CN117493733A - 一种基于卫星多光谱信息的总初级生产力计算方法及系统 - Google Patents
一种基于卫星多光谱信息的总初级生产力计算方法及系统 Download PDFInfo
- Publication number
- CN117493733A CN117493733A CN202311441763.5A CN202311441763A CN117493733A CN 117493733 A CN117493733 A CN 117493733A CN 202311441763 A CN202311441763 A CN 202311441763A CN 117493733 A CN117493733 A CN 117493733A
- Authority
- CN
- China
- Prior art keywords
- rate
- maximum
- maximum carboxylation
- carboxylation rate
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 43
- 230000021523 carboxylation Effects 0.000 claims abstract description 132
- 238000006473 carboxylation reaction Methods 0.000 claims abstract description 132
- 230000000243 photosynthetic effect Effects 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 238000011160 research Methods 0.000 claims abstract description 34
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 33
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000004907 flux Effects 0.000 claims abstract description 29
- 238000005842 biochemical reaction Methods 0.000 claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 18
- 229910052757 nitrogen Inorganic materials 0.000 claims description 13
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 6
- 239000001569 carbon dioxide Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 claims description 6
- 230000027756 respiratory electron transport chain Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 108090000790 Enzymes Proteins 0.000 claims description 3
- 102000004190 Enzymes Human genes 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000006540 mitochondrial respiration Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 229930002875 chlorophyll Natural products 0.000 description 5
- 235000019804 chlorophyll Nutrition 0.000 description 5
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000218631 Coniferophyta Species 0.000 description 1
- 108010003581 Ribulose-bisphosphate carboxylase Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于卫星多光谱信息的总初级生产力计算方法及系统，属于数据处理技术领域，包括：基于全球碳通量监测网数据构建最大羧化速率数据集；利用卫星多光谱信息，构建计算最大羧化速率的全连接深度神经网络；采用最大羧化速率数据集训练全连接深度神经网络，得到最大羧化速率全连接深度神经网络模型；将最大羧化速率全连接深度神经网络模型嵌入光合生化反应模型构建知识数据混合框架，基于研究区观测数据计算知识数据混合框架得到关键参数最大羧化速率，将关键参数最大羧化速率代入光合生化反应模型，得到研究区的总初级生产力。本发明通过克服模型参数误差，同时具有良好的物理解释性，为高精度总初级生产力估计提供了有力的工具。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于卫星多光谱信息的总初级生产力计算方法及系统。
