纪念一下，从2001年跟覃志豪老师开始读硕士做热红外遥感到跟施建成老师读博士做微波遥感一现在，持续做了23年。上周基于人工智能大气水汽含量反演范式的论文发表后，我们提出的农业气象遥感关键参数（土壤水分、地表温度、发射率、近地表空气温度、大气水汽含量等 ）人工智能反演范式理论和技术终于完整了。 传统物理方法在刻画真实物理场景时，已经做了简化并且引入了误差，特别是在处理混合像元和不断变化的相对入射角时显得相对比较困难，在复杂地区误差更大，因此在参数反演实际应用精度上有一定的瓶颈。我们构造了一套自己的理论如何使用人工智能方法耦合“物理和统计方法”反演参数在一定程度上解决了这些问题。过去十多年我们通过邮件、QQ、微信和讲座等方式给很多研究生讲解了如何使用深度学习反演遥感参数，在推动人工智能在参数反演方面做了很多工作。很多研究生读了我们的论文和模仿我们的思维模式做相关分析研究，但在使用过程中并没有领悟透彻，反演中存在很多问题并且精度不高，所以有些人也质疑我们的方法，甚至发表论文时不引用我们的论文。我把我的理论和idea手把手教了自己的学生2-3年，他们中大多也没有完全理解清楚，相关论文投稿后，对审稿人的意见依然答非所问，大部分问题还得我亲自回答。虽然理论思维并不复杂，但单一研究背景的研究生很难吃透交叉学科理论，听和看的时候好像理解了，做的时候就不行......因此培养交叉学科的人才势在必行，使用人工智能方法要遵循一定的规则，要知道为什么用及怎么用？下面是基于人工智能反演范式理论形成的代表性论文。

1. 毛克彪*, 张晨阳, 施建成, 王旭明, 郭中华, 李春树, 董立新, 吴门新, 孙瑞静, 武胜利, 姬大彬, 蒋玲梅, 赵天杰, 邱玉宝, 杜永明, 徐同仁. 基于人工智能的地球物理参数反演范式理论及判定条件,智慧农业(中英文), 2023,5(02), 1-11.

2. 毛克彪*，杨军，韩秀珍，唐世浩，袁紫晋，高春雨，基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究，中国农业信息，2018,30(5),47-57.

3. Kebiao Mao*, Jiancheng Shi, Z. Li, and H. Tang, An RM-NN algorithm for retrieving land surface temperature and emissivity from EOS/MODIS data, Journal of Geophysical Research-atmosphere, 2007, 112, D21102, 1-17.

4. Kebiao Mao*, H. T. Li, D. Y. Hu, J. Wang, J. X. Huang, Z. L. Li, Q. B. Zhou, and H. J. Tang, Estimation of water vapor content in near-infrared bands around 1 μm from MODIS data by using RM–NN, Optics Express, 2010, 18(9), 9542–9554.

5. Kebiao Mao*, Huajun Tang, Xiufeng Wang, Qingbo Zhou, Daolong Wang, Near-Surface Air Temperature Estimation from ASTER Data Using Neural Network, International Journal of Remote Sensing,2008, 29(20), 6021-6028.

6. Ruyu Mei, Kebiao Mao#*, Jiancheng Shi, Jeffrey Nielson, Sayed M. Bateni, Fei Meng, Guoming Du, A Novel Physics-Statistical Coupled Paradigm for Retrieving Integrated Water Vapor Content Based on Artificial Intelligence. Remote Sens. 2023, 15, 4250, 1-22.

7. Kebiao Mao*, Han Wang, Jiancheng Shi, Essam Heggy, Shengli Wu, Sayed M. Bateni, Guoming Du, A General Paradigm for Retrieving Soil Moisture and Surface Temperature from Passive Microwave Remote Sensing Data Based on Artificial Intelligence, Remote Sens. 2023, 15, 1793, 1-20.

8. Du B., Kebiao Mao#*, Bateni S.M., Meng F., Wang X. M., Guo Z., Jun C., Du G., A Novel Fully Coupled Physical–Statistical–Deep Learning Method for Retrieving Near-Surface Air Temperature from Multisource Data. Remote Sens. 2022, 14, 5812, 1-23.

9. Wang H, Kebiao Mao#*, Zijin Yuan, Jiancheng Shi, Cao M., Qin Z., Duan S., Tang B., A method for land surface temperature retrieval based on model-data-knowledge-driven and deep learning, Remote Sensing of Environment, 2021, 265, 1-19.

10. Kebiao Mao*, Jiancheng Shi, Huajun Tang, Zhao-Liang Li, Xiufeng Wang, Kunshan Chen, A Neural Network Technique for Separating Land Surface Emissivity and Temperature from ASTER Imagery, IEEE Trans. Geosci. Remote Sensing, 2008, 46(1), 200-208.

       如果国家在15年前支持我们做这个工作，我们的产品不会比美国NASA产品差。在过去15年中，我们在人工智能农业气象遥感参数反演理论上一直处于领先位置（我们的理论和技术投稿时，很多审稿人没有看明白，因此有些论文最后选择投稿了Remote Sensing。给大家建议，如果你认为你的理论或方法没有问题，哪怕是投一个一般的期刊，也要先发表........,因为有些时候跟一些审稿人解释没有用，我们有的论文审稿拖了好几年）。理论只是解决了方法思维认知，形成技术产品需要工匠精神，产品有很多细节要具体处理，通常一个遥感产品需要耗费5-10年才能成熟，而且前提是产品需要对社会开放，让大家下载使用和反馈......。从理论到技术产品实现，还有很长的一段路要走，很多人往往认为论文发表了，就不需要做了，其实更需要加大力度支持和解决实际产品问题，推向实用..........理论和算法也要经过多次反复迭代和应用，多次升级后才能形成稳定产品.........像美国NASA早期的单个产品，最开始有些产品一年升级多次，随着技术和产品的成熟，升级的频率开始降低，这点我们要向别人学习，........我跟很多人讲这个道理，有些人简单地以为等过5年，用我们的算法做出产品就没有问题了，简单的照搬而没有深刻的领悟是做不到的.......是需要持续资助我们至少专注做这个产品5年，才能有成熟的产品.........没有人力和物力的投入，没有技术细节的突破和积累，做不到像美国和日本那样的精品的........,专注很重要，........

 论文下载：