CN107677646A - 一种改进dbpso的水质参数监测方法及装置 - Google Patents
一种改进dbpso的水质参数监测方法及装置 Download PDFInfo
- Publication number
- CN107677646A CN107677646A CN201710952761.0A CN201710952761A CN107677646A CN 107677646 A CN107677646 A CN 107677646A CN 201710952761 A CN201710952761 A CN 201710952761A CN 107677646 A CN107677646 A CN 107677646A
- Authority
- CN
- China
- Prior art keywords
- population
- water quality
- quality parameter
- particle
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
- G01N21/552—Attenuated total reflection
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种改进DBPSO的水质参数监测方法和装置,所述方法包括:获取研究区域中采样点处的水质参数,并获取采样前后设定时间范围内的覆盖所述研究区域的卫星高光谱遥感影像,处理所述卫星高光谱遥感影像得到水体遥感反射率,利用灾变离散粒子群优选构建反演水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段时,将所述粒子群中适应度最小的粒子选择的波段作为构建反演水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段。使得粒子可以跳出局部最优解,增加粒子群收敛于全局最优解的能力,实现了特征波段的优化选取,提高了反演水质参数的偏最小二乘反演模型的精度。
Description
技术领域
本发明涉及遥感技术领域,特别是涉及一种改进DBPSO的水质参数监测方法、一种改进DBPSO的水质参数监测装置。
背景技术
内陆水体为人类提供大量水资源的同时具有重要的生态系统功能,是全球碳循环和营养循环的重要组分,然而随着人类活动影响的加剧,内陆水体不断受到有机和无机物污染的威胁,水环境问题日益严重。水环境的管理和保护需要大范围、连续的水质监测予以支撑,而常规水质监测多采用实验室分析手段,虽然监测精度高,但费时、费力且只能获取监测断面上水质状况,难以满足对水质进行大范围、多时相动态监测的需求。
随着遥感技术的不断发展,遥感技术越来越多被应用于水质监测领域。遥感技术作为一种区域性监测手段,能够克服常规水质监测方法的不足。利用遥感数据计算水质参数,实质上是依据预先设置的反演模型进行计算的过程。其中,偏最小二乘法作为一种多元回归方法,可以综合利用多个波段信息来反演水质参数浓度,是一种重要的水质遥感反演方法。
目前有关水质参数偏最小二乘反演模型研究,多直接采用可见光和近红外范围内全谱或者用一定的间隔来提取光谱和水质参数构建偏最小二乘模型,直接利用全谱波段会导致偏最小二乘模型建模的波段数远大于采样点个数,且波段之间存在的共线性问题会加剧偏最小二乘模型建模的不确定性。而以一定间隔来提取光谱,虽然一定程度减少了偏最小二乘模型建模波段数,但无法有效选择对水质参数反演敏感的波段。
为此,少数学者利用遗传算法、离散粒子群算法、蚁群算法等群体智能优化算法来优选构建反演水质参数的偏最小二乘模型的特征波段,其中离散粒子群算法(DBPSO)是在粒子群算法基础上提出的一种离散群体智能全局优化算法,具有计算效率高、收敛速度快和鲁棒性强等优势。然而利用离散粒子群算法优选水质参数偏最小二乘反演特征波段容易收敛于局部最优解,很难得到全局最优解。
发明内容
鉴于上述问题,提出了一种改进DBPSO的水质参数监测方法及装置,以实现特征波段的优化选取,提高了反演水质参数的偏最小二乘反演模型的精度。
依据本发明的一个方面,提供了一种水质参数监测方法,包括:
获取研究区域中采样点处的水质参数,并获取采样前后设定时间范围内的覆盖所述研究区域的卫星高光谱遥感影像;
处理所述卫星高光谱遥感影像得到水体遥感反射率;
利用灾变离散粒子群算法优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段,其中,所述优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段包括:在迭代次数超过设定次数后,利用粒子群的多样性判断所述粒子群是否收敛,若收敛,则将所有粒子中适应度最小的粒子作为第一全局极值,重新初始化所述粒子群中所有粒子的位置和速度,计算粒子适应度,将所有粒子中适应度最小的粒子作为第二全局极值,若所述第二全局极值的适应度小于第一全局极值的适应度,则用第二全局极值代替第一全局极值,否则用第一全局极值代替所述粒子群中适应度最大的粒子,继续迭代直至最大迭代次数,将所述粒子群中适应度最小的粒子选择的波段作为构建反演水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段。
利用所述优选的特征波段所对应的水体遥感反射率和水质参数所构建的水质参数的偏最小二乘反演模型,反演所述研究区域的水质参数。
可选地,所述优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段还包括:
将所有粒子分成多个粒子群,在每个粒子群中分别确定所述特征波段;
在达到所述最大迭代次数之后,对比各个粒子群的粒子,将适应度最小的粒子选择的波段确定为所述特征波段。
可选地,所述优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段还包括:
利用Hadoop MapReduce计算模型进行并行化处理。