背景技术
陆地总初级生产力(Gross Primary Productivity，GPP)即光合固碳量是陆地碳吸收的主要读懂因素。准确评估总初级生产力有助于增强对陆地碳循环时空格局的理解，也能帮助精准量化生态系统碳汇资源，评估碳中和情况。
传统的总初级生产力模拟依赖光合生化反应模型，冠层光能利用效率模型以及太阳诱导叶绿素荧光模型等。其中光合生化反应模型清晰描述了光合暗反应过程，是最常用的总初级生产力模拟工具。光合生化反应模型精度高度依赖模型关键参数最大羧化速率。已有的最大羧化速率估算方法包括基于叶片氮含量、叶片叶绿素含量、指数、高光谱信息驱动模型。叶片氮含量、叶绿素含量与Rubisco酶含量直接相关，因此能够反应最大羧化速率变化的物理机制，但是叶片氮含量与叶绿素含量直接测量费时费力，难以应用推广，另一方面，叶片氮含量、叶绿素等信息较为单一，难以精准刻画最大羧化速率在不同物种、不同地区、不同生育期下的最大羧化速率变化特征。高光谱信息包括数百个波段，包含信息丰富，对精准预测最大羧化速率具有极大潜力，但是高光谱信息较为匮乏，目前尚无高光谱产品支持时空连续最大羧化速率估计。
因此，亟需效率更高、适用性更强的方法应对总初级生产力模型参数不确定性问题。
发明内容
本发明提供一种基于卫星多光谱信息的总初级生产力计算方法及系统，用以解决现有技术中针对总初级生产力模型的计算中存在参数不确定的缺陷。
第一方面，本发明提供一种基于卫星多光谱信息的总初级生产力计算方法，包括：
获取全球碳通量监测网数据和研究区观测数据；
基于所述全球碳通量监测网数据构建最大羧化速率数据集；
利用卫星多光谱信息，构建计算最大羧化速率的全连接深度神经网络；
采用所述最大羧化速率数据集训练所述全连接深度神经网络，得到最大羧化速率全连接深度神经网络模型；
将所述最大羧化速率全连接深度神经网络模型嵌入光合生化反应模型构建知识数据混合框架，基于所述研究区观测数据计算所述知识数据混合框架得到关键参数最大羧化速率，将所述关键参数最大羧化速率代入所述光合生化反应模型，得到研究区的总初级生产力。
根据本发明提供的一种基于卫星多光谱信息的总初级生产力计算方法，获取全球碳通量监测网数据和研究区观测数据，包括：
获取中分辨率成像光谱仪MODIS中的指定7波段地表反射率、太阳辐射、空气温度、湿度、风速和二氧化碳浓度气象数据；
采集冠层高度、叶面积指数和冠层聚集指数植物生理数据。
根据本发明提供的一种基于卫星多光谱信息的总初级生产力计算方法，基于所述全球碳通量监测网数据构建最大羧化速率数据集，包括：
采用差分演化算法，从所述全球碳通量监测网数据中获取所述最大羧化数据集：
其中，表示第g代父代种群个体，N表示第g代父代种群的样本数量，/>表示第g+1代变异向量，通过/>中采样任意三个不同独立种群个体/>和/>进行差分组所得到，/>表示由/>与/>进行交叉操作生成的试验个体，rand(0,1)表示在0至1范围内取随机数，CR表示交叉因子。
根据本发明提供的一种基于卫星多光谱信息的总初级生产力计算方法，利用卫星多光谱信息，构建计算最大羧化速率的全连接深度神经网络，包括：
h1＝f0(w0x+b0)
hl＝fl(wl-1hl-1+bl-1)
y＝wLhL+bL
其中，x表示输入层，y表示输出层，h1、hl-1、hl和hL分别表示第一个隐含层，第l-1个隐含层、第l个隐含层和第L个隐含层，L表示隐含层总数，f0表示第一个隐含层的激活函数，w0和b0表示第一个隐含层的权重与偏置，fl表示第l个隐含层的激活函数，wl-1和bl-1表示第l-1个隐含层的权重与偏置，wL和bL表示第L个隐含层的权重与偏置。
根据本发明提供的一种基于卫星多光谱信息的总初级生产力计算方法，采用所述最大羧化速率数据集训练所述全连接深度神经网络，得到最大羧化速率全连接深度神经网络模型，包括：
按照预设比例将所述最大羧化速率数据集划分为训练集、测试集和验证集，基于所述训练集、所述测试集和所述验证集训练所述全连接深度神经网络，确定均方误差损失函数Loss：
其中，Vcmax,o,train与Vcmax,e,train分别表示冠层顶部最大羧化速率训练集中的观测值与预测值，Ntrain表示训练集样本数；
对所述全连接深度神经网络的结构编码进行优化，以所述均方误差损失函数为适应度函数，利用遗传算法确定优化函数fitness：
其中，Vcmax,o,test与Vcmax,e,test分别表示冠层顶部最大羧化速率测试集中的观测值与对应的预测值，Ntest表示测试集样本数。
根据本发明提供的一种基于卫星多光谱信息的总初级生产力计算方法，将所述最大羧化速率全连接深度神经网络模型嵌入光合生化反应模型构建知识数据混合框架，包括：
利用所述卫星多光谱信息，获取冠层顶部最大羧化速率Vcmax,0；
基于冠层顶部最大羧化速率Vcmax,0计算得到冠层内代表性阳叶最大羧化速率Vcmax,sun和冠层内代表性阴叶最大羧化速率Vcmax,sh：
其中，χn表示最大羧化速率与叶片氮含量的比值，no表示冠层顶部叶片氮含量，k表示阳叶叶面积随冠层衰减速率，kn表示叶片氮含量随冠层衰减速率，L表示总叶面积指数；
基于所述冠层内代表性阳叶最大羧化速率Vcmax,sun和所述冠层内代表性阴叶最大羧化速率Vcmax,sh计算得到代表性阳叶最大电子传递速率Jmax,sun和代表性阴叶最大电子传递速率Jmax,sh：
