参数）之间必须存在因果关系；（2）输入和输出变量（参数）之间理论上可以构建闭合的方程组（未知数个数少于或等于方程组个数），也就是说输出参数可以被输入参数唯一确定。如果输入参数（变量）和输出参数（变量）之间存在很强的因果关系，则可以直接使用深度学习进行反演。如果输入参数和输出参数之间存在弱相关性，则需要添加先验知识来提高输出参数的反演精度。此外，本研究以农业气象遥感中的关键参数地表温度、发射率、近地表空气温度和大气水汽含量联合反演作为案例对理论进行了证明，分析结果表明本理论是可行的，并且可以辅助优化设计卫星传感器波段组合。结论结论本理论和判定条件的提出在地球物理参数反演史上具有里程碑意义。关键词：人工智能；深度学习；反演范式；物理逻辑推导；可解释；农业气象遥感中图分类号：TP181;P313.3文献标志码：A 文章编号：SA202304013引用格式：毛克彪,张晨阳,施建成,王旭明,郭中华,李春树,董立新,吴门新,孙瑞静,武胜利,姬大彬,蒋玲梅,赵天杰,邱玉宝,杜永明,徐同仁.基于人工智能的地球物理参数反演范式理论及判定条件J.智慧农业(中英文),2023,5(2):161-171.DOI：10.12133/j.smartag.SA202304013MAO Kebiao,ZHANG Chenyang,SHI Jiancheng,WANG Xuming,GUO Zhonghua,LI Chunshu,DONG Lixin,WU Menxin,SUN Ruijing,WU Shengli,JI Dabin,JIANG Lingmei,ZHAO Tianjie,QIU Yubao,DU Yongming,XU Tongren.The paradigm theory and judgment conditions of geophysical parameter retrieval based on artificial intelligenceJ.Smart Agriculture,2023,5(2):161-171.DOI：10.12133/j.smartag.SA202304013(in Chinese with English abstract)1 引 言以ChatGPT为代表的生成式人工智能（Artificial Intelligence，AI）的出现和升级使得AI进一步受到人们的广泛关注，AI成为新一轮产业变革的核心驱动力，将进一步释放科技创新的巨大能量，并创造新的强大引擎。AI与具体的行业结合将催生新技术和新产品，深刻改变人类思维和生产模式，实收稿日期：2023-04-24基金项目：风云卫星应用先行计划（FY-APP-2022.0205）；第二次青藏高原综合科学考察研究（2019QZKK0206XX-02）；遥感科学国家重点实验室开放基金（OFSLRSS202201）*通信作者：毛克彪，博士，研究员，研究方向为人工智能在地学和农学中的应用。E-mail：Vol.5,No.2智慧农业（中英文）Smart Agriculture现社会和行业生产力的整体跃迁。深度学习是目前AI领域最重要的技术之一，在学术领域和工程应用掀起了研究高潮，并在自然语言生成模型、计算机视觉、语音识别等多个领域取得了显著的研究成果。鉴于深度学习在地学和农学领域的应用潜力和重要性，为促进AI在地学和农业领域的应用，必须加快 AI 与遥感技术的深度融合，为气象预报、农情监测和农业灾害预报等提供关键技术支撑1-5，为全球灾害监测和国家粮食安全服务。根据2022年国家统计年鉴，中国年均农业气象灾害受灾面积达1207.16万公顷，仅2022年气象灾害造成的直接经济损失就高达2386亿人民币。因此，快速准确获取农业气象关键参数信息对于科学指导农业气象防灾减灾、作物估产确保国家粮食安全等具有重要意义6-8。美国、日本和欧盟等相继研发气象卫星关键参数反演系统，中国自20世纪90年代开始研究气象卫星参数反演技术，虽然都已经取得了很大的进展，但仍然遇到一些瓶颈，如未知数多于方程的个数、相对入射角变化和混合像元等问题9。近年来，在计算机硬件技术和 AI技术迅速发展相互辅助下，AI显示出了强大的优势10。因此研究如何将AI技术与地学，特别是与农业气象遥感参数传统反演物理和统计方法结合，发展具有物理意义和可解释的AI算法对提升遥感参数反演精度和对完善地球物理参数反演范式理论具有重要意义，同时为智慧农业和智慧地球提供关键的监测参数11-14。2 地球物理参数反演范式理论与判定条件 建立学科体系知识一般遵循三个步骤：首先从物理角度观察现象，其次用数学方法描述物理现象，最后从工程的角度去解决数学问题。“AI地球物理参数反演范式理论”可以表述为：如果目标信息（问题）在理论或物理逻辑上可以用数学方程描述（即可以在空间中可以形成唯一的解曲线），那么AI方法可以通过大数据学习和优化计算耦合物理方法和统计方法求解方程。