可选地,所述粒子群的多样性以所述粒子群的方差和熵值表征。
可选地,在所述利用粒子群的多样性判断所述粒子群是否收敛之前,所述方法还包括:
利用小波变换对所述粒子群的方差和熵值随迭代变化进行平滑处理。
依据本发明的一个方面,提供了一种改进DBPSO的水质参数监测装置,包括:
获取模块,用于获取研究区域中采样点处的水质参数,并获取采样前后设定时间范围内的覆盖所述研究区域的卫星高光谱遥感影像;
影像处理模块,用于处理所述卫星高光谱遥感影像得到水体遥感反射率;
特征波段优选模块,用于利用灾变离散粒子群算法优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段,其中,所述优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段包括:在迭代次数超过设定次数后,利用粒子群的多样性判断所述粒子群是否收敛,若收敛,则将所有粒子中适应度最小的粒子作为第一全局极值,重新初始化所述粒子群中所有粒子的位置和速度,计算粒子适应度,将所有粒子中适应度最小的粒子作为第二全局极值,若所述第二全局极值的适应度小于第一全局极值的适应度,则用第二全局极值代替第一全局极值,否则用第一全局极值代替所述粒子群中适应度最大的粒子,继续迭代直至最大迭代次数,将所述粒子群中适应度最小的粒子选择的波段作为构建反演水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段。
参数反演模块,用于利用所述优选的特征波段所对应的水体遥感反射率和水质参数所构建的水质参数的偏最小二乘反演模型,反演所述研究区域的水质参数。
可选地,所述特征波段优选模块还包括:
粒子群划分子模块,用于将所有粒子分成多个粒子群,在每个粒子群中分别确定所述特征波段;
最优解确定子模块,用于在达到所述最大迭代次数之后,对比各个粒子群的粒子,将适应度最小的粒子选择的波段确定为所述特征波段。
可选地,所述特征波段优选模块还:
并行处理子模块,用于利用Hadoop MapReduce计算模型进行并行化处理。
可选地,所述粒子群的多样性以所述粒子群的方差和熵值表征。
可选地,所述装置还包括:
平滑处理模块,用于在所述利用粒子群的多样性判断所述粒子群是否收敛之前,利用小波变换对所述粒子群的方差和熵值随迭代变化进行平滑处理。
综上所述,依据本发明实施例,通过灾变离散粒子群优选构建反演水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段,减少了偏最小二乘模型的建模波段数,降低了偏最小二乘模型建模不确定性,提高了偏最小二乘模型反演精度。相对于传统离散粒子群算法,灾变离散粒子群算法基于粒子群多样性指标和灾变策略避免粒子群陷于局部最优解,增加了算法的全局搜索能力,可以更好地优化选取水质参数偏最小二乘模型反演所需的特征波段,提高了水质参数偏最小二乘模型的反演精度。该发明为合理利用卫星高光谱数据实现对内陆水体水质参数的精确反演提供了一种新的方法。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例一中的一种改进DBPSO的水质参数监测方法的流程图;
图2示出了水质采样和高光谱实地测量点布设图;
图3示出了经大气校正和几何校正的覆盖微山湖区的HJ-1A HSI遥感影像;
图4示出了小波处理前粒子群方差和熵值随迭代变化示意图;
图5示出了小波处理后粒子群方差和熵值随迭代变化示意图;
图6示出了灾变离散粒子群算法粒子群方差和熵值随迭代变化示意图;
图7示出了基于29个波段构建的叶绿素a浓度偏最小二乘模型建模和验证散点图;
图8示出了基于原始80个波段构建的叶绿素a浓度偏最小二乘模型建模和验证散点图;
图9示出了本发明实施例二中的一种改进DBPSO的水质参数监测装置的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
参照图1,示出了本发明实施例一中的一种改进DBPSO的水质参数监测方法的流程图,具体可以包括:
步骤101,获取研究区域中采样点处的水质参数,并获取采样前后设定时间范围内的覆盖所述研究区域的卫星高光谱遥感影像。
水质参数是用以表示水环境(水体)质量优劣程度和变化趋势的水中各种物质的特征指标,例如,水体的叶绿素a浓度、总悬浮物浓度、浑浊度、透明度、总氮、总磷、色度、嗅、味、水温、微量有害化学元素含量、农药及其它无机或有机化合物含量、大肠杆菌数、细菌含量等。
在本发明实施例中,水质参数包括叶绿素浓度、总悬浮物浓度、浊度等,或者其他任意适用的水质参数,本发明实施例对此不做限制。
在本发明实施例中,为了确保获取的水质参数浓度能够最大程度代表整个研究区的水质参数分布,在研究区域内均匀布设采样点。均匀布点可以沿着平行经度(或纬度)或者沿者某一固定方向以特定间隔来布点,或者其他任意适用的方式,本发明实施例对此不做限制。
在本发明实施例中,利用实验室分析水样获取采样点处的水质参数,为保证采样质量,采样时采样船位于采样点下游方向,以避免船体搅动底部沉积物造成水样污染。采样时采样器与水样容器要先用采样水荡洗2-3次,并贴好标签,采样同时利用GPS记录各采样点的。每个采样点位取水样3份,分别用防水标签注明:该采样点日期和时间、采样点编号以及采样点周边表述、照片信息等其他信息,并且用相机进行拍照,照片编号备注在相应采样瓶的标签上。所有样品应置于保温箱中冷藏。主要测量的水质参数有叶绿素a浓度、总悬浮物浓度、浊度,其中浊度利用浊度计现场测量,叶绿素a浓度在实验室用分光光度法测量,总悬浮物浓度用称重法测量。
在本发明实施例中,获取水质参数还可以利用水质在线监测站获取监测站点处的水质参数。利用集传感器技术、自动控制技术、数据网络传输、存储、处理与分析技术于一体的无线传感器网络,即水质在线监测,实时获取叶绿素a浓度、总悬浮物浓度和浊度等水质参数。
