基于物理感知元学习的近表面遥感反射率中海岸生物化学参数区域适应检索
机器学习
2026-05-08 v1
摘要
高光谱原位感测在检索海岸水体生物化学（BGC）参数（如总悬浮固体、溶解有机碳和总叶绿素-a）方面显示出用于经济高效监测海岸水质的前景。然而，由于区域差异导致的环境条件和生物化学性质差异，使得遥感反射率（Rrs）与BGC参数之间的关系在不同海域之间差异较大，从而挑战了将此类检索算法推广到多个海域的任务。本文提出了一个两阶段物理感知元学习框架，用于从近表面Rrs观测中检索海岸BGC参数。在第一阶段，我们利用基于原位生物光谱图书馆（代表性覆盖澳大利亚海岸水体）的生物光谱正向模型生成大规模合成数据集，并用此数据集对区域无关的基础模型进行预训练，以元学习方式，使模型学习到基本的物理关系。在第二阶段，对预训练的基础模型针对特定区域进行微调。我们收集了来自澳大利亚海岸五个地理位置差异显著的原位高光谱Rrs和BGC测量数据。实验结果表明：（1）BGC参数及其对应的高光谱Rrs特征在实验场点之间呈现明显的区域差异；（2）合成数据集在参数分布和参数间相关性方面与真实样本具有较好的一致性；（3）所提出的方法在BGC检索方面优于五个基准模型；（4）原位测量的BGC参数与模型预测的BGC参数的时间序列在幅度和时序动力学方面表现出良好的一致性。
引用
@article{arxiv.2605.05623,
title = {Region-adaptable retrieval of coastal biogeochemical parameters from near-surface hyperspectral remote sensing reflectance using physics-aware meta-learning},
author = {Yiqing Guo and Nagur R. C. Cherukuru and Eric A. Lehmann and S. L. Kesav Unnithan and Tim J. Malthus and Gemma Kerrisk and Xiubin Qi and Faisal Islam and Tisham Dhar and Mark J. Doubell},
journal= {arXiv preprint arXiv:2605.05623},
year = {2026}
}