这使得耦合方法不但具有物理方法和统计方法各自的优势，同时充分利用了深度学习的优化计算能力，最大限度地提高了地球物理参数的反演精度。这样保证了反演范式不仅具有通用性，而且具有物理意义和可解释性。具体地，本研究提出的地球物理参数反演范式理论是使深度学习的输入参数（变量）和输出参数（变量）之间可以构建一套完整的闭合方程组。如果输入参数（变量）和输出参数（变量）之间存在强因果关系，则可以直接使用深度学习进行反演并获得高精度的反演结果。如果输入参数和输出参数之间存在弱相关性，则需要添加强相关性的先验知识和交叉迭代来提高输出参数的反演精度。可以通过物理模型模拟得到物理方法的大量代表性解，然后使用深度学习通过训练获得解的曲线函数。因此通过大数据模式的深度学习可以重复该物理方法。同时很多物理方法不能描述所有情况，为了克服物理方法的不足，基于物理逻辑推理，进一步构建泛化的统计方法，并通过多源数据获得统计方法的解来弥补物理方法的不足。其实从信息流传递的角度来说，深度学习网络更能符合现实情况，物理方法和统计方法是其中的部分表现形式。这些方法本质上一致，均是人们用来认识世界的一种手段，在不同认知程度上解读和解决现实问题。判定基于深度学习的地球物理参数反演形成是否具有通用性和物理可解释范式的条件有两个：（1）深度学习的输入与输出变量（参数）之间必须存在因果关系，即在其他条件不变的情况下，改变任何一个输入变量，输出变量会发生变化。设深度学习输入变量为xi，输出变量为yj，则因果关系表示为公式（1）。yj=f（xi）（1）其中，i=1，2，n；j=1，2，m；f表示某种因果关系函数。（2）深度学习的输入和输出变量（参数）之间理论上可以构建闭合的方程组（未知数个数少于或等于方程组个数），也就是说输出参数可以被输入参数唯一确定，用数学方程可以表示为公式（2）。F（x，y）=0（2）其中，x=x1，x2，xn；y=y1，y2，ym；F表示一个由k个方程组成的向量函数。为了使输出参数可以被输入参数唯一确定，需要满足k m这个条件。为论证深度学习的使用具162毛克彪等：基于人工智能的地球物理参数反演范式理论及判定条件Vol.5,No.2有物理意义，在研究时必须进行物理逻辑推理。输入变量和输出变量之间存在因果关系且理论上也能构造足够的方程组时，如果输入变量和输出变量之间存在强相关性，则可以进行直接反演计算且可以保持高精度；但如果输入变量和输出变量之间是弱关系，要保证获得较高精度则需要利用强相关性变量作为先验知识。深度学习的应用不能脱离具体的问题或对象，如图1所示，本研究在解决某个应用问题时，首先要对问题对象进行物理逻辑推理，从理论上构造方程，确定输入变量和输出变量之间的因果关系；其次从方程里面的未知数个数确定方程组的个数，也就是确定几个输入参数能唯一确定输出变量；再次通过分析确定利用物理模型是否可以模拟得到所有代表性的解，如果得不到，则构建基于物理逻辑推理的泛化的统计方法10,12，利用多源数据补充代表性的解；然后利用大数据技术和深度学习优化求解物理和统计方法解的空间曲线函数；最后进行验证和反复迭代，达到精度后停止优化计算12,13,15。如果应用深度学习时，没有证明或不能证明存在上述两个条件，则一般认定深度学习的应用为“黑箱”16,17。如果能证明输入和输出参数之间肯定不存在闭合的关系（未知数个数大于方程组个数），那么这样的应用只适合于局部区域，不能通用和很难具备移植性，因此不能称为范式。图1 地球物理参数反演范式理论与判定条件Fig.1 The paradigm theory and judgment conditions of geophysical parameter retrieval163Vol.5,No.2智慧农业（中英文）Smart Agriculture3 地球物理参数反演范式理论案例分析论证 3.1 物理逻辑推理农业气象遥感关键参数是地球物理参数的重要组成部分，本研究以农业气象遥感关键参数为例对地球物理参数反演范式理论进行论证。首先进行物理逻辑推理。地表热辐射在通过大气达到卫星传感器的过程中，主要受地表类型和土壤水分（Soil Mositure，SM）、地表温度（Land Surface Temperature，LST）、近 地 表 空 气 温 度（Near Surface Air Temperature，NSAT）和大气水汽含量（Water Vapor Content，WVC）等的影响。地表温度和土壤水分反演是基于地表热辐射传导及其通过大气到达传感器的传送物理过程，其反演方程通常可以用公式（3）描述，如图2所示。公式（3）中，B（T）（已知数）为卫星接收的星上辐射，(1-()(1+(1-)()B(Ta)为大气辐射贡献，B(Ts)()为地表辐射。