[发明专利]基于全局优化算法的农田组分温度反演方法

摘要

基于全局优化算法的农田组分（即叶片和土壤）温度反演方法，其步骤为：①数据输入：输入多角度热红外辐射通量密度的测量数据，以及农田组分温度的先验知识；②目标函数定义：使用多角度热红外辐射通量密度测量值误差分布的协方差矩阵和组分温度先验值误差分布的协方差矩阵构建目标函数；③迭代优化：使用全局优化算法模拟退火法对目标函数进行极小化，得到组分温度的反演值；④反演精度评价：计算组分温度后验概率分布的协方差矩阵，评价反演结果的精度。相比于传统的农田组分温度反演方法，本发明使用全局优化算法对目标函数进行极小化，反演精度较高，特别适用于农作物旱情监测等应用问题，在热红外数据处理与应用领域拥有广阔前景。

主权项

基于全局优化算法的农田组分温度反演方法，其特征在于：将多角度热红外辐射通量密度测量值及其标准差，以及农田组分温度的先验估计值及其标准差作为输入数据，使用多角度热红外辐射通量密度测量值误差分布的协方差矩阵和组分温度先验值误差分布的协方差矩阵构建目标函数，借助全局优化算法模拟退火法对目标函数进行极小化得到农作物叶片和土壤的温度，并通过计算后验概率分布的协方差矩阵来对反演结果进行评价，该方法具体步骤如下：步骤一：数据输入：输入m个不同角度下的热红外辐射通量密度测量值y1，y2，…，ym及其标准差σ1，σ2，…，σm，以及叶片和土壤温度的先验估计值xlo与xso及其标准差σl与σs，并构造下述向量和矩阵：ymeas＝(y1,y2,…,ym)T      (1)xprior＝(xlo,xso)T        (2)Cx=σl2γlsγslσs2---(4)]]>其中，ymeas∈Rm，是实际测量得到的多角度热红外辐射通量密度值组成的向量；xprior∈R2，是叶片和土壤温度先验值组成的向量；Cn∈Rm×m，是实际测量得到的多角度热红外辐射通量密度误差分布的协方差矩阵，它是一个对称矩阵，其对角线元素为各角度下热红外辐射通量密度误差分布的方差，非对角线元素为各角度间热红外辐射通量密度误差分布的的协方差；Cx∈R2×2，是叶片和土壤温度先验值误差分布的协方差矩阵，它同样是一个对称矩阵，其对角线元素为叶片和土壤温度先验值误差分布的方差，非对角线元素为叶片和土壤温度间先验值误差分布的协方差；步骤二：目标函数定义：使用多角度热红外辐射通量密度测量值误差分布的协方差矩阵和组分温度先验值误差分布的协方差矩阵构建目标函数f(x)：f(x)=12(y(x)-ymeas)TCn-1(y(x)-ymeas)+12(x-xprior)TCx-1(x-xprior)+Pl+Ps---(5)]]>式中，x∈R2，是叶片和土壤温度组成的输入参数向量；y(x)∈Rm，是农作物热红外辐射传输模型计算得到的多角度热红外辐射通量密度值组成的向量；Pl和Ps分别为叶片温度和土壤温度的越界惩罚项，其计算公式为：Pl=w×(xl-xlmax)2,ifxl>xlmaxw×(xlmin-xl)2,ifxl<xlmin0,otherwise---(6)]]>Ps=w×(xs-xsmax)2,ifxs>xsmaxw×(xsmin-xs)2,ifxs<xsmin0,otherwise---(7)]]>其中，w为惩罚因子；xl和xs分别为叶片温度和土壤温度；xlmin和xlmax分别为叶片温度的下边界和上边界；xsmin和xsmax分别为土壤温度的下边界和上边界；步骤三：迭代优化：在传统的多维下降单纯形法的基础上，引入温度控制参数T，构建全局优化算法模拟退火法来对目标函数f(x)进行极小化；将使得目标函数f(x)取得极小值时的一组叶片、土壤温度值作为反演结果，记为x*：x*＝(Tl*,Ts*)T      (8)式中，Tl*为叶片温度反演值，Ts*为土壤温度反演值；步骤四：反演精度评价：构建后验概率分布的协方差矩阵Cpost：Cpost＝[h(x*)Cn‑1h(x*)T+Cx‑1]‑1    (9)式中，h(x*)∈R2×m，是农作物热红外辐射传输模型在反演值x*处的雅克比矩阵，其计算公式如下：h(x*)=∂y1(x*)∂xl∂y2(x*)∂xl...∂ym(x*)∂xl∂y1(x*)∂xs∂y2(x*)∂xs...∂ym(x*)∂xs---(10)]]>其中，y1(x*)，y2(x*)，…，ym(x*)是在x*处m个不同角度下的热红外辐射通量密度的模型计算值，通过后验概率分布的协方差矩阵Cpost相对于先验知识协方差矩阵Cx的变化量来对反演精度进行评价。