CN107885909A - 一种水质遥感多模型协同反演的权重集结优化方法及装置 - Google Patents

Abstract

本发明公开了一种水质遥感多模型协同反演的权重集结优化方法和装置，包括：获取多个采样点的水质参数，并获取表观光学量数据和固有光学量数据，以及卫星遥感数据，根据水质参数、表现光学量数据、固有光学量数据以及卫星遥感数据，建立多个候选水质遥感反演模型，根据精度评价指标选取多个水质遥感反演模型进入遴选模型集合，利用多种模型赋权方法，计算遴选模型集合中每个水质遥感反演模型的权重，利用权重集结方法对选用的模型赋权方法计算的遴选水质遥感反演模型的权重进行集结，得到最优权重，使得针对水质遥感监测领域多模型协同的不同赋权方法计算结果进行综合，从而确定水质遥感反演多模型组合的最优权重，提高模型的预测精度。

Description

一种水质遥感多模型协同反演的权重集结优化方法及装置

技术领域

本发明涉及遥感技术领域，特别是涉及一种水质遥感多模型协同反演的权重集结优化方法、一种水质遥感多模型协同反演的权重集结优化装置。

背景技术

内陆水体的水色要素组成更为复杂，利用遥感手段和方法反演水质参数面临更大不确定性，目前还无法找到一个普适性强、精度高的反演模型。

目前所建立的大量的经验模型、半经验模型、半分析模型，其模型的精度随着研究区域、时间、季节的变化而不同。即使是同一研究区的水体，其水体光学特性也可能存在差异，导致其不同区域需要采用不同的模型。正因为如此，内陆水质参数的遥感反演面临两大困惑，一方面，各种模型不断涌现，导致在实际应用中无所适从，难以选择；另一方面，各类模型都有其局限性，都只能从某个层面反映“真值”。

发明内容

鉴于上述问题，提出了一种水质遥感多模型协同反演的权重集结优化方法及装置。

依据本发明的一个方面，提供了一种水质遥感多模型协同反演的权重集结优化方法，包括：

获取研究区域中多个水质采样点处水体的水质参数，并获取采集水样时水体的表观光学量数据和固有光学量数据，以及覆盖所述研究区域的卫星遥感数据，其中，所述表观光学量数据包括离水辐亮度、归一化离水辐亮、反射率、遥感反射比中至少一种；所述固有光学量数据包括吸收系数和散射系数；

根据所述水质参数、表观光学量数据、固有光学量数据以及卫星遥感数据，建立多个候选水质遥感反演模型，根据精度评价指标选取多个水质遥感反演模型进入遴选模型集合；

利用选用的模型赋权方法，计算所述遴选模型集合中每个水质遥感反演模型的权重，所述模型赋权方法包括数据同化、熵权法、集对分析、贝叶斯模型平均、人工神经网络、粒子群优化算法、遗传算法中至少两种；

利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重。

可选地，所述精度评价指标包括决定系数、均方根误差、平均绝对百分误差、相对误差、纳什效率系数中至少一种。

可选地，所述权重集结方法包括博弈论集结模型方法。

可选地，在所述利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重之后，所述方法还包括：

利用所述最优权重建立最优水质遥感反演组合模型，并采用所述最优水质遥感反演组合模型对水质进行反演。

可选地，在所述利用权重集结方法对选用模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重之后，所述方法还包括：

利用最优权重建立的最优水质遥感反演组合模型对水质参数进行模拟预测，并对模拟预测结果的不确定性进行量化。

依据本发明的另一个方面，提供了一种水质遥感多模型协同反演的权重集结优化装置，包括：

数据获取模块，用于获取研究区域中多个水质采样点处水体的水质参数，并获取采集水样时水体的表观光学量数据和固有光学量数据，以及覆盖所述研究区域的卫星遥感数据，其中，所述表观光学量数据包括离水辐亮度、归一化离水辐亮度、反射率、遥感反射比中至少一种；所述固有光学量数据包括吸收系数和散射系数；

模型选取模块，用于根据所述水质参数、表观光学量数据、固有光学量数据以及卫星遥感数据，建立多个候选水质遥感反演模型，根据精度评价指标选取多个水质遥感反演模型进入遴选模型集合；

权重计算模块，用于利用选用的模型赋权方法，计算所述遴选模型集合中每个水质遥感反演模型的权重，所述模型赋权方法包括数据同化、熵权法、集对分析、贝叶斯模型平均、人工神经网络中至少两种；