其中，()为大气透过率（未知数），Ts为地表温度（未知数），Ta为近地表空气温度（未知数），为地表发射率（未知数），即一个方程至少有4个未知数。需要说明的是观测角度其实也是一个未知数，每个像元中不同地物的组合导致相对入射角变化很大，很难被准确地确定。由于地球物理参数之间存在内在的制约关系，可以利用卫星参数之间的相互制约关系减少一个未知数18-21。从图2可以看出，不同的参数之间是相互影响和纠缠的。氮、磷、钾溶解在土壤水分里面，土壤水分的变化影响介电常数变化，从而改变发射率，发射率变化影响地表的辐射效率，而地表温度变化决定土壤水分的蒸发速度，从而影响与近地表空气的能量交换和改变近地表空气温度以及大气剖面温度。理论上讲，土壤水分的变化也会影响热红外波段发射率的变化，但传统算法中没有考虑到这一点，一般认为热红外波段的发射率是相对不变的，其实也随土壤和植被含水量的变化而变化。因此在降雨比较多的地方，热红外遥感传统方法反演地表温度的精度波动相对较大，但AI方法可以克服这个困难。近地表空气温度的变化影响大气剖面，从而影响大气平均作用温度。在地表热辐射经过大气时，被大气水汽吸收，然后到达卫星传感器。因此，从物理逻辑推理可知9,10,12,14，单个方程中有4个未知数。如果没有先验知识，必须至少有4个热红外窗口波段从理论上构建反演方程；如果有大气水汽作为先验知识，也可以只需要3个热红外波段。以往大部分研究主要是针对单个参数进行反演，由于不同参数之间相互纠缠，利用AI方法进行联合反演和交叉迭代可以提高反演精度9,10。在进行物理逻辑推理后确定物理方法的理论构建后，在实际应用研究中发现，只利用物理模型建立的方法精度不是十分可靠，因为物理模型对真实世界进行了简化，而且很多地学模型也只适合部分情况1-5。因此，为了尽可能地满足更多的情况，还要基于物理逻辑推理进一步建立泛化的统计方法，这样才能保证方法的完整性和精度的可靠性7-13。MODIS卫星传感器是目前热红外波段数量和质量最好的传感器之一，本研究将针对MODIS的热红外波段进行模拟和论证分析。选定MODIS波段 27/28/29/31/32/33（6.513.5 m），其中 MODIS波段 27、28 和 29 在是热红外波段的水汽吸收区，波段31和32在热红外波段的窗口区，33波段在热红外波段窗口区的边缘上。将利用JPL（http:/speclib.jpl.nasa.gov）测量的地物波普曲线在MODIS波段 27/28/29/31/32/33 的发射率作为 MODTRAN4 的输入参数，地表温度变化范围为273325 K，近地表空气温度变化范围为273320 K，大气水汽含量注：参数为土壤水分、地表温度、近地表空气温度和大气水汽含量图2 农业气象遥感参数之间的关系Fig.2 The relationship between agricultural meteorological remote sensing parameters164毛克彪等：基于人工智能的地球物理参数反演范式理论及判定条件Vol.5,No.2变化范围0.14.0 g/cm2，模拟观测角为045。当模拟观测角度过大时，由于斜路径上的水汽过大导致透过率过低，因此对这部分模拟数据进行了去除。将模拟数据随机分成两部分：训练数据45,650组，测试数据16,550组。根据传感器上获得不同参数信息量的多少，将不同的参数反演划分成三组，分别对地球物理参数理论和判别条件进行论证分析。第一组反演地表温度和发射率，主要分析和论证输入变量和输出变量之间的方程组个数和因果关系对反演精度影响；第二组反演近地表空气温度，主要分析和论证利用输入和输出变量之间强相关性变量作为先验知识，提高弱关系反演变量的精度；第三组反演大气水汽含量，主要分析论证当输入和输出变量之间存在强相关性时，添加先验知识可以提高反演稳定性，但对精度提高不明显。3.2 地表温度和发射率反演在3.1节的物理逻辑推理中可知，反演地表温度至少需要4个热红外波段组成辐射传输方程组，意味着当输入热红外波段少于4个时，反演精度不高。表1是MODIS波段29、31和32组合在给定条件下的理论反演精度。从表1中可以看出，当隐含层是9层且每层隐含节点都为700时，平均理论精度最高为 1.13 K，标准差为 1.17 K，相关系数为0.988。表 2 是 MODIS 波段 28-29-31-32 组合反演的误差信息表。从表2中可以看出，当隐含层是9并且每层节点为 800 时反演精度最高。最高平均精度为 0.45 K，标准差为 0.53 K 和相关系数为 0.998。从表 1 和表 2 可以看出，当用 4 个热红外波段时，平均精度提高了0.68 K。MODIS波段28是水汽吸收波段，增加热红外水汽吸收波段可以提高反演精度。