Jcmax,sun＝29.1+1.64Vcmax,sum
Jcmax,sh＝29.1+1.64Vcmax,sh。
根据本发明提供的一种基于卫星多光谱信息的总初级生产力计算方法，将所述关键参数最大羧化速率代入所述光合生化反应模型，得到研究区的总初级生产力，包括：
GPP＝AsunLaisun+AshLaish
其中：
d＝Γ*
β＝Ca(gbmhs-2b-gb)
θ＝gbmhs-b
其中，K为Rubsico酶反应常数，取值为412μmol m-2s-1，Γ*为CO2补偿点，取值为36μmol m-2s-1，m与b分别为气孔导度模型参数，取值为8和0.0175，ppfd为光合有效辐射，Ca为环境二氧化碳浓度，hs为空气相对湿度，gb为边界层导度，A为净光合速率，Rd为线粒体呼吸速率。
第二方面，本发明还提供一种基于卫星多光谱信息的总初级生产力计算系统，包括：
获取模块，用于获取全球碳通量监测网数据和研究区观测数据；
第一构建模块，用于基于所述全球碳通量监测网数据构建最大羧化速率数据集；
第二构建模块，用于利用卫星多光谱信息，构建计算最大羧化速率的全连接深度神经网络；
训练模块，用于向采用所述最大羧化速率数据集训练所述全连接深度神经网络，得到最大羧化速率全连接深度神经网络模型；
计算模块，用于将所述最大羧化速率全连接深度神经网络模型嵌入光合生化反应模型构建知识数据混合框架，基于所述研究区观测数据计算所述知识数据混合框架得到关键参数最大羧化速率，将所述关键参数最大羧化速率代入所述光合生化反应模型，得到研究区的总初级生产力。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于卫星多光谱信息的总初级生产力计算方法。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于卫星多光谱信息的总初级生产力计算方法。
本发明提供的基于卫星多光谱信息的总初级生产力计算方法及系统，通过采用基于卫星多光谱信息估算生态系统尺度最大羧化速率，能够有效克服传统驱动数据时空不连续，空间尺度难以统一的缺点；相比于传统的线性回归理论，本发明提出的最大羧化速率估计深度神经网络框架，能够自动搜索最优的网络结构，模型精度高；此外，提出的知识-数据混合驱动总初级生产力估算框架，通过保留光合物理过程实现良好的物理解释性，通过引入数据驱动最大羧化速率模型，克服总初级生产力估算中的模型参数误差，提高模型精度。完成了总初级生产力的精确估计和可解释性评估。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于卫星多光谱信息的总初级生产力计算方法的流程示意图；
图2是本发明提供的总初级生产力计算的方法原理图；
图3是本发明提供的构建不同土地利用类型下的最大羧化速率估计神经网络结构示意图；
图4是本发明提供的基于卫星多光谱信息的总初级生产力计算系统的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
针对现有技术中存在的局限性，本发明提出了融合卫星多光谱信息的混合驱动总初级生产力估算方法，在考虑光合作用物理过程的基础上，融合数据驱动的关键参数最大羧化速率模型，为总初级生产力估算提供了高精度，可解释的解决方案。
图1是本发明实施例提供的基于卫星多光谱信息的总初级生产力计算方法的流程示意图，如图1所示，包括：
步骤100：获取全球碳通量监测网数据和研究区观测数据；
步骤200：基于所述全球碳通量监测网数据构建最大羧化速率数据集；
步骤300：利用卫星多光谱信息，构建计算最大羧化速率的全连接深度神经网络；
步骤400：采用所述最大羧化速率数据集训练所述全连接深度神经网络，得到最大羧化速率全连接深度神经网络模型；
步骤500：将所述最大羧化速率全连接深度神经网络模型嵌入光合生化反应模型构建知识数据混合框架，基于所述研究区观测数据计算所述知识数据混合框架得到关键参数最大羧化速率，将所述关键参数最大羧化速率代入所述光合生化反应模型，得到研究区的总初级生产力。
具体地，本发明实施例通过数据采集及预处理，包括卫星多光谱影像，风速、湿度、温度、太阳辐射、大气压、CO2浓度等气象数据以及冠层高度、叶面积指数、冠层聚集指数等数据。基于全球通量联盟网络碳通量观测构建最大羧化速率数据集；以卫星多光谱信息为输入，构建用于估算最大羧化速率的全连接深度神经网络；利用最大羧化速率数据集训练全连接深度神经网络，利用已训练的全连接深度神经网络模型嵌入光合生化反应模型，构建知识-数据混合驱动总初级生产力模拟框架。
如图2所示，第一步，输入卫星多光谱数据至最大羧化速率神经网络，采用遗传算法搜索最优网络结构，获得最大羧化速率时空分布；第二步，由第一步得到的最大羧化速率时空分布进行推演，根据气象数据和植物生理数据进行冠层阳叶和阴叶划分，对代表性阳叶和阴叶的光合参数进行估计，得到光合生化反应物理模型，从而得到最终的总初级生产力时空分布。
本发明融合卫星多光谱信息求解关键参数，构建知识-数据混合框架估计总初级生产力时空分布。与传统方法相比，本发明克服了模型参数误差，同时具有良好的物理解释性，为高精度总初级生产力估计提供了有力的工具。
基于上述实施例，获取全球碳通量监测网数据和研究区观测数据，包括：