卫星高光谱遥感影像可以通过下载获得,具体可以获取采样前后设定时间范围内的覆盖所述研究区域的卫星数据,具体可以设定任意适用的时间范围,本发明实施例对此不做限制。例如,根据研究区域中心经纬度和采样时间从中国资源卫星应用中心、美国国家航空航天局(NASA)官网、欧洲航天局(ESA)官网等遥感数据库中自动检索并下载水质采样前后1天内覆盖研究区的高光谱遥感影像。
HJ-1AHSI(HyperspectralImager)是我国于2008年9月发射的环境减灾卫星1A星上搭载的高光谱传感器,具有100m的空间分辨率、4天的时间分辨率和10nm左右的光谱分辨率,可以满足大范围的水质遥感监测。HJ-1A HSI数据可以从中国资源卫星应用中心网站(http://www.cresda.com/CN/)检索并下载。
例如,以微山湖为例对均匀布点进行具体说明,如图2所示的水质采样和高光谱实地测量点布设图,根据微山湖的形状特点均匀布设采样点,根据微山湖中心经纬度从中国资源卫星应用中心检索并下载了一景2015年10月16日覆盖微山湖的高光谱遥感影像。
步骤102,处理所述卫星高光谱遥感影像得到水体遥感反射率。
在本发明实施例中,对卫星高光谱遥感影像进行处理,获取水体遥感反射率,具体需要进行大气校正、几何校正等处理。
下面先对大气校正进行说明,遥感器获取的水体反射的辐亮度主要包括三个部分:经大气散射后被传感器接收的辐亮度、经水面直接反射后被传感器接收的辐亮度和经水体后向散射后被传感器接收的辐亮度。其中,经水体后向散射后被传感器接收的辐亮度称为离水辐亮度,携带水质参数浓度信息,是水质遥感反演的关键信息。离水辐亮度一般仅占传感器接收总辐亮度的2-10%。水体遥感反射率即离水辐射率,指离水辐亮度和总入射辐照度之比。
大气校正采用ENVI/IDL中的FLAASH模块进行自动化处理,FLAASH是目前最精确的大气校正模型之一,将传感器特性(传感器高度、波段分布)、研究区地理特征(地理位置、平均高程)、遥感影像属性(影像中心经纬度坐标、获取日期和具体时间)以及大气和气溶胶模型等大气校正参数输入FLAASH模块,可快速实现高光谱遥感影像的精确大气校正。
以获取2015年10月16日覆盖微山湖的HJ-1AHSI影像为例,传感器高度为650km、平均高程为0.05km、影像中心经纬度坐标为34.65720000N,117.46099722E、影像获取的日期和时间为2015年10月16日02时19分30秒(格林尼治时间)、大气模型为Mid-latitudeSummer、气溶胶模型为Rural、水汽反演波段为940nm,其中大气模型根据研究区纬度和影像获取日期来确定。
然后对几何校正进行说明,利用经过几何精校正的覆盖研究区的Landsat8影像作为基准影像进行几何校正,使影像经纬度信息和实际相符。
获取水体遥感反射率,然后根据自动监测站或采样点处实测的经纬度坐标从影像中提取遥感反射率。由于HJ-1AHSI B1-B25(460.04-516.17nm)和B106-B115(中心波长:877.52-951.54nm)受噪声干扰无法用于水质遥感建模,将B1-B25和B106-B115剔除,保留剩余80个波段反射率参与水质遥感反演。
如图3所示的一景经大气校正和几何校正的覆盖微山湖区的HJ-1AHSI遥感影像。
步骤103,利用灾变离散粒子群算法优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段。
在本发明实施例中,相比传统的利用离散粒子群算法来优选构建偏最小二乘模型的光谱波段,优选所述特征波段时包括:在迭代次数超过设定次数后,利用粒子群的多样性判断所述粒子群是否收敛,若收敛,则将所有粒子中适应度最小的粒子作为第一全局极值,重新初始化所述粒子群中所有粒子的位置和速度,计算粒子适应度,将所有粒子中适应度最小的粒子作为第二全局极值,若所述第二全局极值的适应度小于第一全局极值的适应度,则用第二全局极值代替第一全局极值,否则用第一全局极值代替所述粒子群中适应度最大的粒子,继续迭代直至最大迭代次数,将所述粒子群中适应度最小的粒子选择的波段作为构建反演水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段。此时粒子群中适应度最小的粒子为全局最优解,其选择的波段为构建反演水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段。具体可以包括以下步骤:
初始化粒子,初始化粒子群位置Xk,i,j和速度Vk,i,j:
Xk,i,j=rand<0.5,k=0 (1),
Vk,i,j=zeros,k=0 (2),
其中,k代表迭代次数,初始化k=0,i代表粒子编号,i≤N,N为粒子总个数,j代表光谱维度,j≤J,J代表总维度,即高光谱遥感反射率的波段个数,只能取0或1,0代表j维波段未被粒子i选中,反之,1代表被选中。
计算适应度,将采样点分为建模采样点和验证采样点,利用建模采样点处粒子所选择的波段对应的遥感反射率和水质参数浓度构建偏最小二乘模型,利用验证均方根误差RMSE和建模决定系数R2的比值作为适应度fitness,即,
fitness=RMSE/R2 (3),
其中,yn代表第n个建模或验证采样点的水质参数浓度实测值,代表第n个建模或验证采样点的水质参数浓度反演值,为建模采样点水质参数浓度的平均值,n1为建模采样点个数,n2为验证采样点的个数。
确定个体极值和全局极值,根据各个粒子Xi,j对应的适应度fitnessi来确定个体极值pbesti和全局极值gbest,其中gbest为适应度最小的粒子位置,pbesti为各粒子历次迭代过程中适应度最小所对应的粒子位置。
速度和种群更新,利用上次迭代的粒子速度、个体极值和全局极值来更新粒子速度,然后根据粒子速度来更新粒子位置:
Sig(vk+1,i,j)=1/(1+EXP(-vk,i,j)) (7),
其中,Vk+1,i,j为第k+1次迭代粒子i在j维的搜索速度,Vk,i,j为第k次迭代粒子i在j维的搜索速度,xk+1,i,j为k+1次迭代时粒子i在j维的位置,Xk,i,j为k次迭代时粒子i在j维的位置,c1、c2为搜索控制因子,c1控制算法的局部搜索能力,c2控制算法的全局搜索能力,w为惯性权重,Randk+1,i,j为0-1之间的随机数,Sig(vk+1,i,j)指k+1次迭代粒子i第j维取1的概率。
