用于生物物理参数反演的联合高斯过程
机器学习
2017-11-15 v1 机器学习
摘要
求解反演问题在地球科学和遥感中处于核心地位。辐射传输模型(RTMs)以数学方式表示遥感应用(前向模型)中现象所遵循的物理规律。RTM方程的数值反演是一个具有挑战性且计算量大的问题,因此通常更倾向于应用非线性统计回归。一般而言,回归模型根据相应的接收辐射亮度预测感兴趣的生物物理参数。然而,这种方法并未利用RTMs中编码的物理信息。另一种试图纳入物理知识的策略是,使用RTM代码模拟的数据训练回归模型。在本工作中,我们引入了一种非线性非参数回归模型,它结合了上述两种方法的优点。反演同时联合考虑真实观测和RTM模拟数据。所提出的联合高斯过程(JGP)为利用两类数据之间的规律性提供了一个坚实的框架。JGP自动检测模拟数据和真实数据的相对质量,并相应地进行组合。这是通过学习一个相对于标准GP模型的额外超参数,并通过最大化真实观测的伪似然来拟合参数实现的。所得方案既简单又鲁棒,即能够适应不同场景。在多个实验中考虑RTM模拟和真实观测,展示了JGP方法相较于基准策略的优势。具体而言,我们考虑从Landsat数据结合PROSAIL模型生成的模拟数据反演叶面积指数(LAI)。
引用
@article{arxiv.1711.05197,
title = {Joint Gaussian Processes for Biophysical Parameter Retrieval},
author = {Daniel Heestermans Svendsen and Luca Martino and Manuel Campos-Taberner and Francisco Javier García-Haro and Gustau Camps-Valls},
journal= {arXiv preprint arXiv:1711.05197},
year = {2017}
}
备注
21 pages single column, Accepted for publication in IEEE Transactions on Geoscience and Remote Sensing