获取中分辨率成像光谱仪MODIS中的指定7波段地表反射率、太阳辐射、空气温度、湿度、风速和二氧化碳浓度气象数据；
采集冠层高度、叶面积指数和冠层聚集指数植物生理数据。
具体地，本发明实施例获取全球碳通量监测网数据以及研究区观测数据进行预处理，包括中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer，MODIS)500m 7波段地表反射率(band 1:620-670nm；band 2:841-876nm；band 3:459-479nm；band 4:545-565nm；band 5:1230-1250nm；band 6:1628-1652nm；band 7:2105-2155nm)，还有太阳辐射、空气温度、湿度、风速和CO2浓度气象数据，以及冠层高度、叶面积指数、冠层聚集指数植物生理数据。
基于上述实施例，采用差分演化算法，从所述全球碳通量监测网数据中获取所述最大羧化数据集：
其中，表示第g代父代种群个体，N表示第g代父代种群的样本数量，/>表示第g+1代变异向量，通过/>中采样任意三个不同独立种群个体/>和/>进行差分组所得到，/>表示由/>与/>进行交叉操作生成的试验个体，rand(0,1)表示在0至1范围内取随机数，CR表示交叉因子，其取值范围取0.5～1.0，可以通过尝试不同交叉因子值确定最优值。
基于上述实施例，本发明实施例利用卫星多光谱信息，构建计算最大羧化速率的全连接深度神经网络，包括：
h1＝f0(w0x+b0)
hl＝fl(wl-1hl-1+bl-1)
y＝wLhL+bL
其中，x表示输入层，y表示输出层，h1、hl-1、hl和hL分别表示第一个隐含层，第l-1个隐含层、第l个隐含层和第L个隐含层，L表示隐含层总数，f0表示第一个隐含层的激活函数，w0和b0表示第一个隐含层的权重与偏置，fl表示第l个隐含层的激活函数，wl-1和bl-1表示第l-1个隐含层的权重与偏置，wL和bL表示第L个隐含层的权重与偏置。激活函数f0～fl可选sigmoid,relu,tanh等形式，例如：
sigmoid(x)＝(1+e-x)-1
relu(x)＝max(0,x)
需要说明的是，全连接深度神经网络结构按隐含层是否激活-隐含层神经元数量-激活函数-dropout rate形式进行编码，如编码0121中0表示隐含层是否激活对应的标识符，1表示隐含层神经元数量对应的标识符，2表示激活函数对应的标识符，1为dropoutrate对应的标识符，全连接深度神经网络的最大隐含层数为n，神经网络结构可编码为4*n的字符串。
本发明基于卫星多光谱信息估算生态系统尺度最大羧化速率，能够有效克服传统驱动数据时空不连续，空间尺度难以统一的缺点。
基于上述实施例，采用所述最大羧化速率数据集训练所述全连接深度神经网络，得到最大羧化速率全连接深度神经网络模型，包括：
按照预设比例将所述最大羧化速率数据集划分为训练集、测试集和验证集，例如按照70％-15％-15％的比例划分为训练集，测试集与验证集，分别用于训练深度神经网络，优化网络结构，评估最大羧化速率模型的泛化误差。
得到均方误差损失函数Loss：
其中，Vcmax,o,train与Vcmax,e,train分别表示冠层顶部最大羧化速率训练集中的观测值与预测值，Ntrain表示训练集样本数；
以神经网络结构编码为优化对象，以测试集最大羧化速率估计的均方误差为适应度函数，利用遗传算法，通过选择，交叉，编译，演化等步骤，寻找出最优的网络结构。
其中，Vcmax,o,test与Vcmax,e,test分别表示冠层顶部最大羧化速率测试集中的观测值与对应的预测值，Ntest表示测试集样本数。
特别地，本发明实施例针对不同土地利用类型，分别设计最优网络结构，如图3所示，在图3中包括11种土地利用类型：常绿针叶林(ENF)、常绿阔叶林(EBF)、落叶阔叶林(DBF)、混合林(MF)、CSH(郁闭灌木丛)、OSH(稀疏灌木丛)、WAS(有林草原)、SAV(稀树草原)、GRA(草地)、WET(永久湿地)和CRO(农田)。
本发明提出的最大羧化速率估计深度神经网络框架，能够自动搜索最优的网络结构，具有模型精度高的特点。
基于上述实施例，建立的卫星多光谱驱动的最大羧化速率神经网络模型嵌入光合生化模型中，构建知识-数据混合驱动框架。首先利用研究区的卫星多光谱反射率数据，获取关键参数冠层顶部最大羧化速率Vcmax,0。然后计算冠层内代表性阳叶与阴叶的最大羧化速率Vcmax,sun,Vcmax,sh。
其中，参数包括：
χn表示最大羧化速率与叶片氮含量的比值，在常绿阔叶林、落叶针叶林、常绿针叶林、落叶针叶林、灌木丛、C4植物、农田下垫面下的取值分别为0.48m2 g-1，0.59m2 g-1，0.33m2 g-1，0.56m2 g-1，0.57m2 g-1，0.62m2 g-1，0.60m2 g-1；
kn表示叶片氮含量随冠层衰减速率，取值为0.3(Chen et al.,2012)。
变量包括：
no表示冠层顶部叶片氮含量，数值由实际采样获取，k表示阳叶叶面积随冠层衰减速率，其取值依赖于太阳天顶角θ余弦值(0.5/cosθ)，L表示总叶面积指数。
然后基于最大羧化速率计算代表性阳叶与阴叶的最大电子传递速率Jmax,sun和Jmax,sh：
Jcmax,sun＝29.1+1.64Vcmax,sum
Jcmax,sh＝29.1+1.64Vcmax,sh