灾变判断,当迭代次数k>CataIter(CataNum)+Interval次时,计算粒子群方差Variance和熵值Entropy,在本发明实施例中,优选地,粒子群的多样性以所述粒子群的方差和熵值表征:
其中,为粒子群第k维粒子位置均值,Sm,j代表粒子群第j维向量中粒子位置取m(m取1或0)的个数,p为中间变量,CataNum为灾变次数,CateSite(CataNum)为第CataNum次灾变发生的位置,即灾变发生时的迭代次数,Interval为判断长度。
计算灾变判断指标,在本发明实施例中,优选地,在所述利用粒子群的多样性判定所述粒子群收敛于局部最优解之前,所述方法还包括:利用小波变换对所述粒子群的方差和熵值随迭代变化进行平滑处理,然后计算灾变判断指标:
delta1=variance(k)-variance(k-Interval) (13),
delta2=entropy(k)-entropy(k-Interval) (14),
delta3=variance(k-Interval/2)-variance(k-Interval) (15),
delta4=entropy(k-Interval/2)-entropy(k-Interval) (16)。
如果满足以下条件,开始灾变:
delta1<threshold&&delta2<threshold&&delta3<threshold&&delta4<threshold (17),
其中,delta1,delta2,delta3,delta4为判断指标;threshold为判定阈值。
对所有粒子位置和速度重新初始化,计算粒子适应度,确定第二全局极值,如果灾变后的第二全局极值的适应度小于灾变前的第一全局极值的适应度,则用灾变后的第二全局极值代替灾变前的第一全局极值,否则利用灾变前的第一全局极值代替灾变后适应度最大的粒子,继续运行离散粒子群优化算法直至达到最大迭代次数。
下面以叶绿素a浓度反演为例进行说明,初始化粒子时,J=80,即HJ-1A HSI高光谱遥感反射率的波段个数。计算适应度时,n1取15,n2取7。速度和种群更新时,取c1=c2=2,w=1。灾变判断时,初始灾变次数CataNum=0,此时CataIter(CataNum)=1,Interval取16。计算灾变判断指标时,小波变换采用的是MATLAB wden一维小波信号处理:
variance=wden(variance,'heursure','s','sln',lev,'sym8'),
entropy=wden(entropy,'heursure','s','sln',lev,'sym8')。
其中,'heursure'代表启发式阈值,'s'代表软阈值,'sln'代表根据第一层小波分解的噪声水平估计进行调整阈值,'sym8'代表小波基名称,lev代表分解层数,这里lev=5。图4示出了小波处理前粒子群方差和熵值随迭代变化示意图,图5示出了小波处理后粒子群方差和熵值随迭代变化示意图。
判定阈值threshold取0.002,满足判定条件,代表经过判定长度(16次迭代)粒子群方差和熵值基本不再变化,粒子群多样性基本不再降低,粒子群收敛。图6为灾变离散粒子群算法粒子群方差和熵值随迭代变化示意图。
在本发明实施例中,优选地,所述优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段还包括:
将所有粒子分成多个粒子群,在每个粒子群中分别确定所述特征波段;
在达到所述最大迭代次数之后,对比各个粒子群的粒子,将适应度最小的粒子选择的波段确定为所述特征波段。
具体可以利用Hadoop MapReduce计算模型对灾变离散粒子群算法进行并行化处理:
初始化粒子群,设定粒子个数N和最大迭代次数MaxIter,随机初始化粒子,产生键值对(k1,v1),其中k1为粒子索引,v1为粒子属性,包括粒子位置、粒子速度和粒子适应度,将键值对(k1,v1)写入HDFS(Hadoop Distributed Filesystem)。
计算粒子适应度,确定个体极值和全局极值:将键值对(k1,v1)输入Map(映射)函数(式(3)、(4)、(5)),计算各个粒子的适应度,将粒子分成M个粒子群,在每个粒子群中确定个体极值和全局极值。
更新粒子速度和位置,根据各个粒子群的个体极值、全局极值和Reduce(规约)函数(式(6)、(7)、(8))更新对应粒子群中每个粒子的速度和位置,重新计算粒子的适应度,更新键值对(k1,v1),同时将各粒子群的个体极值和全局极值写入HDFS中保存;
判断收敛性:计算各个粒子群的熵值和方差,判断粒子群是否收敛,若满足收敛准则,则对粒子群进行灾变,重新初始化粒子群,否则回到计算粒子适应度步骤,循环迭代;
算法终止判断:判断是否达到最大迭代次数,若不满足,则继续执行离散粒子群算法,若满足则终止算法,对比各个粒子群的全局最优解,选择适应度最小的粒子作为最终的全局最优解。
需要说明的是,各个粒子群全局最优解的确定过程是独立的,相当于同时独立运行灾变离散粒子群算法M次,使灾变离散粒子群算法最大程度收敛于真实的全局最优解。
在以叶绿素a浓度反演的例子中,设置N=1000、MaxIter=300、M=50,相当于并行运行50次灾变离散粒子群算法,每个粒子群中包含20个粒子,选择最终获取的全局最优解对应的粒子选中的波段作为水体叶绿素a浓度偏最小二乘模型反演的最佳波段。
基于Hadoop MapReduce并行的灾变离散粒子群算法能充分利用计算资源,快速完成灾变离散粒子群算法,提高搜索效率。
为了说明灾变离散粒子群算法和传统离散粒子群算法的优势,对比基于HadoopMapReduce并行计算的灾变离散粒子算法和传统离散粒子群算法优选结果,统计50个粒子群搜索到的全局最优解对应适应度的最大值、最小值、均值和方差,统计结果如下表1:
统计量 | 传统离散粒子群算法 | 灾变离散粒子群算法 |