最优权重得到模块，用于利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重。

可选地，所述精度评价指标包括决定系数、均方根误差、平均绝对百分误差、相对误差、纳什效率系数中至少一种。

可选地，所述权重集结方法包括博弈论集结模型方法、相对熵集结模型方法。

可选地，所述装置还包括：

预测值计算模块，用于在所述利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重之后，利用所述最优权重建立最优水质遥感反演组合模型，并采用所述最优水质遥感反演组合模型对水质进行反演。

可选地，所述装置还包括：

模拟预测模块，用于在所述利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重之后，对利用最优权重建立的最优水质遥感反演组合模型对水质参数进行模拟预测，并对模拟预测结果的不确定性进行量化。

综上所述，依据本发明实施例，通过获取研究区域中多个水质采样点处水体的水质参数，并获取采集水样时水体的表观光学量数据和固有光学量数据，以及覆盖所述研究区域的卫星遥感数据，根据所述水质参数、表现光学量数据、固有光学量数据以及卫星遥感数据，建立多个候选水质遥感反演模型，根据精度评价指标选取多个水质遥感反演模型进入遴选模型集合，利用多种模型赋权方法，计算所述遴选模型集合中每个水质遥感反演模型的权重，利用权重集结方法对选用的模型赋权方法计算的遴选水质遥感反演模型的权重进行集结，得到遴选水质遥感反演模型的最优权重，使得针对水质遥感监测领域多模型协同的不同赋权方法计算结果进行综合，从而确定水质遥感反演多模型组合的最优权重，提高模型的预测精度。

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水质遥感多模型协同反演的权重集结优化方法的流程图；

图2示出了本发明实施例二中的一种水质遥感多模型协同反演的权重集结优化方法的流程图；

图3示出了本发明实施例三中的一种水质遥感多模型协同反演的权重集结优化装置的结构框图。

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水质遥感多模型协同反演的权重集结优化方法的流程图，具体可以包括：

步骤101，获取研究区域中多个水质采样点处水体的水质参数，并获取采集水样时水体的表观光学量数据和固有光学量数据，以及覆盖所述研究区域的卫星遥感数据。

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，水的混浊度、透明度、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。

表观光学量数据是用以表征受光场角分布以及受水体中物质性质和数量影响的那些光学特性的数据，例如，离水辐亮度、归一化离水辐亮度、反射率、遥感反射比、漫射衰减系数、辐照度漫射衰减系数等。

固有光学量数据是用以表征光在传输过程中受到介质吸收和散射却不随光场角分布与强度的变化而变化的特性数据，例如，光谱吸收系数、散射系数、散射相函数、光束衰减系数等。

卫星遥感数据包括对水体的卫星遥感图像数据，具体可以包括任意适用的卫星源数据，本发明实施例对此不做限制。

在本发明实施例中，水质参数包括叶绿素浓度、悬浮物浓度、浊度、透明度、溶解性有机物(Dissolved Organic Matter，DOM)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。表现光学量数据包括离水辐亮度、归一化离水辐亮度、反射率、遥感反射比中至少一种，或者其他任意适用的数据，本发明实施例对此不做限制。固有光学量数据包括吸收系数、散射系数，或者其他任意适用的数据，本发明实施例对此不做限制。

在本发明实施例中，在研究区域内选取分布相对均匀的水质采样点，获取采样点采集的水样的水质参数，例如，以某湖泊为例说明，在研究区平行纬度均匀布设采样点，在采样点处采集水样，置于采样瓶中，贴上标签，记录采样点所在的经纬度，每个采样点采集3个水样，由于叶绿素a浓度受热易分解，将采集的水样置于保温箱中冷藏，当天送回实验室进行分析。叶绿素浓度的测量采用常规的化学分析方法，用0.45μm的GF/F滤膜过滤，90％的热乙醇提取，然后利用分光光度计检测。

在本发明实施例中，在采集水样的同时，获取水体的表现光学量数据，例如，利用美国ASD公司生产的ASD FieldSpec Pro便携式光谱辐射计测量采样点处水体高光谱遥感反射率，仪器的波段范围为350到1050nm，光谱分辨率为3nm。