当只用两个热红外波段（波段31和32）反演时，反演误差接近2 K，因此传统劈窗算法必须获得大气水汽和地表发射率作为先验知识。而反演精度要达到1 K以内，至少需要4个热红外波段，或者2个热红外波段加高精度的地表发射率和水汽作为先验知识，也就证明了基于AI的热红外遥感地表温度高精度反演需要理论上满足方程闭合的条件。表3是MODIS波段27-28-29-31-32波段组合时反演的地表温度误差信息表，从表3中可以看出当隐含层数9、每层隐含节点是900时，反演精度最高。平均最高精度是0.44 K，标准差是0.52 K，相关系数是0.999。MODIS 27波段也是水汽波段，增加水汽吸收波段能够提高水汽的精度，理论上可以提高整体反演精度。这里精度提高不明显，主要原因是波段27的地面辐射几乎很难穿透达到传感器，也就说透过率非常低，星上亮温主要包含的是高空大气水汽信息，因此对地表温度反演精度贡献不是非常大，但增加了反演的稳定性。表 4 是 MODIS 波段 27-28-29-31-32-33 作为输入参数时的反演误差信息表，当隐含层是8并且每表1 波段29-31-32组合时地表温度反演误差Table 1 Retrieval errors of surface temperature for band 29-31-32 combination隐含层78910隐含节点600M/K1.511.421.331.27SD/K1.411.321.252.04R0.9120.9250.9320.912700M/K1.321.221.131.23SD/K1.251.211.172.48R0.9850.9850.9880.910800M/K1.261.241.212.46SD/K1.841.811.323.11R0.950.9510.9630.879900M/K1.361.611.372.34SD/K1.231.561.363.77R0.9610.9600.9620.896注：M为平均误差；SD为标准偏差；R为相关系数表2 波段28-29-31-32 组合时地表温度的反演误差Table 2 Retrieval errors of surface temperature for band 28-29-31-32 combination隐含层78910隐含节点600M/K0.760.970.790.83SD/K0.682.250.780.89R0.9870.9560.9860.986700M/K0.890.820.820.71SD/K1.130.840.790.78R0.9840.9860.9860.987800M/K0.770.530.451.03SD/K0.710.580.532.63R0.9880.9910.9980.928900M/K0.660.710.781.14SD/K0.680.720.731.56R0.9870.9850.9810.963表3 波段27-28-29-31-32组合时地表温度的反演误差Table 3 Retrieval errors of surface temperature for band 27-28-29-31-32 combination隐含层78910隐含节点600M/K0.640.610.620.65SD/K0.680.670.680.88R0.9930.9950.9940.978700M/K0.580.620.650.64SD/K0.590.931.021.12R0.9950.9930.9910.99800M/K0.610.660.730.48SD/K0.690.850.970.61R0.9950.9780.9650.998900M/K0.760.480.440.56SD/K0.880.540.520.89R0.9790.9980.9990.997165Vol.5,No.2智慧农业（中英文）Smart Agriculture层隐含节点为 900 时精度最高。平均精度最高为0.51 K，标准差为 0.55 K，相关系数是 0.997。从表3和表4可以看出，当有汽波段时，添加波段33时并没有提高反演精度。主要原因是热红外波段33受CO2的影响比较大，不是非常适合于反演地表温度，因此增加热红外波段不一定会增加反演精度，有时反而会降低反演精度。表3分析说明当增加的波段与输出参数之间存在强相关性时，可以提高精度；表4说明当增加的波段与输出参数之间是弱关系或者是增加了噪声时，会降低反演精度。同时也可以将发射率反演计算出来，这里主要列出了波段27-28-29-31-32组合时波段31和32的发射率误差，如表5和表6所示，反演误差都在0.01以下。发射率在热红外波段相对被动微波受土壤水分变化的影响较小，能够用来表征地表类型。在微波波段，发射率受土壤水分的变化影响很大，地表温度和土壤水分通过发射率纠缠在一起10。