最小值 | 0.168 | 0.0502 |
最大值 | 1.325 | 0.6947 |
均值 | 0.690 | 0.3686 |
方差 | 0.163 | 0.0258 |
灾变离散粒子群算法搜索到的全局最优解要优于传统离散粒子群算法,且优选结果的均值和方差要显著优于传统粒子群优选结果,引入灾变机制,离散粒子群算法稳定性和寻优能力得到显著提升。
步骤104,利用所述优选的特征波段所对应的水体遥感反射率和水质参数所构建的水质参数的偏最小二乘模型,反演所述研究区域的水质参数。
在本发明实施例中,利用灾变离散粒子群算法优选的全局最优解所选中的波段的所对应的遥感反射率和叶绿素a浓度构建反演叶绿素a浓度的偏最小二乘模型,全局最优解选中的波段个数为29个波段,相较于原始80个光谱波段,建模波段数目显著降低,如图7所示的基于29个特征波段构建的叶绿素a浓度偏最小二乘模型建模和验证散点图,模型R2达到0.97,建模和验证散点很好的靠近1:1线两侧,模型精度显著高于直接利用原始80个波段所对应的遥感反射率和叶绿素a浓度所构建的偏最小二乘模型的反演精度(图8)。
综上所述,依据本发明实施例,通过灾变离散粒子群优选构建反演水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段,减少了偏最小二乘模型的建模波段数,降低了偏最小二乘模型建模不确定性,提高了偏最小二乘模型反演精度。相对于传统离散粒子群算法,灾变离散粒子群算法基于粒子群多样性指标和灾变策略避免粒子群陷于局部最优解,增加了算法的全局搜索能力,可以更好地优化选取水质参数偏最小二乘模型反演所需的特征波段,提高了水质参数偏最小二乘模型的反演精度。
实施例二
参照图9,示出了本发明实施例二中的一种改进DBPSO的水质参数监测装置的结构框图,具体可以包括:
获取模块201,用于获取研究区域中采样点处的水质参数,并获取采样前后设定时间范围内的覆盖所述研究区域的卫星高光谱遥感影像;
影像处理模块202,用于处理所述卫星高光谱遥感影像得到水体遥感反射率;
特征波段优选模块203,用于利用灾变离散粒子群算法优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段,其中,所述优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段包括:在迭代次数超过设定次数后,利用粒子群的多样性判断所述粒子群是否收敛,若收敛,则将所有粒子中适应度最小的粒子作为第一全局极值,重新初始化所述粒子群中所有粒子的位置和速度,计算粒子适应度,将所有粒子中适应度最小的粒子作为第二全局极值,若所述第二全局极值的适应度小于第一全局极值的适应度,则用第二全局极值代替第一全局极值,否则用第一全局极值代替所述粒子群中适应度最大的粒子,继续迭代直至最大迭代次数,将所述粒子群中适应度最小的粒子选择的波段作为构建反演水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段。参数反演模块204,利用所述优选的特征波段所对应的水体遥感反射率和水质参数所构建的水质参数的偏最小二乘模型,反演所述研究区域的水质参数。
在本发明实施例中,优选地,所述特征波段优选模块还包括:
粒子群划分子模块,用于将所有粒子分成多个粒子群,在每个粒子群中分别确定所述特征波段;
最优解确定子模块,用于在达到所述最大迭代次数之后,对比各个粒子群的粒子,将适应度最小的粒子选择的波段确定为所述特征波段。
在本发明实施例中,优选地,所述特征波段优选模块还包括:
并行处理子模块,用于利用Hadoop MapReduce计算模型进行并行化处理。
在本发明实施例中,优选地,所述粒子群的多样性以所述粒子群的方差和熵值表征。
在本发明实施例中,优选地,所述装置还包括:
平滑处理模块,用于在所述利用粒子群的多样性判断所述粒子群是否收敛之前,利用小波变换对所述粒子群的方差和熵值随迭代变化平滑处理。
综上所述,依据本发明实施例,通过灾变离散粒子群优选构建反演水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段,减少了偏最小二乘模型的建模波段数,降低了偏最小二乘模型建模不确定性,提高了偏最小二乘模型反演精度。相对于传统离散粒子群算法,灾变离散粒子群算法基于粒子群多样性指标和灾变策略避免粒子群陷于局部最优解,增加了算法的全局搜索能力,可以更好地优化选取水质参数偏最小二乘模型反演所需的特征波段,提高了水质参数偏最小二乘模型的反演精度。该发明为合理利用卫星高光谱数据实现对内陆水体水质参数的精确反演提供了一种新的方法。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域普通技术人员可以意识到,结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种改进DBPSO的水质参数监测方法,其特征在于,包括:
获取研究区域中采样点处的水质参数,并获取采样前后设定时间范围内的覆盖所述研究区域的卫星高光谱遥感影像;
处理所述卫星高光谱遥感影像得到水体遥感反射率;
利用灾变离散粒子群算法优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段,其中,所述优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段包括:在迭代次数超过设定次数后,利用粒子群的多样性判断所述粒子群是否收敛,若收敛,则将所有粒子中适应度最小的粒子作为第一全局极值,重新初始化所述粒子群中所有粒子的位置和速度,计算粒子适应度,将所有粒子中适应度最小的粒子作为第二全局极值,若所述第二全局极值的适应度小于第一全局极值的适应度,则用第二全局极值代替第一全局极值,否则用第一全局极值代替所述粒子群中适应度最大的粒子,继续迭代直至最大迭代次数,将所述粒子群中适应度最小的粒子选择的波段作为构建反演水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段。