在本发明实施例中，在采集水样的同时，获取水体的固有光学量数据，例如，采用岛津UV-2401PC型分光光度计测量光束衰减系数、CDOM(有色溶解有机物)吸收系数、总悬浮物吸收系数和非色素悬浮物吸收系数等水体固有光学量，通过上述固有光学特性可计算浮游植物吸收系数。具体可以包括任意适用的获取方式，本发明实施例对此不做限制。

在本发明实施例中，卫星遥感数据为同步或准同步的，可以在线下载覆盖研究区域的数据，具体可以包括任意适用的获取方式，本发明实施例对此不做限制。

步骤102，根据所述水质参数、表观光学量数据、固有光学量数据以及卫星遥感数据，建立多个候选水质遥感反演模型，根据精度评价指标选取多个水质遥感反演模型进入遴选模型集合。

水质遥感反演模型包括利用经验、半经验半分析、分析方法，建立多个水质遥感反演候选模型，例如，以叶绿素a浓度为例，构建叶绿素a浓度反演常用的波段比值模型、三波段和四波段模型，同时综合国内外不同学者构建的叶绿素a浓度三波段模型，构成7个模型候选集，包括：

(1)波段比值模型：

chla＝124.14[R_rs(720)/R_rs(684)]-76.318(R²＝0.93)，

(2)三波段模型：

(3)四波段模型：

(4)Dall′Olmo模型：

(5)Gitelson模型：

(6)周冠华模型：

(7)徐京萍模型：

其中，chla为水体叶绿素浓度；R_rs(*)表示某一波段反射率；R²为决定系数。

精度评价指标包括利用实测数据对模型反演结果进行精度分析的指标，例如，绝对系数、均方根误差等，或者其他任意适用的指标，本发明实施例对此不做限制。

在本发明实施例中，选取精度较高的多个水质遥感反演模型，作为候选水质遥感反演模型，建立参加多模型协同建模的遴选模型集，例如，建立n个候选水质遥感反演模型，即M＝{M₁，M₂，…，M_i，…，M_n}。

在本发明的一种优选实施例中，精度评价指标包括决定系数(R²)、均方根误差(RMSE)、平均绝对百分误差(MAPE)、相对误差(Bias)和纳什效率系数Nr(Nash-Sutcliffe系数)中至少一种，其计算公式包括：

其中，y_i为自变量值，用来表示水体遥感反射率或者其不同波段反射率组合的值；是y_i的均值；x_i为因变量值，用来表示水体水质参数测量值；是x_i的均值；x_imod为模型估算值，x_imea为测量值，为测量数据的均值，n为样本个数。R²是决定系数，表示因变量和自变量线性相关程度，值越大，表示相关程度越高。RMSE用来评估误差的整体水平，值越小，说明模型精度越高。MAPE是用来衡量一个模型预测结果的好坏，值越小，说明模型预测精度越高。Bias用来反映模型估算值对实测数据高估或低估的程度，值越小，说明模型精度越高。Nr是通过对比模型估算值与测量值的均值评价模型好坏的重要参数之一，值越接近1，说明模型越准确；值越接近0，说明模型估算越接近测量均值；值小于0，说明模型效果不如使用测量值的均值，即模型不准确。

在本发明实施例中，利用这些指标选择模型，可以采用2种方法：一种是通过比较各模型所计算的各指标值的大小，在满足精度要求的前提下，选择各指标值相近的模型进入遴选模型集；另外一种是，通过对各指标赋予相应权重，经过综合评价，在满足精度要求前提下，选择综合评价值高且相近的模型进入遴选模型集。

例如，在叶绿素a浓度的例子中，构建的7个模型候选集，通过模型验证，利用模型精度评价指标分析，发现四波段模型、周冠华模型不适宜参加模型的组合。因此，确定遴选模型集为{波段比值模型，三波段模型，Dall′Olmo模型，Gitelson模型，徐京萍模型}。

步骤103，利用选用的模型赋权方法，计算所述遴选模型集合中每个水质遥感反演模型的权重。

在本发明实施例中，模型赋权方法包括数据同化、熵权法、集对分析、贝叶斯模型平均、人工神经网络、粒子群优化算法、遗传算法中至少两种，具体可以包括任意适用的模型赋权方法，本发明实施例对此不做限制。选用m种赋权方法集，即W＝{W₁,W₂,…,W_i,…,W_m}。利用方法集W计算遴选模型集M中每个水质遥感反演模型的权重。若利用赋权方法W_i计算n个水质遥感反演模型的权重集为。那么m种赋权方法计算的n个水质遥感反演模型的权重矩阵表示为：

