Mengjie Liang, Kebiao Mao, Jiancheng Shi, Sayed M. Bateni, Fei Meng, An AI-Based Nested Large-Small Model for Passive Microwave Soil Moisture and Land Surface Temperature Retrieval Method, Remote Sensing, 2025, 17, 1198,1-33. PDF下载：https://doi.org/10.3390/rs17071198

基于人工智能的嵌套大小模型用于被动微波土壤湿度和地表温度反演方法

主要内容：

1. 研究目标： 该研究的主要目标是开发一种新颖的人工智能（AI）方法，通过嵌套的大模型和小模型结合，准确反演土壤湿度和地表温度。这些变量对农业、气象和环境监测具有重要意义。

2. 方法创新： 研究提出了基于嵌套模型的反演方法，其中大模型主要负责从多源数据中提取复杂的空间信息，而小模型则用来快速且高效地进行预测。通过人工智能技术，特别是深度学习和迁移学习，优化了大模型和小模型之间的信息传递。

3. 多源数据融合： 该方法通过融合被动微波遥感数据、地面观测数据以及气象数据，综合考虑了多种环境因素，提高了土壤湿度和地表温度反演的准确性。

4. 实验验证： 在多个真实数据集上进行验证，表明该方法在反演精度和计算效率上具有显著优势。通过嵌套结构的模型，能够有效提升土壤湿度和地表温度反演的精度，并减少计算负担。

创新点：

1. 嵌套大小模型的提出：该研究创新性地提出了嵌套的大模型和小模型结合的策略，大模型负责复杂信息提取，小模型则快速高效地做出预测。这种结构提升了模型的整体性能，尤其是在反演精度和计算效率方面。

2. AI与物理模型结合：通过结合人工智能和物理模型，该方法能够充分利用遥感数据的空间信息和物理特性，从而更准确地反演土壤湿度和地表温度。

3. 多源数据融合：研究通过结合多个数据源（如被动微波遥感数据、气象数据和地面观测数据）实现了更全面和精准的反演结果，克服了单一数据源带来的局限性。

4. 深度学习与迁移学习：该方法通过深度学习和迁移学习技术的结合，优化了大模型与小模型之间的协同工作，提高了模型的适应性和精度。

该研究为被动微波土壤湿度和地表温度反演提供了一个新的AI方法，具有重要的理论价值和应用潜力，特别是在农业、气象和环境监测等领域。

转载本文请联系原作者获取授权，同时请注明本文来自毛克彪科学网博客。
链接地址：https://wap.sciencenet.cn/blog-67260-1484473.html

上一篇：利用知识蒸馏技术对AI大模型和小模型进行联合优化以反演地表温度和发射率
下一篇：基于CYGNSS数据的时空约束人工智能模型用于土壤湿度反演