利用所述优选的特征波段所对应的水体遥感反射率和水质参数所构建的水质参数的偏最小二乘反演模型,反演所述研究区域的水质参数。
2.根据权利要求1所述的方法,其特征在于,所述优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段还包括:
将所有粒子分成多个粒子群,在每个粒子群中分别确定所述特征波段;
在达到所述最大迭代次数之后,对比各个粒子群的粒子,将适应度最小的粒子选择的波段确定为所述特征波段。
3.根据权利要求2所述的方法,其特征在于,所述优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段还包括:
利用Hadoop MapReduce计算模型进行并行化处理。
4.根据权利要求1所述的方法,其特征在于,所述粒子群的多样性以所述粒子群的方差和熵值表征。
5.根据权利要求4所述的方法,其特征在于,在所述利用粒子群的多样性判断所述粒子群是否收敛之前,所述方法还包括:
利用小波变换对所述粒子群的方差和熵值随迭代变化进行平滑处理。
6.一种改进DBPSO的水质参数监测装置,其特征在于,包括:
获取模块,用于获取研究区域中采样点处的水质参数,并获取采样前后设定时间范围内的覆盖所述研究区域的卫星高光谱遥感影像;
影像处理模块,用于处理所述卫星高光谱遥感影像得到水体遥感反射率;
特征波段优选模块,用于利用灾变离散粒子群算法优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段,其中,所述优选构建反演所述水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段包括:在迭代次数超过设定次数后,利用粒子群的多样性判断所述粒子群是否收敛,若收敛,则将所有粒子中适应度最小的粒子作为第一全局极值,重新初始化所述粒子群中所有粒子的位置和速度,计算粒子适应度,将所有粒子中适应度最小的粒子作为第二全局极值,若所述第二全局极值的适应度小于第一全局极值的适应度,则用第二全局极值代替第一全局极值,否则用第一全局极值代替所述粒子群中适应度最大的粒子,继续迭代直至最大迭代次数,将所述粒子群中适应度最小的粒子选择的波段作为构建反演水质参数的偏最小二乘模型所需的所述水体遥感反射率的特征波段。
参数反演模块,用于利用所述优选的特征波段所对应的水体遥感反射率和水质参数所构建的水质参数的偏最小二乘反演模型,反演所述研究区域的水质参数。
7.根据权利要求6所述的装置,其特征在于,所述特征波段优选模块还包括:
粒子群划分子模块,用于将所有粒子分成多个粒子群,在每个粒子群中分别确定所述特征波段;
最优解确定子模块,用于在达到所述最大迭代次数之后,对比各个粒子群的粒子,将适应度最小的粒子选择的波段确定为所述特征波段。
8.根据权利要求7所述的装置,其特征在于,所述特征波段优选模块还:
并行处理子模块,用于利用Hadoop MapReduce计算模型进行并行化处理。
9.根据权利要求6所述的装置,其特征在于,所述粒子群的多样性以所述粒子群的方差和熵值表征。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
平滑处理模块,用于在所述利用粒子群的多样性判断所述粒子群是否收敛之前,利用小波变换对所述粒子群的方差和熵值随迭代变化进行平滑处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710952761.0A CN107677646B (zh) | 2017-10-13 | 2017-10-13 | 一种改进dbpso的水质参数监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710952761.0A CN107677646B (zh) | 2017-10-13 | 2017-10-13 | 一种改进dbpso的水质参数监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107677646A true CN107677646A (zh) | 2018-02-09 |
CN107677646B CN107677646B (zh) | 2020-06-05 |
Family
ID=61140846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710952761.0A Expired - Fee Related CN107677646B (zh) | 2017-10-13 | 2017-10-13 | 一种改进dbpso的水质参数监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107677646B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984972A (zh) * | 2018-08-24 | 2018-12-11 | 浪潮软件集团有限公司 | 一种基于大数据和并行计算的水质数学模型优化方法 |
CN109030378A (zh) * | 2018-06-04 | 2018-12-18 | 沈阳农业大学 | 基于pso-elm的粳稻冠层叶绿素含量反演模型方法 |
CN109297968A (zh) * | 2018-11-21 | 2019-02-01 | 河南工业职业技术学院 | 一种生成面域水质监测结果的方法 |
CN115524294A (zh) * | 2022-09-19 | 2022-12-27 | 南京中科深瞳科技研究院有限公司 | 一种离水式实时智能遥感水质监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104390917A (zh) * | 2014-12-03 | 2015-03-04 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊水体叶绿素a 的MODIS卫星高精度监测方法 |