本实施例选择数据同化方法、熵权法、集对分析法、贝叶斯模型平均法分别确定模型权重。

(1)基于数据同化的模型权重确定

经典的数据同化理论由模型算子、观测算子、误差估计算子和最优化算法组成。其目标函数是在考虑背景误差与观测误差的情况下，通过最优化算法产生一个最优分析值，使之能够更加准确地表达和描述真实状态变量。该目标函数的表达式为：

J(x_a)＝[H(x_a)-y_o]^TR^-1[H(x_a)-y_o]+(x_a-x_b)^TR^-1(x_a-x_b)，

其中，J是目标函数；H是观测算子，其作用是将状态变量转为观测变量；y_o为观测值；R是观测误差协方差矩阵；B是背景场误差协方差矩阵；x_b是背景值；x_a是分析值。数据同化的目标就是通过最小化目标函数J，产生最优分析值x_a。

基于上述思想发展的多模型协同反演算法。其目标函数表达式为：

其中，J是目标函数；n为模型个数；x_i为不同模型的反演值；R_i为不同模型误差；x_a为分析值。通过对上式求梯度并令其等于0，可以求得最优分析值x_a，其表达式为：

其中，为各模型的权重。本实施例中，使用RMSE描述模型的模型误差，可以得到五个模型的权重，记为

(2)基于熵权的模型权重确定方法：

计算模型集中各模型在建模采样点处的反演相对误差：

其中，e_i(k)为第i个模型在第k个建模采样点处的反演相对误差；i为模型编号，i＝1，2，3，4；y(k)为第k个建模采样点处叶绿素a浓度实测值，为第i个模型在建模采样点k处的反演值。

计算各模型反演相对误差权重：

其中，p_i(k)为第i个模型在第k个建模采样点处的反演相对误差权重；e_i(k)为第i个模型在第k个建模采样点处的反演相对误差；n为建模所用采样点的个数，取28。

不同模型相对误差的熵值计算：

其中，H_i为第i个模型反演相对误差的熵值；p_i(k)为第i个模型在第k个建模采样点处的反演相对误差权重。

根据上述计算得到的熵值，获取各模型误差序列的变异程度系数：

D_i＝1-H_i，

其中，D_i为第i个模型反演误差序列的变异程度系数；H_i为第i个模型反演相对误差的熵值。

变异程度越大，权重越小，各模型权重系数计算公式如下：

其中，为第i个模型权重；D_i为第i个模型误差序列的变异程度系数。基于熵权法，得到的五个遴选模型的权重为：

(3)基于集对原理的模型权重确定方法

利用Y和构成集对计算集对的三元联系度μ_i＝S_i+F_iI_i+P_iJ，其中，Y＝{y₁,y₂,y₃,…,y_n}为建模采样点处实测的叶绿素a浓度值，为各单一模型在建模采样点处的叶绿素a浓度反演值，i为模型编号；μ_i为模型i的三元联系度；S_i＝s_i/n；F_i＝f_i/n；P_i＝p_i/n；s_i为模型i同一性个数；f_i为模型i差异性个数；P_i为模型i对立性个数；I_i为差异不确定系数；J为对立系数。

同一性个数S_i是指模型i反演相对误差<30％的建模采样点的个数；差异性个数f_i是指模型i反演相对误差介于30％～60％的建模采样点的个数；对立性个数P_i是指模型i反演相对误差>60％的建模采样点的个数。

将联系度转换成联系数μ′_i需要计算I_i和J的值，令J＝-1，I_i计算公式如下：

经过转化后的μ′_i介于-1到1之间，其值越接近于-1，说明模型模拟的结果与实测结果差异性越大，μ′_i其值越接近于1，说明差异性越小，根据联系数计算各模型的相对隶属度v：

用相对隶属度确定各个模型权重公式如下：

基于集对原理，得到的五个遴选模型的权重为：

(4)基于贝叶斯模型平均的权重确定方法

利用期望最大化算法循环迭代确定各模型权重和方差，包括：对水质参数浓度实测值Y和各单一模型反演值y_k(k＝1,2,…,K,K为模型个数)进行正态检验，若不符合正态分布，则利用Box-Cox函数对水质参数浓度的实测值和各单一模型的反演值进行正态转换。