3.3 近地表空气温度反演近地表空气温度是天气预报和农业干旱等模型的关键参数，以往主要是通过气象站点插值获取。也有一些研究通过统计方法或者神经网络从遥感数据中反演近地表空气温度，但通常缺乏可解释和物理意义，而且精度有限。本研究采用深度学习和基于物理逻辑推理反演近地表空气温度，其推理和分析过程参考文献9和15。在热红外遥感窗口波段，热红外传感器获取的主要信息来自地表，近地表空气温度的信息量相对较少，因此反演精度受限。表7是MODIS波段27-28-29-31-32组合时直接反演近地表空气温度的误差信息表，当隐含层是10和每层隐含节点是700时精度最高。理论平均精度最高为1.42 K，标准差为1.46 K，相关系数0.975。表 8 是 波 段 27-28-29-31-32+LST+LSE31+LSE32组合时近地表空气温度的反演误差（其中，LSE31为波段31发射率，LSE32为波段32发射率），最高精度是在隐含层为 10 和每层隐含节点为 800时，最高平均精度为 0.81 K，标准偏差为 0.91 K，相关系数为0.984。当利用地表温度和发射率作为表4 波段27-28-29-31-32-33 组合时地表温度的反演误差Table 4 Retrieval errors of surface temperature for band 27-28-29-31-32-33 combination隐含层78910隐含节点600M/K0.680.620.640.93SD/K0.690.650.661.65R0.9910.9920.9910.912700M/K0.650.630.680.69SD/K0.670.880.680.72R0.9910.9920.9950.994800M/K0.650.650.690.51SD/K0.680.700.790.55R0.9960.9950.9920.998900M/K0.630.510.540.77SD/K1.210.550.561.51R0.9570.9970.9960.935表5 波段27-28-29-31-32组合时波段31的发射率误差Table 5 Retrieval emissivity errors in band 31 for band 27-28-29-31-32 combination隐含层78910隐含节点600M/K0.0060.0070.0050.005SD/K0.0070.0080.0070.006R0.9710.9650.9720.976700M/K0.0060.0050.0050.004SD/K0.0070.0060.0070.007R0.9760.9800.9780.981800M/K0.0080.0050.0080.004SD/K0.0860.0070.0210.005R0.9260.9790.9440.991900M/K0.0050.0070.0050.007SD/K0.0060.0230.0060.007R0.9810.9530.9830.961表6 波段27-28-29-31-32组合时波段32的发射率误差Table 6 Retrieval emissivity errors in band 32 for band 27-28-29-31-32 combination隐含层78910隐含节点600M/K0.0050.0050.0040.004SD/K0.0060.0060.0050.006R0.9720.9750.9790.978700M/K0.0050.0040.0050.004SD/K0.0060.0050.0130.006R0.9770.9860.9610.977800M/K0.0050.0040.0080.007SD/K0.0070.0050.0140.006R0.9760.9860.9480.956900M/K0.0060.0040.0050.005SD/K0.0080.0040.0050.006R0.9620.9920.9810.977166毛克彪等：基于人工智能的地球物理参数反演范式理论及判定条件Vol.5,No.2先验知识时，近地表空气温度的精度明显得到提高，而且反演精度更加稳定。这主要是因为利用地表温度作为先验知识放大了近地表空气温度的信号，而且发射率提供了地表类型，因此反演精度大幅提高，并且算法更具移植性9。因此对于输入变量与输出变量之间是弱相关的参数反演，加入强相关性的变量作为先验知识可以提高弱相关参数的反演精度。3.4 大气水汽含量反演大气水汽含量是天气预报和农业干旱监测等模型的重要参数，在上面分析的基础上，表9是波段 27-28-29-31-32 组合时的大气水汽含量反演误差。最高精度是在隐含层数为9和每层隐含节点为800 时，最高平均精度为 0.09 g/cm2，标准偏差为0.11 g/cm2，相关系数为0.989。