CN105207910A (zh) * | 2015-08-17 | 2015-12-30 | 国家电网公司 | 一种基于粒子群优化的电力通信网路由优化方法 |
CN106525762A (zh) * | 2016-11-07 | 2017-03-22 | 航天恒星科技有限公司 | 一种基于自适应模型的水质监测方法和水质监测装置 |
CN106596889A (zh) * | 2016-12-22 | 2017-04-26 | 陈明烨 | 一种水质的预测方法 |
CN107150341A (zh) * | 2017-06-13 | 2017-09-12 | 南京理工大学 | 一种基于离散粒子群算法的焊接机器人焊接路径规划方法 |
-
2017
- 2017-10-13 CN CN201710952761.0A patent/CN107677646B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104390917A (zh) * | 2014-12-03 | 2015-03-04 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊水体叶绿素a 的MODIS卫星高精度监测方法 |
CN105207910A (zh) * | 2015-08-17 | 2015-12-30 | 国家电网公司 | 一种基于粒子群优化的电力通信网路由优化方法 |
CN106525762A (zh) * | 2016-11-07 | 2017-03-22 | 航天恒星科技有限公司 | 一种基于自适应模型的水质监测方法和水质监测装置 |
CN106596889A (zh) * | 2016-12-22 | 2017-04-26 | 陈明烨 | 一种水质的预测方法 |
CN107150341A (zh) * | 2017-06-13 | 2017-09-12 | 南京理工大学 | 一种基于离散粒子群算法的焊接机器人焊接路径规划方法 |
Non-Patent Citations (14)
Title |
---|
刘卓倩 等: "一种基于信息熵的改进粒子群算法", 《2005系统仿真技术及其应用学术交流会》 * |
吕振素 等: "自适应变异的粒子群优化算法", 《电子学报》 * |
吕航 等: "淀山湖微量水质参数卫星高光谱遥感估算", 《复旦大学(自然科学版)》 * |
孙有信 等: "基于分层并行灾变粒子群算法的交通控制", 《计算机工程与设计》 * |
曹引 等: "基于离散离子群和偏最小二乘的湖库型水源地水体悬浮物浓度和浊度遥感反演方法", 《水力发电学报》 * |
朱永利 等: "基于熵的自适应变异的粒子群优化算法", 《信息化纵横》 * |
李亮: "一种针对高光谱遥感影像的波段选择方法", 《信息技术》 * |
王春雷 等: "基于双向并行灾变粒子群算法的区域交通控制", 《计算机工程与应用》 * |
田东平 等: "基于适应度方差的自适应粒子群优化算法", 《计算机工程与应用》 * |
申茜 等: "航天高光谱遥感器CHRIS的水体图像大气校正", 《测绘学报》 * |
范德斌 等: "基于MapReduce模型的分布式粒子群算法", 《山东大学学报(工学版)》 * |
董超俊 等: "灾变粒子群优化算法及其在交通控制中的应用", 《计算机工程与应用》 * |
饶兴华 等: "多样性反馈与控制的粒子群优化算法", 《计算机应用》 * |
高长元 等: "基于改进粒子群算法的云计算产业联盟知识搜索算法研究", 《数据分析与知识发现》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109030378A (zh) * | 2018-06-04 | 2018-12-18 | 沈阳农业大学 | 基于pso-elm的粳稻冠层叶绿素含量反演模型方法 |
CN108984972A (zh) * | 2018-08-24 | 2018-12-11 | 浪潮软件集团有限公司 | 一种基于大数据和并行计算的水质数学模型优化方法 |
CN108984972B (zh) * | 2018-08-24 | 2022-06-24 | 浪潮软件股份有限公司 | 一种基于大数据和并行计算的水质数学模型优化方法 |
CN109297968A (zh) * | 2018-11-21 | 2019-02-01 | 河南工业职业技术学院 | 一种生成面域水质监测结果的方法 |
CN115524294A (zh) * | 2022-09-19 | 2022-12-27 | 南京中科深瞳科技研究院有限公司 | 一种离水式实时智能遥感水质监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107677646B (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lyons et al. | Monitoring large and complex wildlife aggregations with drones | |
Kaba et al. | Estimation of daily global solar radiation using deep learning model | |
Allan et al. | Landsat remote sensing of chlorophyll a concentrations in central North Island lakes of New Zealand | |
CN107677646A (zh) | 一种改进dbpso的水质参数监测方法及装置 | |