将最大羧化速率与最大电子传递速率带入到光合速率代数方程，得到：
GPP＝AsunLaisun+AshLaish
其中：
β＝Ca(gbmhs-2b-gb)
θ＝gbmhs-b
其中，K为Rubsico酶反应常数，取值为412μmol m-2s-1，Γ*为CO2补偿点，取值为36μmol m-2s-1，m与b分别为气孔导度模型参数，取值为8和0.0175，ppfd为光合有效辐射，Ca为环境二氧化碳浓度，hs为空气相对湿度，gb为边界层导度，A为净光合速率，包括代表阳叶的净光合速率Asun和代表阴叶的净光合速率Ash，Rd为线粒体呼吸速率，Laisun为阳叶叶面积指数，Laish为阴叶叶面积指数，GPP为总初级生产力。
可以理解的是，根据不同的测试结果，本发明实施例可以利用卫星多光谱信息实现最大羧化速率的精准估计，从而提高总初级生产力的模拟。
本发明有效克服了传统总初级生产力模拟时的参数不确定；同时与传统的数据驱动模型相比保留了光合过程的物理机制，具有一定可解释性。
下面对本发明提供的基于卫星多光谱信息的总初级生产力计算系统进行描述，下文描述的基于卫星多光谱信息的总初级生产力计算系统与上文描述的基于卫星多光谱信息的总初级生产力计算方法可相互对应参照。
图4是本发明实施例提供的基于卫星多光谱信息的总初级生产力计算系统的结构示意图，如图4所示，包括：获取模块41、第一构建模块42、第二构建模块43、训练模块44和计算模块45，其中：
获取模块41用于获取全球碳通量监测网数据和研究区观测数据；第一构建模块42用于基于所述全球碳通量监测网数据构建最大羧化速率数据集；第二构建模块43用于利用卫星多光谱信息，构建计算最大羧化速率的全连接深度神经网络；训练模块44用于向采用所述最大羧化速率数据集训练所述全连接深度神经网络，得到最大羧化速率全连接深度神经网络模型；计算模块45用于将所述最大羧化速率全连接深度神经网络模型嵌入光合生化反应模型构建知识数据混合框架，基于所述研究区观测数据计算所述知识数据混合框架得到关键参数最大羧化速率，将所述关键参数最大羧化速率代入所述光合生化反应模型，得到研究区的总初级生产力。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行基于卫星多光谱信息的总初级生产力计算方法，该方法包括：获取全球碳通量监测网数据和研究区观测数据；基于所述全球碳通量监测网数据构建最大羧化速率数据集；利用卫星多光谱信息，构建计算最大羧化速率的全连接深度神经网络；采用所述最大羧化速率数据集训练所述全连接深度神经网络，得到最大羧化速率全连接深度神经网络模型；将所述最大羧化速率全连接深度神经网络模型嵌入光合生化反应模型构建知识数据混合框架，基于所述研究区观测数据计算所述知识数据混合框架得到关键参数最大羧化速率，将所述关键参数最大羧化速率代入所述光合生化反应模型，得到研究区的总初级生产力。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于卫星多光谱信息的总初级生产力计算方法，该方法包括：获取全球碳通量监测网数据和研究区观测数据；基于所述全球碳通量监测网数据构建最大羧化速率数据集；利用卫星多光谱信息，构建计算最大羧化速率的全连接深度神经网络；采用所述最大羧化速率数据集训练所述全连接深度神经网络，得到最大羧化速率全连接深度神经网络模型；将所述最大羧化速率全连接深度神经网络模型嵌入光合生化反应模型构建知识数据混合框架，基于所述研究区观测数据计算所述知识数据混合框架得到关键参数最大羧化速率，将所述关键参数最大羧化速率代入所述光合生化反应模型，得到研究区的总初级生产力。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于卫星多光谱信息的总初级生产力计算方法，其特征在于，包括：
获取全球碳通量监测网数据和研究区观测数据；
基于所述全球碳通量监测网数据构建最大羧化速率数据集；
利用卫星多光谱信息，构建计算最大羧化速率的全连接深度神经网络；
采用所述最大羧化速率数据集训练所述全连接深度神经网络，得到最大羧化速率全连接深度神经网络模型；
将所述最大羧化速率全连接深度神经网络模型嵌入光合生化反应模型构建知识数据混合框架，基于所述研究区观测数据计算所述知识数据混合框架得到关键参数最大羧化速率，将所述关键参数最大羧化速率代入所述光合生化反应模型，得到研究区的总初级生产力。
2.根据权利要求1所述的基于卫星多光谱信息的总初级生产力计算方法，其特征在于，获取全球碳通量监测网数据和研究区观测数据，包括：
获取中分辨率成像光谱仪MODIS中的指定7波段地表反射率、太阳辐射、空气温度、湿度、风速和二氧化碳浓度气象数据；
采集冠层高度、叶面积指数和冠层聚集指数植物生理数据。
3.根据权利要求1所述的基于卫星多光谱信息的总初级生产力计算方法，其特征在于，基于所述全球碳通量监测网数据构建最大羧化速率数据集，包括：
采用差分演化算法，从所述全球碳通量监测网数据中获取所述最大羧化数据集：
其中，表示第g代父代种群个体，N表示第g代父代种群的样本数量，/>表示第g+1代变异向量，通过/>中采样任意三个不同独立种群个体/>和/>进行差分组所得到，表示由/>与/>进行交叉操作生成的试验个体，rand(0，1)表示在0至1范围内取随机数，CR表示交叉因子。
4.根据权利要求1所述的基于卫星多光谱信息的总初级生产力计算方法，其特征在于，利用卫星多光谱信息，构建计算最大羧化速率的全连接深度神经网络，包括：
