不确定性预测神经网络（UpNet）：将人工神经网络嵌入贝叶斯反演框架以量化遥感反演的不确定性
机器学习
2024-11-08 v1
摘要
大规模植被生物物理参数的反演中，辐射传输模型（RTMs）的反演是最常用的方法。近年来，基于人工神经网络（ANN）的方法因其高精度和计算效率已成为反演 RTMs 的主流方法。其已被广泛用于生物物理变量（BV）的反演。然而，由于缺乏贝叶斯反演理论的解释，其在量化反演不确定性方面面临挑战，而反演不确定性是产品质量验证以及数据同化或生态系统碳循环建模等下游应用的关键指标。本研究证明，以平方损失训练的人工神经网络输出后验均值，为其不确定性量化、正则化以及先验信息的引入提供了严格的理论基础。随后，针对基于 ANN 的方法提出了一个贝叶斯理论框架。利用该框架，我们推导出一种新算法——不确定性预测神经网络（UpNet），它能够同时训练两个 ANN 以反演 BV 并提供反演不确定性。为验证本方法，我们将 UpNet 与标准贝叶斯推断方法——即马尔可夫链蒙特卡洛（MCMC）——在广泛使用的 RTM ProSAIL 的反演中进行了比较，以反演 BV 并估计不确定性。结果表明，UpNet 反演的 BV 以及估计的不确定性与 MCMC 的结果高度一致，且实现了超过百万倍的加速。这些结果表明，UpNet 在利用中高分辨率遥感数据快速反演 BV 或其他参数及其不确定性量化方面具有显著潜力。我们的 Python 实现可在以下地址获取：https://github.com/Dash-RSer/UpNet.
引用
@article{arxiv.2411.04556,
title = {Uncertainty Prediction Neural Network (UpNet): Embedding Artificial Neural Network in Bayesian Inversion Framework to Quantify the Uncertainty of Remote Sensing Retrieval},
author = {Dasheng Fan and Xihan Mu and Yongkang Lai and Donghui Xie and Guangjian Yan},
journal= {arXiv preprint arXiv:2411.04556},
year = {2024}
}
备注
24 pages, f figures