以θ＝{w_k,σ_k ²,k＝1,2,…,K}表示各单一模型的权重和方差，构建θ的极大似然函数，并对极大似然函数取对数：

其中，g(Q|y_k,σ_k ²)表示均值为y_k，方差为σ_k ²的正态分布。

设置Iter＝0，初始化各模型权重和方差：

w_k ⁽⁰⁾＝1/K，

其中，Iter为迭代次数；N为参与率定的采样点数据个数；Yⁿ和y_k ⁿ分别为第n个点的实测水质参数浓度和第k个模型的反演值。

计算初始似然值：

计算中间变量：设Iter＝Iter+1

计算权重：

计算模型方差：

计算似然值：

检验收敛性：若|l(θ)^(Iter)-l(θ)^(Iter-1)|小于等于预先设定的允许误差，就停止，否则重新计算中间变量。

基于贝叶斯模型平均方法，得到的五个遴选模型的权重为：

至此，可以得到四种赋权方法对五个遴选模型计算得到权重矩阵为：

步骤104，利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重。

在本发明实施例中，权重集结方法包括博弈论集结模型的方法、相对熵集结模型的方法等，具体可以包括任意适用的集结方法，本发明实施例对此不做限制。利用权重集结方法得到遴选水质遥感反演模型的最优权重。

在本发明的一种优选实施例中，所述利用权重集结方法包括博弈论集结模型的方法。

例如，选用博弈论集结模型的方法来对水质遥感反演模型权重进行集结。其基本思想是在不同的水质遥感反演模型权重之间寻找一致或妥协，即极小化可能的水质遥感反演模型权重与各个水质遥感反演模型基本权重之间的各自偏差。

将m个水质遥感反演模型权重向量ω_k的任意线性组合为：

其中，ω′视为基于水质遥感反演模型基本权重集的一种可能权重向量，它的全体表示可能的水质遥感反演模型权重向量集。为从可能的水质遥感反演模型权重集中选择出一个最满意的权重ω*，可归结对m个线性组合系数α_k优化，得到对策模型：

根据矩阵微分性质，得出上式最优化一阶导数条件：

根据上式计算求得(α₁,α₂,…,α_m)，然后对其进行归一化处理，即

因此水质遥感反演模型组合权重为：

利用上述方法，可以得到五个模型的最优权重集为：

ω^*＝{0.193，0.130，0.151，0.326，0.200}。

综上所述，依据本发明实施例，通过获取研究区域中多个水质采样点处水体的水质参数，并获取采集水样时水体的表观光学量数据和固有光学量数据，以及覆盖所述研究区域的卫星遥感数据，根据所述水质参数、表观光学量数据、固有光学量数据以及卫星遥感数据，建立多个候选水质遥感反演模型，根据精度评价指标选取多个水质遥感反演模型进入遴选模型集合，利用多种模型赋权方法，计算所述遴选模型集合中每个水质遥感反演模型的权重，利用权重集结方法对选用的模型赋权方法计算的遴选水质遥感反演模型的权重进行集结，得到多个水质遥感反演模型的最优权重，使得针对水质遥感监测领域多模型协同的不同赋权方法计算结果进行综合，从而确定水质遥感反演多模型组合的最优权重，提高模型的预测精度。

实施例二

参照图2，示出了本发明实施例二中的一种水质遥感多模型协同反演的权重集化方法的流程图，具体可以包括：

步骤201，获取研究区域中多个水质采样点处水体的水质参数，并获取采集水样时水体的表观光学量数据和固有光学量数据，以及覆盖所述研究区域的卫星遥感数据。

在本发明实施例中，本步骤的具体实现方式可以参见前述实施例的描述，此处不另赘述。

步骤202，根据所述水质参数、表观光学量数据、固有光学量数据以及卫星遥感数据，建立多个候选水质遥感反演模型，根据精度评价指标选取多个水质遥感反演模型进入遴选模型集合。

在本发明实施例中，本步骤的具体实现方式可以参见前述实施例的描述，此处不另赘述。

步骤203，利用选用的模型赋权方法，计算所述遴选模型集合中每个水质遥感反演模型的权重。

在本发明实施例中，本步骤的具体实现方式可以参见前述实施例的描述，此处不另赘述。

步骤204，利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重。

在本发明实施例中，本步骤的具体实现方式可以参见前述实施例的描述，此处不另赘述。

步骤205，利用所述最优权重建立最优水质遥感反演组合模型，并采用所述最优水质遥感反演组合模型对水质进行反演。

在本发明实施例中，得到最优权重后，利用最优权重对各个水质遥感反演模型的结果进行加权求和，建立最优水质遥感反演组合模型，并采用最优水质遥感反演组合模型对水质进行反演，将得到的结果作为最终水质参数预测值。