h1＝f0(w0x+b0)
hl＝fl(wl-1hl-1+bl-1)
y＝wLhL+bL
其中，x表示输入层，y表示输出层，h1、hl-1、hl和hL分别表示第一个隐含层，第l-1个隐含层、第l个隐含层和第L个隐含层，L表示隐含层总数，f0表示第一个隐含层的激活函数，w0和b0表示第一个隐含层的权重与偏置，fl表示第l个隐含层的激活函数，wl-1和bl-1表示第l-1个隐含层的权重与偏置，wL和bL表示第L个隐含层的权重与偏置。
5.根据权利要求1所述的基于卫星多光谱信息的总初级生产力计算方法，其特征在于，采用所述最大羧化速率数据集训练所述全连接深度神经网络，得到最大羧化速率全连接深度神经网络模型，包括：
按照预设比例将所述最大羧化速率数据集划分为训练集、测试集和验证集，基于所述训练集、所述测试集和所述验证集训练所述全连接深度神经网络，确定均方误差损失函数Loss：
其中，Vcmax，o，train与Vcmax，e，train分别表示冠层顶部最大羧化速率训练集中的观测值与预测值，Ntrain表示训练集样本数；
对所述全连接深度神经网络的结构编码进行优化，以所述均方误差损失函数为适应度函数，利用遗传算法确定优化函数fitness：
其中，Vcmax，o，teat与Vcmax，e，test分别表示冠层顶部最大羧化速率测试集中的观测值与对应的预测值，Ntest表示测试集样本数。
6.根据权利要求1所述的基于卫星多光谱信息的总初级生产力计算方法，其特征在于，将所述最大羧化速率全连接深度神经网络模型嵌入光合生化反应模型构建知识数据混合框架，包括：
利用所述卫星多光谱信息，获取冠层顶部最大羧化速率Vcmax，0；
基于冠层顶部最大羧化速率Vcmax，0计算得到冠层内代表性阳叶最大羧化速率Vcmax，sun和冠层内代表性阴叶最大羧化速率Vcmax，sh：
其中，χn表示最大羧化速率与叶片氮含量的比值，no表示冠层顶部叶片氮含量，k表示阳叶叶面积随冠层衰减速率，kn表示叶片氮含量随冠层衰减速率，L表示总叶面积指数；
基于所述冠层内代表性阳叶最大羧化速率Vcmax，sun和所述冠层内代表性阴叶最大羧化速率Vcmax，sh计算得到代表性阳叶最大电子传递速率Jmax，sun和代表性阴叶最大电子传递速率Jmax，sh：
Jcmax，sun＝29.1+1.64Vcmax，sum
Jcmax，sh＝29.1+1.64Vcmax，sh。
7.根据权利要求6所述的基于卫星多光谱信息的总初级生产力计算方法，其特征在于，将所述关键参数最大羧化速率代入所述光合生化反应模型，得到研究区的总初级生产力，包括：
GPP＝AsunLaisun+AshLaish
其中：
d＝Γ*
β＝Ca(gbmhs-2b-gb)
θ＝gbmhs-b
其中，K为Rubsico酶反应常数，取值为412μmol m-2s-1，Γ*为CO2补偿点，取值为36μmolm-2s-1，m与b分别为气孔导度模型参数，取值为8和0.0175，ppfd为光合有效辐射，Ca为环境二氧化碳浓度，hs为空气相对湿度，gb为边界层导度，A为净光合速率，包括代表阳叶的净光合速率Asun和代表阴叶的净光合速率Ash，Rd为线粒体呼吸速率，Laisun为阳叶叶面积指数，Laish为阴叶叶面积指数，GPP为总初级生产力。
8.一种基于卫星多光谱信息的总初级生产力计算系统，其特征在于，包括：
获取模块，用于获取全球碳通量监测网数据和研究区观测数据；
第一构建模块，用于基于所述全球碳通量监测网数据构建最大羧化速率数据集；
第二构建模块，用于利用卫星多光谱信息，构建计算最大羧化速率的全连接深度神经网络；
训练模块，用于向采用所述最大羧化速率数据集训练所述全连接深度神经网络，得到最大羧化速率全连接深度神经网络模型；
计算模块，用于将所述最大羧化速率全连接深度神经网络模型嵌入光合生化反应模型构建知识数据混合框架，基于所述研究区观测数据计算所述知识数据混合框架得到关键参数最大羧化速率，将所述关键参数最大羧化速率代入所述光合生化反应模型，得到研究区的总初级生产力。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于卫星多光谱信息的总初级生产力计算方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于卫星多光谱信息的总初级生产力计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311441763.5A CN117493733B (zh) | 2023-10-30 | 2023-10-30 | 一种基于卫星多光谱信息的总初级生产力计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311441763.5A CN117493733B (zh) | 2023-10-30 | 2023-10-30 | 一种基于卫星多光谱信息的总初级生产力计算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117493733A true CN117493733A (zh) | 2024-02-02 |
| CN117493733B CN117493733B (zh) | 2024-06-11 |
Family