Wu et al. | Statistical model development and estimation of suspended particulate matter concentrations with Landsat 8 OLI images of Dongting Lake, China | |
Kling et al. | Global wind patterns shape genetic differentiation, asymmetric gene flow, and genetic diversity in trees | |
Tirado et al. | UAV‐based imaging platform for monitoring maize growth throughout development | |
Marsh et al. | The Canadian Hydrological Model (CHM) v1. 0: a multi-scale, multi-extent, variable-complexity hydrological model–design and overview | |
US11382260B2 (en) | Estimation of crop type and/or sowing date | |
Castro-Valdecantos et al. | Leaf area index estimations by deep learning models using RGB images and data fusion in maize | |
Thakur et al. | Comparison of remotely-sensed sea surface temperature and salinity products with in situ measurements from British Columbia, Canada | |
CN115860269B (zh) | 一种基于三重注意力机制的农作物产量预测方法 | |
Ratnakumar et al. | A high speed roller dung beetles clustering algorithm and its architecture for real-time image segmentation | |
Le et al. | Learning from multimodal and multisensor earth observation dataset for improving estimates of mangrove soil organic carbon in Vietnam | |
Carlson et al. | Comparing stream-specific to generalized temperature models to guide salmonid management in a changing climate | |
CN114493680B (zh) | 一种基于流刺网调查的渔业资源统计方法及系统 | |
Yu et al. | The critical role of tree species and human disturbance in determining the macrofungal diversity in Europe | |
Schweiger et al. | A case for multiscale habitat selection studies of small mammals | |
Rossi et al. | Sentinel-2 estimation of CNC and LAI in rice cropping system through hybrid approach modelling | |
Edenius et al. | Combining satellite imagery and ancillary data to map snowbed vegetation important to reindeer Rangifer tarandus | |
Zeng et al. | Quantitative forest canopy structure assessment using an inverted geometric‐optical model and up‐scaling | |
Furfaro et al. | Neural network algorithm for coffee ripeness evaluation using airborne images | |
Street et al. | A global estimate of terrestrial net secondary production of primary consumers | |
Mehdipoor et al. | Exploring differences in spatial patterns and temporal trends of phenological models at continental scale using gridded temperature time-series | |
Barnes et al. | Projected surface radiative forcing due to 2000–2050 land-cover land-use albedo change over the eastern United States |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200605 Termination date: 20201013 |
|
CF01 | Termination of patent right due to non-payment of annual fee |