文献类型： 中文期刊

作者： 毛克彪 ¹ ; 肖柳瑞 ² ; 郭中华 ² ; 代旺 ² ; 袁紫晋 ¹ ; 施建成 ³ ;

作者机构： 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

2.宁夏大学电子与电气工程学院

3.中国科学院国家空间科学中心

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 37 卷 002 期

页码： 13-27

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MODIS 27、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0.42 K和0.71 K。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分别为0.46 g/cm²和0.62 g/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/cm2;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。