步骤206，利用最优权重建立的最优水质遥感反演组合模型对水质参数进行模拟预测，并对模拟预测结果的不确定性进行量化。

在本发明实施例中，不确定性估计是指对组合模型受到各种事前无法控制的外部因素变化与影响所进行的估计。利用最优权重建立的最优水质遥感反演组合模型，对水质参数进行模拟预测，并对模拟预测结果的不确定性进行量化，以评估结果的可靠性。

例如，采用Bates等(Bates D M,Watts D G.Nonlinear regression analysisand its application[M].New York:John Wiley,1988)提出的最优化方法，计算每个验证点的置信区间，置信区间指样本统计量所构造的总体参数的估计区间，从而为每个验证点提供质量估计。将该方法应用于遥感影像的多个模型的协同反演，则可以获得每个像元的误差估计，从而可以获取水质参数反演误差的时间和空间分布情况。置信区间CI的计算方法如下：

其中，x₀为验证点水质参数值，β为最小二乘估计量，s为模型均方根误差，N表示验证点的个数，P表示β的维数，X为N×P维的矩阵变量，为验证点的水质参数矩阵；t(N-P；α/2)是自由度为N-P，置信度为α/2的T分布。

综上所述，依据本发明实施例，通过获取研究区域中多个水质采样点处水体的水质参数，并获取采集水样时水体的表观光学量数据、固有光学量数据，以及覆盖所述研究区域的卫星遥感数据，根据所述水质参数、表观光学量数据、固有光学量数据以及卫星遥感数据，建立多个候选水质遥感反演模型，根据精度评价指标选取多个水质遥感反演模型进入遴选模型集合，利用多种模型赋权方法，计算所述遴选模型集合中每个水质遥感反演模型的权重，利用权重集结方法对各种模型赋权方法计算的遴选水质遥感反演模型的权重进行集结，得到遴选水质遥感反演模型的最优权重，使得针对水质遥感监测领域多模型协同的不同赋权方法计算结果进行综合，从而确定水质遥感反演多模型组合的最优权重，提高模型的预测精度。

进一步，通过利用所述最优权重建立最优水质遥感反演组合模型，并采用最优水质遥感反演组合模型对水质进行反演，利用最优权重建立的最优水质遥感反演组合模型对水质参数进行模拟预测，并对模拟预测结果的不确定性进行量化，以评估结果的可靠性。

实施例三

参照图3，示出了本发明实施例三中的一种水质遥感多模型协同反演的权重集结优化装置的结构框图，具体可以包括：

数据获取模块301，用于获取研究区域中多个水质采样点处水体的水质参数，并获取采集水样时水体的表观光学量数据和固有光学量数据，以及覆盖所述研究区域的卫星遥感数据，其中，所述表观光学量数据包括离水辐亮度、归一化离水辐亮度、反射率、遥感反射比中至少一种；所述固有光学量数据包括吸收系数和后向散射系数；

模型选取模块302，用于根据所述水质参数、表观光学量数据、固有光学量数据以及卫星遥感数据，建立多个候选水质遥感反演模型，根据精度评价指标选取多个水质遥感反演模型进入遴选模型集合；

权重计算模块303，用于利用选用的模型赋权方法，计算所述遴选模型集合中每个水质遥感反演模型的权重，所述模型赋权方法包括数据同化、熵权法、集对分析、贝叶斯模型平均、人工神经网络、粒子群优化算法、遗传算法中至少两种；

最优权重得到模块304，用于利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重。

在本发明实施例中，优选地，所述精度评价指标包括决定系数、均方根误差、平均绝对百分误差、相对误差、纳什效率系数中至少一种。

在本发明实施例中，优选地，所述权重集结方法包括博弈论集结模型方法、相对熵集结模型方法。

在本发明实施例中，优选地，所述装置还包括：

预测值计算模块，用于在所述利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重之后，利用所述最优权重建立最优水质遥感反演组合模型，并采用所述最优水质遥感反演组合模型对水质进行反演。

在本发明实施例中，优选地，所述装置还包括：

模拟预测模块，用于在所述利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重之后，对利用最优权重建立的最优水质遥感反演组合模型对水质参数进行模拟预测，并对模拟预测结果的不确定性进行量化。

综上所述，依据本发明实施例，通过获取研究区域中多个水质采样点处水体的水质参数，并获取采集水样时水体的表观光学量数据和固有光学量数据，以及覆盖所述研究区域的卫星遥感数据，根据所述水质参数、表观光学量数据、固有光学量数据以及卫星遥感数据，建立多个候选水质遥感反演模型，根据精度评价指标选取多个水质遥感反演模型进入遴选模型集合，利用多种模型赋权方法，计算所述遴选模型集合中每个水质遥感反演模型的权重，利用权重集结方法对各种模型赋权方法计算的各个水质遥感反演模型的权重进行集结，得到多个水质遥感反演模型的最优权重，使得针对水质遥感监测领域多模型协同的不同赋权方法计算结果进行综合，从而确定水质遥感反演多模型组合的最优权重，提高模型的预测精度。

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)

1.一种水质遥感多模型协同反演的权重集结优化方法，其特征在于，包括：

获取研究区域中多个水质采样点处水体的水质参数，并获取采集水样时水体的表观光学量数据和固有光学量数据，以及覆盖所述研究区域的卫星遥感数据，其中，所述表观光学量数据包括离水辐亮度、归一化离水辐亮、反射率、遥感反射比中至少一种；所述固有光学量数据包括吸收系数和散射系数；

根据所述水质参数、表观光学量数据、固有光学量数据以及卫星遥感数据，建立多个候选水质遥感反演模型，根据精度评价指标选取多个水质遥感反演模型进入遴选模型集合；

利用选用的模型赋权方法，计算所述遴选模型集合中每个水质遥感反演模型的权重，所述模型赋权方法包括数据同化、熵权法、集对分析、贝叶斯模型平均、人工神经网络、粒子群优化算法、遗传算法中至少两种；

利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重。

2.根据权利要求1所述的方法，其特征在于，所述精度评价指标包括决定系数、均方根误差、平均绝对百分误差、相对误差、纳什效率系数中至少一种。

3.根据权利要求1所述的方法，其特征在于，所述权重集结方法包括博弈论集结模型方法。

4.根据权利要求1所述的方法，其特征在于，在所述利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重之后，所述方法还包括：

利用所述最优权重建立最优水质遥感反演组合模型，并采用所述最优水质遥感反演组合模型对水质进行反演。

5.根据权利要求1所述的方法，其特征在于，在所述利用权重集结方法对选用模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重之后，所述方法还包括：

利用最优权重建立的最优水质遥感反演组合模型对水质参数进行模拟预测，并对模拟预测结果的不确定性进行量化。

6.一种水质遥感多模型协同反演的权重集结优化装置，其特征在于，包括：

数据获取模块，用于获取研究区域中多个水质采样点处水体的水质参数，并获取采集水样时水体的表观光学量数据和固有光学量数据，以及覆盖所述研究区域的卫星遥感数据，其中，所述表观光学量数据包括离水辐亮度、归一化离水辐亮度、反射率、遥感反射比中至少一种；所述固有光学量数据包括吸收系数和散射系数；

模型选取模块，用于根据所述水质参数、表观光学量数据、固有光学量数据以及卫星遥感数据，建立多个候选水质遥感反演模型，根据精度评价指标选取多个水质遥感反演模型进入遴选模型集合；

权重计算模块，用于利用选用的模型赋权方法，计算所述遴选模型集合中每个水质遥感反演模型的权重，所述模型赋权方法包括数据同化、熵权法、集对分析、贝叶斯模型平均、人工神经网络中至少两种；

最优权重得到模块，用于利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重。

7.根据权利要求6所述的装置，其特征在于，所述精度评价指标包括决定系数、均方根误差、平均绝对百分误差、相对误差、纳什效率系数中至少一种。

8.根据权利要求6所述的装置，其特征在于，所述权重集结方法包括博弈论集结模型方法、相对熵集结模型方法。

9.根据权利要求6所述的装置，其特征在于，所述装置还包括：

预测值计算模块，用于在所述利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重之后，利用所述最优权重建立最优水质遥感反演组合模型，并采用所述最优水质遥感反演组合模型对水质进行反演。

10.根据权利要求6所述的装置，其特征在于，所述装置还包括：

模拟预测模块，用于在所述利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重之后，对利用最优权重建立的最优水质遥感反演组合模型对水质参数进行模拟预测，并对模拟预测结果的不确定性进行量化。