表 10 是波段 27-28-29-31-32+LST+LSE 组合时的大气水汽含量反演误差，最高精度是在隐含层为 9 和每层隐含节点为 900 时，最高平均精度为0.08 g/cm2，标准偏差为 0.09 g/cm2，相关系数为0.992。对比表9和表10，当使用LST和LSE作为先验知识时，精度略有提高和误差相对比较稳定。如果当先验知识LST和LSE具有一定误差时，可能精度不会有太大的改善。因此，当输入参数中有2个输入波段对输出参数水汽比较敏感时，可以不加入先验知识。4 讨 论人类认识世界通过观察（取样），然后基于观察和思考用大脑抽象构造模式，最大程度地形成知识以达到快速认识世界或者目标的目的，本质上可以归结为定义规则认识世界。目标只有一个最大程度地提高识别（认知）精度，因此不必过于考虑具体方法的形式（统计方法或物理方法或AI方法），这些都是认知的手段。根据作者团队多年的研究经验，统计方法、物理方法和机器学习方法本质上是一致的，是人们根据不同的情况定义的认识事物规律的一种方法或手段，特别是目前用得比较多的深度学习神经网络算法其实是一种更高级的统计优化计算方法，这种方法的精度和普适范围取决表7 波段27-28-29-31-32组合时近地表空气温度反演误差Table 7 Retrieval errors of near-surface air temperature for band 27-28-29-31-32 combination隐含层78910隐含节点600M/K1.641.581.441.47SD/K1.551.641.511.49R0.9580.9530.9590.961700M/K1.521.561.491.42SD/K1.551.581.541.46R0.9620.9580.9650.975800M/K1.581.561.561.46SD/K1.661.651.631.52R0.9630.9640.9680.967900M/K1.681.601.691.64SD/K1.781.721.771.69R0.9660.9580.9590.969表8 波段27-28-29-31-32+LST+LSE31+LSE32组合时近地表空气温度反演误差Table 8 Retrieval errors of near-surface air temperature for band 27-28-29-31-32+LST+LSE31+LSE32 combination隐含层78910隐含节点600M/K1.141.251.221.19SD/K1.361.341.321.29R0.9760.9680.9710.976700M/K1.191.181.261.14SD/K1.371.381.411.36R0.9750.9750.9640.977800M/K1.141.190.930.81SD/K1.381.411.050.91R0.9810.9780.9800.984900M/K1.161.031.191.22SD/K1.361.161.371.34R0.9780.9790.9750.973表9 波段27-28-29-31-32组合时大气水汽含量反演误差Table 9 Retrieval errors of atmospheric water vapor content for band 27-28-29-31-32 combination隐含层78910隐含节点600M/K0.180.120.170.87SD/K0.190.150.220.93R0.9600.9750.9630.875700M/K0.150.230.180.35SD/K0.190.270.230.41R0.9710.9720.9730.938800M/K0.180.110.090.13SD/K0.210.130.110.15R0.9770.9790.9890.983900M/K0.150.130.140.40SD/K0.170.150.160.55R0.9790.9800.9760.923表10 波段27-28-29-31-32+LST+LSE 组合时大气水汽含量的反演误差Table 10 Retrieval errors of atmospheric water vapor content for band 27-28-29-31-32+LST+LSE combination隐含层78910隐含节点600M/K0.150.150.140.17SD/K0.170.160.160.19R0.9760.9760.9770.975700M/K0.180.210.230.15SD/K0.210.230.250.19R0.9710.9690.9670.971800M/K0.170.090.110.09SD/K0.180.110.150.11R0.9750.9910.9790.990900M/K0.140.150.080.11SD/K0.160.170.090.12R0.9760.9770.9920.989167Vol.5,No.2智慧农业（中英文）Smart Agriculture于构建样本库（训练和测试数据的代表性和精度）时遵循的规则是否更符合真实情况。传统遥感地球物理参数反演方法主要适合于地势平坦，地表类型单一的纯净像元。如图3所示，对于地球物理遥感参数反演，传统的物理方法无法解决像元相对入射角问题，也很难解决混合像元问题，从而导致传统方法反演精度具有瓶颈，公式（4）中参数的物理意义具体请参考文献9和15。AI方法可以将混合像元当成一个新的等效地物类型，在解决复杂像元反演问题上具有比传统物理方法非常强的优势。从能量信息流传播的角度看，深度学习神经网络通过神经元控制传递能量的方式比统计和物理方法更接近真实情况，甚至更具有物理意义，这需要人们提高或改变认知思维，并从信息传播的角度解读1,10。因此只要深度学习耦合物理和统计方法的模式满足范式条件，理论上可以无限逼近真实情况。另外，从某个角度上讲，AI是一种高级的优化计算方法，与物理方法和统计方法在本质上是一样的，都是识别目标的手段。只不过机器学习方法在硬件技术高速发展的辅助下，显示出更加强大的识别目标的迭代优化计算能力，深度学习理论上可以将很多组不同物理方法和统计方法耦合在一起。在满足反演范式条件下，深度学习的反演和适应范围理论上远远胜过一个或者几个物理和统计传统方法的组合。作者团队在2006年和2007年将深度学习（动态学习神经网络）应用于地表温度和发射率反演19-21，但当时由于计算机内存不够，隐含层一般只设置了3层，而现在算法的隐含层和内存翻到了几倍甚至几十倍上百倍1，12，对计算机要求更高。由于计算机技术的进步，目前地球物理参数遥感反演的精度也大幅提升。在满足范式条件下，基于AI的深度学习耦合物理和统计方法范式是目前利用遥感数据反演地球物理参数特别是农业气象遥感关键参数的最佳方法。本文主要讨论的是地球物理参数反演范式理论和判定条件，其对于遥感分类或者目标识别也同样适用22,23。目前卷积神经网络（Convolutional Neural Network，CNN）被认为是较好的分类和目标识别方法之一，其实CNN是在传统神经网络的基础上进一步利用不同的卷积核从不同的尺度上提取目标的信息，目的就是通过不同维度的信息来唯一确定目标，从而达到提高分类（目标识别）的精度24。理论上讲，如果这些从不同维度（不同卷积核）上提取的信息也可以构建数学方程唯一确定输出参数，也可以形成范式，否则同样也存在不确定性。5 结 论最近几年，AI在许多领域的突破催生了很多新技术、新产品和新产业，将深刻影响和改变人类生产生活方式和思维模式，实现生产力的整体跃升。为了促进AI在地学和农学的应用和培养交叉学科的人才，本研究提出了基于AI地球物理参数反演范式理论及判定条件，即通过物理逻辑推理，目标信息（问题）在理论或物理逻辑上可以用数学表达式进行描述，同时可以用物理模型模拟获得物理方法的解。为了克服物理方法的缺陷，基于物理逻辑推理构建泛化的统计方法，并且通过多源数据获得统计方法的解。在此基础上，物理方法和统计方法的解构成深度学习的训练和测试数据，从而达到深度学习耦合物理和统计方法的目的。深度学习通过大数据学习和优化计算将物理方法和统计方法相结合，从而保证了提出的范式不仅有物理意义和可解释性，而且还具备通用性。AI方法反演地球物理参数是否形成范式，即形成具有物理机理和可解释的深度学习范式基本条件有两个：（1）输入与输出变量（参数）之间必须存图3 地球物理参数遥感反演混合像元问题Fig.3 Mixed pixel problem in remote sensing retrieval of geophysical parameters168毛克彪等：基于人工智能的地球物理参数反演范式理论及判定条件Vol.5,No.2在因果关系；（2）输入和输出变量（参数）之间理论上可以构建闭合的方程组（未知数个数少于或等于方程组个数），也就是说输出参数可以被输入变量唯一确定。如果使用深度学习没有证明或不能证明存在上述两个条件，一般被认定为“黑箱”。如果能证明：输入和输出参数之间肯定不存在闭合的关系（未知数大于方程组个数），那么这样的应用可能主要适合于局部区域，不能通用，很难具备移植性，不能称为范式。AI方法的应用不能脱离具体的问题，在解决某个应用问题时，要先对问题对象进行物理逻辑推理，从理论上构造方程，确定是输入变量和输出变量之间的因果关系；然后从方程里面的未知数个数确定方程组的个数，也就是确定几个输入参数，最后使用深度学习进行优化求解。进行物理逻辑推理是使得深度学习具有物理意义和可解释的关键。利用MODIS遥感数据反演地表温度