ID=89673724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311441763.5A Active CN117493733B (zh) | 2023-10-30 | 2023-10-30 | 一种基于卫星多光谱信息的总初级生产力计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117493733B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103513290A (zh) * | 2013-10-24 | 2014-01-15 | 环境保护部卫星环境应用中心 | 基于遥感的区域陆地生态系统呼吸监测方法 |
| CN113516362A (zh) * | 2021-05-17 | 2021-10-19 | 深圳大学 | 基于遥感与过程耦合模型的红树林净初级生产力估算方法 |
| CN114595429A (zh) * | 2022-03-16 | 2022-06-07 | 南京农业大学 | 一种水稻叶片功能表型的估算方法 |
| US20220315942A1 (en) * | 2019-08-06 | 2022-10-06 | MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. | A method for the production of plants with altered photorespiration and improved co2 fixation |
| CN115526098A (zh) * | 2022-09-14 | 2022-12-27 | 国家能源投资集团有限责任公司 | 一种矿区地表植被叶面积指数遥感计算方法及电子设备 |
| CN115587916A (zh) * | 2022-09-27 | 2023-01-10 | 武汉大学 | Gpp估算模型的构建方法 |
| CN116341724A (zh) * | 2023-03-08 | 2023-06-27 | 黑龙江省生态气象中心 | 基于全球气候模式驱动碳循环机理模型的碳吸收预估方法 |
| CN116432849A (zh) * | 2023-04-19 | 2023-07-14 | 哈尔滨工业大学 | 一种基于初级生产力数据同化的叶面积指数预测方法 |
-
2023
- 2023-10-30 CN CN202311441763.5A patent/CN117493733B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103513290A (zh) * | 2013-10-24 | 2014-01-15 | 环境保护部卫星环境应用中心 | 基于遥感的区域陆地生态系统呼吸监测方法 |
| US20220315942A1 (en) * | 2019-08-06 | 2022-10-06 | MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. | A method for the production of plants with altered photorespiration and improved co2 fixation |
| CN113516362A (zh) * | 2021-05-17 | 2021-10-19 | 深圳大学 | 基于遥感与过程耦合模型的红树林净初级生产力估算方法 |
| CN114595429A (zh) * | 2022-03-16 | 2022-06-07 | 南京农业大学 | 一种水稻叶片功能表型的估算方法 |
| CN115526098A (zh) * | 2022-09-14 | 2022-12-27 | 国家能源投资集团有限责任公司 | 一种矿区地表植被叶面积指数遥感计算方法及电子设备 |
| CN115587916A (zh) * | 2022-09-27 | 2023-01-10 | 武汉大学 | Gpp估算模型的构建方法 |
| CN116341724A (zh) * | 2023-03-08 | 2023-06-27 | 黑龙江省生态气象中心 | 基于全球气候模式驱动碳循环机理模型的碳吸收预估方法 |
| CN116432849A (zh) * | 2023-04-19 | 2023-07-14 | 哈尔滨工业大学 | 一种基于初级生产力数据同化的叶面积指数预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| DEKUN YUAN 等: "Improving the Gross Primary Productivity Estimate by Simulating the Maximum Carboxylation Rate of the Crop Using Machine Learning Algorithms", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 60, 23 August 2022 (2022-08-23), XP011919514, DOI: 10.1109/TGRS.2022.3200988 * |
| XIAOLONG HU 等: "A novel hybrid modelling framework for GPP estimation: Integrating a multispectral surface reflectance based V25 cmax simulator into the process-based model", SCIENCE OF THE TOTAL ENVIRONMENT, 23 February 2024 (2024-02-23) * |
| YONGGUANG ZHANG 等: "Advances in hyperspectral remote sensing of vegetation traits and functions", REMOTE SENSING OF ENVIRONMENT, 7 October 2020 (2020-10-07) * |
| 卢伟;范文义;田甜;: "基于东北温带落叶阔叶林通量数据的BEPS模型参数优化", 应用生态学报, vol. 27, no. 5, 31 May 2016 (2016-05-31), pages 1353 - 1358 * |
| 邹娴: "基于遥感过程模型的农田NPP估算及参数敏感性研究", 中国优秀硕士学位论文全文数据库 农业科技辑, 15 January 2019 (2019-01-15), pages 043 - 6 * |
| 陈俊英 等: "无人机多光谱遥感反演花蕾期棉花光合参数研究", 农业机械学报, vol. 49, no. 10, 31 October 2018 (2018-10-31), pages 230 - 239 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117493733B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113919448B (zh) | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 | |
| CN111080173B (zh) | 一种森林系统碳通量的估计方法 | |
| CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
| CN107271405A (zh) | 一种多模型协同的水质参数浓度反演方法和装置 | |
| CN111709318B (zh) | 一种基于生成对抗网络的高分辨率遥感图像分类方法 | |
| CN114005048A (zh) | 基于多时相数据的土地覆盖变化与热环境影响研究方法 | |
| CN102222313A (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
| CN115630567A (zh) | 一种海岸带土壤有机碳储量模拟及预测方法 | |
| CN105931153A (zh) | 一种基于神经网络预测分析模型的问卷调查间接评估方法 | |
| CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
| CN115829163B (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 | |
| CN109214591B (zh) | 一种木本植物地上生物量预测方法及系统 | |
| CN117197683A (zh) | 基于深度特征融合的乡村地区遥感影像碳排放估算系统 | |
| CN115602337A (zh) | 一种基于机器学习的刺激隐核虫疾病预警方法及系统 | |
| CN117036928A (zh) | 基于遥感影像与机器学习的城市森林碳汇测算方法及系统 | |
| CN114019082B (zh) | 一种土壤有机质含量监测方法和系统 | |
| CN115758074A (zh) | 基于多源数据的高空间分辨率海水二氧化碳分压重构方法 | |
| CN117078114A (zh) | 引水工程影响下受水湖泊水质评价方法和系统 | |
| CN115758270A (zh) | 基于随机森林与环境变量的土壤矿物结合态有机碳预测方法及装置 | |
| CN110569871B (zh) | 一种基于深度卷积神经网络的鞍部点识别方法 | |
| CN116824393A (zh) | 基于迁移学习与半监督回归模型的湖泊叶绿素反演方法 | |
| CN117493733B (zh) | 一种基于卫星多光谱信息的总初级生产力计算方法及系统 | |
| CN114996624B (zh) | 一种基于多任务深度学习的遥感pm2.5和no2协同反演方法 | |
| Li et al. | A technique system for the measurement, reconstruction and character extraction of rice plant architecture | |
| CN115271221A (zh) | 一种城市扩展预测方法、装置、介质及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |