CN111855601A - 内陆湖泊水体叶绿素a浓度遥感反演模型和方法 - Google Patents
内陆湖泊水体叶绿素a浓度遥感反演模型和方法 Download PDFInfo
- Publication number
- CN111855601A CN111855601A CN202010773162.4A CN202010773162A CN111855601A CN 111855601 A CN111855601 A CN 111855601A CN 202010773162 A CN202010773162 A CN 202010773162A CN 111855601 A CN111855601 A CN 111855601A
- Authority
- CN
- China
- Prior art keywords
- chlorophyll
- water body
- concentration
- remote sensing
- model
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 228
- 229930002868 chlorophyll a Natural products 0.000 title claims abstract description 158
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000001419 dependent effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 30
- 230000009467 reduction Effects 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 22
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 239000002253 acid Substances 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 11
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 10
- 238000002835 absorbance Methods 0.000 claims description 10
- 239000006228 supernatant Substances 0.000 claims description 10
- 238000002310 reflectometry Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000011068 loading method Methods 0.000 claims description 4
- 238000002791 soaking Methods 0.000 claims description 4
- 238000011276 addition treatment Methods 0.000 claims description 3
- 238000002386 leaching Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 16
- 238000013461 design Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004836 empirical method Methods 0.000 description 4
- 239000012535 impurity Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 241000218691 Cupressaceae Species 0.000 description 1
- 241000192700 Cyanobacteria Species 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 239000002510 pyrogen Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000004441 surface measurement Methods 0.000 description 1
Images
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Geometry (AREA)
- Medicinal Chemistry (AREA)
- Computing Systems (AREA)
- Food Science & Technology (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种内陆湖泊水体叶绿素a浓度遥感反演模型，内陆湖泊水体叶绿素a浓度遥感反演模型为Python语言的极端随机树模型，极端随机树模型的模型参数为：'max_features':'sqrt','min_samples_split':2,'min_weight_fraction_leaf':0.0,'min_samples_leaf':1,'max_depth':None,'splitter':'random','ccp_alpha':0.0,'min_impurity_decrease':0.0,'min_impurity_split':None,'criterion':'mse','max_leaf_nodes':None。还提供了内陆湖泊水体叶绿素a浓度遥感反演方法。本发明的内陆湖泊水体叶绿素a浓度遥感反演模型能够减小计算结果误差，提高水体叶绿素a浓度的反演模型精度，设计巧妙，计算简便，易于实现，成本低，适于大规模推广应用。
Description
技术领域
本发明涉及内陆湖泊水体环境监测技术领域，特别涉及内陆湖泊水体叶绿素a浓度测量技术领域，具体是指一种内陆湖泊水体叶绿素a浓度遥感反演模型和方法。
背景技术
叶绿素a是浮游植物(包括藻类和蓝藻)进行光合作用的重要色素。叶绿素a浓度是估算浮游植物生物量和湖泊生态系统初级生产力的重要参数之一，也是反映湖泊水环境水质及水体富营养化程度的重要指标。而内陆水体光学特性复杂，使用高光谱以及多光谱等遥感技术快速定量估测内陆浑浊水体叶绿素a浓度成为一个难点。
目前遥感定量反演叶绿素a的方法主要包括分析方法、半经验方法和经验方法，提取各种遥感数据包含的叶绿素a浓度信息，定量计算叶绿素a浓度。分析方法通过生物光学及辐射传输等物理模型定量反演叶绿素a浓度，需要明确水体的表观光学特性和固有光学特性等参数，而内陆湖泊水体组分及光学特性复杂，各种参数精确测量困难，因此反演结果精度普遍不高；半经验法通过借鉴分析方法的物理模型，用统计分析的方法确定部分运行参数来反演叶绿素a浓度，精度较好，得到了比较广泛的应用，但是构建的反演模型具有一定的时空局限性；经验法通过建立遥感数据和地面实测叶绿素a浓度之间的统计关系定量计算叶绿素a浓度。
前人针对水体叶绿素a浓度反演进行了大量的研究，取得了积极的进展。在众多研究结果中，认为基于两波段的波段比值模型比其他模型，例如单波段模型和一阶微分模型，精度较高(段洪涛,张柏,刘殿伟,等.查干湖水体光谱荧光峰特征与叶绿素a响应关系研究[J].红外与毫米波学报,2006,25(5):355-359)。大多数研究中，构建的两波段模型使用了两个波段的比值来构建叶绿素a浓度的指数方程(焦红波.基于水面实测光谱的太湖水体叶绿素a遥感最佳波段选择与模型研究[D].南京师范大学,2006)。而使用波段比值构建叶绿素a浓度反演模型时，对于中低叶绿素a浓度的水体，计算结果发散，误差较大，需要进一步改进和完善。
因此，希望提供一种内陆湖泊水体叶绿素a浓度遥感反演模型，其能够减小计算结果误差，提高水体叶绿素a浓度的反演模型精度。
发明内容
为了克服上述现有技术中的缺点，本发明的一个目的在于提供一种内陆湖泊水体叶绿素a浓度遥感反演模型，其能够减小计算结果误差，提高水体叶绿素a浓度的反演模型精度，适于大规模推广应用。
本发明的另一目的在于提供一种内陆湖泊水体叶绿素a浓度遥感反演模型，其设计巧妙，计算简便，易于实现，成本低，适于大规模推广应用。
本发明的另一目的在于提供一种内陆湖泊水体叶绿素a浓度遥感反演方法，其能够减小计算结果误差，提高水体叶绿素a浓度的反演精度，适于大规模推广应用。
本发明的另一目的在于提供一种内陆湖泊水体叶绿素a浓度遥感反演方法，其设计巧妙，操作简单方便，成本低，适于大规模推广应用。
为达到以上目的，在本发明的第一方面，提供一种内陆湖泊水体叶绿素a浓度遥感反演模型，其特点是，所述内陆湖泊水体叶绿素a浓度遥感反演模型为Python语言的极端随机树模型，所述极端随机树模型的模型参数为：'max_features':'sqrt','min_samples_split':2,'min_weight_fraction_leaf':0.0,'min_samples_leaf':1,'max_depth':None,'splitter':'random','ccp_alpha':0.0,'min_impurity_decrease':0.0,'min_impurity_split':None,'criterion':'mse','max_leaf_nodes':None。
较佳地，所述极端随机树模型采用内陆湖泊水体的数据集训练而成，所述数据集包括所述内陆湖泊水体的m个样点的水体遥感反射比和叶绿素a浓度的10倍缩小值的以10为底的对数值，m个所述样点均匀分布在所述内陆湖泊水体上，所述水体遥感反射比为n个波段特征的水体遥感反射比。
更佳地，所述m为60，所述n个波段特征为751个波段特征，所述751个波段特征为从350nm波段至1100nm波段。
在本发明的第二方面，提供了一种内陆湖泊水体叶绿素a浓度遥感反演方法，其特点是，包括以下步骤：
(1)测量内陆湖泊水体的水体遥感反射比；
(2)测量所述内陆湖泊水体的叶绿素a浓度CChla，将所述叶绿素a浓度CChla除以10并取以10为底的对数获得叶绿素a浓度的10倍缩小值的以10为底的对数值：
(3)以所述水体遥感反射比为输入数据，采用Python语言的极端随机树模型进行计算，获得反演值，根据所述反演值与所述的叶绿素a浓度的10倍缩小值的以10为底的对数值计算决定系数R2，改变所述极端随机树模型的模型参数的取值，R2的变化越大，说明所述模型参数的重要性越大，将所述模型参数按照所述重要性的大小由大到小进行排列构建模型参数调优秩次矩阵；
(4)以所述水体遥感反射比为所述输入数据，以所述的叶绿素a浓度的10倍缩小值的以10为底的对数值为输出结果，训练所述极端随机树模型，根据所述模型参数调优秩次矩阵依次对所述模型参数进行调优，获得所述模型参数的调优值；
(5)以所述水体遥感反射比为所述输入数据，以所述的叶绿素a浓度的10倍缩小值的以10为底的对数值为所述输出结果，采用所述的模型参数的调优值，训练所述极端随机树模型，待所述极端随机树模型训练结束后，获得内陆湖泊水体叶绿素a浓度遥感反演模型，使用save方法保存所述内陆湖泊水体叶绿素a浓度遥感反演模型，如果需要使用所述内陆湖泊水体叶绿素a浓度遥感反演模型，使用load方法加载所述内陆湖泊水体叶绿素a浓度遥感反演模型使用。
较佳地，在所述步骤(1)中，所述的测量内陆湖泊水体的水体遥感反射比的步骤具体包括：
测量所述内陆湖泊水体的水体光谱数据Lsw、所述内陆湖泊水体的天空漫散射光Lsky以及标准板的反射光Lp，计算所述水体遥感反射比：
Rrs＝(Lsw-rsky*Lsky)/(Lp*π/ρp)，
其中，Rrs为所述水体遥感反射比；rsky为所述内陆湖泊水体的气水表面反射率，取值0.022～0.028，在平静的水面上时rsky取值0.022，在5m/s的风速时，rsky取值0.025，在10m/s的风速时取值0.026～0.028，ρp为所述标准板的反射率。
更佳地，在所述步骤(1)中，所述测量采用便携式地物光谱仪进行，所述便携式地物光谱仪采用视场角为25°的镜头，所述测量采用水面以上的测定方法，所述的水面以上的测定方法的观测几何的设置为：Фv＝135°，v＝40°，所述标准板是反射率为10％的标准白板。
较佳地，在所述步骤(2)中，所述的测量所述内陆湖泊水体的叶绿素a浓度CChla的步骤具体包括：
采集所述内陆湖泊水体的水样，将所述水样采用滤纸过滤获得滤纸样本，采用叶绿素a萃取溶液萃取所述滤纸样本，离心后取上清液，测量所述上清液在665nm和750nm处的吸光度E665和E750，加酸处理，然后测量所述上清液在665nm和750nm处的吸光度A665和A750，使用下式计算所述内陆湖泊水体的叶绿素a浓度CChla：
其中，V1是所述叶绿素a萃取溶液的体积，V2是所述水样的体积。
更佳地，在所述步骤(2)中，所述滤纸为Whatman GF/F滤纸，所述叶绿素a萃取溶液是90％乙醇，所述萃取是在4℃下避光浸泡浸提8小时，所述酸是1mol/L的盐酸溶液，所述盐酸溶液的加入量为1滴～2滴，所述加酸处理的时间为1分钟。
较佳地，在所述步骤(3)中，所述模型参数调优秩次矩阵为：
Params＝{'max_features','min_samples_split','min_weight_fraction_leaf','min_samples_leaf','max_depth','splitter','ccp_alpha','min_impurity_decrease','min_impurity_split','criterion','max_leaf_nodes'}。
更佳地，在所述步骤(4)中，所述的模型参数的调优值为：
'max_features':'sqrt','min_samples_split':2,'min_weight_fraction_leaf':0.0,'min_samples_leaf':1,'max_depth':None,'splitter':'random','ccp_alpha':0.0,'min_impurity_decrease':0.0,'min_impurity_split':None,'criterion':'mse','max_leaf_nodes':None。
较佳地，在所述步骤(1)中，所述的测量内陆湖泊水体的水体遥感反射比的步骤具体为测量所述内陆湖泊水体的m个样点的所述水体遥感反射比，m个所述样点均匀分布在所述内陆湖泊水体上，所述水体遥感反射比为n个波段特征的水体遥感反射比；在所述步骤(2)中，所述的测量所述内陆湖泊水体的叶绿素a浓度CChla的步骤具体为测量该m个所述样点的所述叶绿素a浓度CChla。
更佳地，在所述步骤(1)中，所述m为60，所述n个波段特征为751个波段特征，所述751个波段特征为从350nm波段至1100nm波段。
本发明的有益效果主要在于：
1、本发明的内陆湖泊水体叶绿素a浓度遥感反演模型为Python语言的极端随机树模型，极端随机树模型的模型参数为：'max_features':'sqrt','min_samples_split':2,'min_weight_fraction_leaf':0.0,'min_samples_leaf':1,'max_depth':None,'splitter':'random','ccp_alpha':0.0,'min_impurity_decrease':0.0,'min_impurity_split':None,'criterion':'mse','max_leaf_nodes':None，对该模型进行检验，R2在0.85以上，因此，其能够减小计算结果误差，提高水体叶绿素a浓度的反演模型精度，适于大规模推广应用。
2、本发明的内陆湖泊水体叶绿素a浓度遥感反演模型为Python语言的极端随机树模型，极端随机树模型的模型参数为：'max_features':'sqrt','min_samples_split':2,'min_weight_fraction_leaf':0.0,'min_samples_leaf':1,'max_depth':None,'splitter':'random','ccp_alpha':0.0,'min_impurity_decrease':0.0,'min_impurity_split':None,'criterion':'mse','max_leaf_nodes':None，对该模型进行检验，R2在0.85以上，因此，其设计巧妙，计算简便，易于实现，成本低，适于大规模推广应用。
3、本发明的内陆湖泊水体叶绿素a浓度遥感反演方法，包括：测量内陆湖泊水体的水体遥感反射比；测量内陆湖泊水体的叶绿素a浓度CChla并除以10且取以10为底的对数获得叶绿素a浓度的10倍缩小值的以10为底的对数值：以水体遥感反射比为输入数据，采用Python语言的极端随机树模型进行计算，以决定系数R2构建模型参数调优秩次矩阵；以水体遥感反射比为输入数据，以叶绿素a浓度的10倍缩小值的以10为底的对数值为输出结果，训练极端随机树模型，根据模型参数调优秩次矩阵依次对模型参数进行调优，获得模型参数的调优值；以水体遥感反射比为输入数据，以叶绿素a浓度的10倍缩小值的以10为底的对数值为输出结果，采用模型参数的调优值，训练极端随机树模型，获得内陆湖泊水体叶绿素a浓度遥感反演模型，对该模型进行检验，R2在0.85以上，因此，其能够减小计算结果误差，提高水体叶绿素a浓度的反演精度，适于大规模推广应用。
4、本发明的内陆湖泊水体叶绿素a浓度遥感反演方法，包括：测量内陆湖泊水体的水体遥感反射比；测量内陆湖泊水体的叶绿素a浓度CChla并除以10且取以10为底的对数获得叶绿素a浓度的10倍缩小值的以10为底的对数值：以水体遥感反射比为输入数据，采用Python语言的极端随机树模型进行计算，以决定系数R2构建模型参数调优秩次矩阵；以水体遥感反射比为输入数据，以叶绿素a浓度的10倍缩小值的以10为底的对数值为输出结果，训练极端随机树模型，根据模型参数调优秩次矩阵依次对模型参数进行调优，获得模型参数的调优值；以水体遥感反射比为输入数据，以叶绿素a浓度的10倍缩小值的以10为底的对数值为输出结果，采用模型参数的调优值，训练极端随机树模型，获得内陆湖泊水体叶绿素a浓度遥感反演模型，对该模型进行检验，R2在0.85以上，因此，其设计巧妙，操作简单方便，成本低，适于大规模推广应用。
本发明的这些和其它目的、特点和优势，通过下述的详细说明、附图和权利要求得以充分体现，并可通过所附权利要求中特地指出的手段、装置和它们的组合得以实现。
附图说明
图1是本发明的内陆湖泊水体叶绿素a浓度遥感反演方法的一具体实施例的流程示意图。
图2是图1所示的具体实施例的光谱仪水面以上观测几何示意图。
图3是图1所示的具体实施例的模型构建流程示意图。
图4是图1所示的具体实施例的模型检验结果示意图，其中预测值和实测值的单位均为lg(10μg/L)。
具体实施方式
本发明人针对现有的叶绿素a浓度反演模型的不足，改进了叶绿素a浓度反演模型，提出了一种内陆湖泊水体叶绿素a浓度遥感反演模型，所述内陆湖泊水体叶绿素a浓度遥感反演模型为Python语言的极端随机树模型，所述极端随机树模型的模型参数为：'max_features':'sqrt','min_samples_split':2,'min_weight_fraction_leaf':0.0,'min_samples_leaf':1,'max_depth':None,'splitter':'random','ccp_alpha':0.0,'min_impurity_decrease':0.0,'min_impurity_split':None,'criterion':'mse','max_leaf_nodes':None。
所述极端随机树模型可以采用任何合适的数据集训练而成，较佳地，所述极端随机树模型采用内陆湖泊水体的数据集训练而成，所述数据集包括所述内陆湖泊水体的m个样点的水体遥感反射比和叶绿素a浓度的10倍缩小值的以10为底的对数值，m个所述样点均匀分布在所述内陆湖泊水体上，所述水体遥感反射比为n个波段特征的水体遥感反射比。
所述m和所述n为正整数，可以根据需要确定，更佳地，所述m为60，所述n个波段特征为751个波段特征，所述751个波段特征为从350nm波段至1100nm波段。
本发明还提供了一种内陆湖泊水体叶绿素a浓度遥感反演方法，包括以下步骤：
(1)测量内陆湖泊水体的水体遥感反射比；
(2)测量所述内陆湖泊水体的叶绿素a浓度CChla，将所述叶绿素a浓度CChla除以10并取以10为底的对数获得叶绿素a浓度的10倍缩小值的以10为底的对数值：
(3)以所述水体遥感反射比为输入数据，采用Python语言的极端随机树模型进行计算，获得反演值，根据所述反演值与所述的叶绿素a浓度的10倍缩小值的以10为底的对数值计算决定系数R2，改变所述极端随机树模型的模型参数的取值，R2的变化越大，说明所述模型参数的重要性越大，将所述模型参数按照所述重要性的大小由大到小进行排列构建模型参数调优秩次矩阵；
(4)以所述水体遥感反射比为所述输入数据，以所述的叶绿素a浓度的10倍缩小值的以10为底的对数值为输出结果，训练所述极端随机树模型，根据所述模型参数调优秩次矩阵依次对所述模型参数进行调优，获得所述模型参数的调优值；
(5)以所述水体遥感反射比为所述输入数据，以所述的叶绿素a浓度的10倍缩小值的以10为底的对数值为所述输出结果，采用所述的模型参数的调优值，训练所述极端随机树模型，待所述极端随机树模型训练结束后，获得内陆湖泊水体叶绿素a浓度遥感反演模型，使用save方法保存所述内陆湖泊水体叶绿素a浓度遥感反演模型，如果需要使用所述内陆湖泊水体叶绿素a浓度遥感反演模型，使用load方法加载所述内陆湖泊水体叶绿素a浓度遥感反演模型使用。
在所述步骤(1)中，所述的测量内陆湖泊水体的水体遥感反射比的步骤可以具体包括任何合适的方法，较佳地，在所述步骤(1)中，所述的测量内陆湖泊水体的水体遥感反射比的步骤具体包括：
测量所述内陆湖泊水体的水体光谱数据Lsw、所述内陆湖泊水体的天空漫散射光Lsky以及标准板的反射光Lp，计算所述水体遥感反射比：
Rrs＝(Lsw-rsky*Lsky)/(Lp*π/ρp)，
其中，Rrs为所述水体遥感反射比；rsky为所述内陆湖泊水体的气水表面反射率，取值0.022～0.028，在平静的水面上时rsky取值0.022，在5m/s的风速时，rsky取值0.025，在10m/s的风速时取值0.026～0.028，ρp为所述标准板的反射率。
在所述步骤(1)中，所述测量可以采用任何合适的光谱仪进行，所述测量可以采用任何合适的方法进行，所述标准板可以采用任何合适的标准板，更佳地，在所述步骤(1)中，所述测量采用便携式地物光谱仪进行，所述便携式地物光谱仪采用视场角为25°的镜头，所述测量采用水面以上的测定方法，所述的水面以上的测定方法的观测几何的设置为：Фv＝135°，v＝40°，所述标准板是反射率为10％的标准白板。
在所述步骤(2)中，所述的测量所述内陆湖泊水体的叶绿素a浓度CChla的步骤可以具体包括任何合适的方法，较佳地，在所述步骤(2)中，所述的测量所述内陆湖泊水体的叶绿素a浓度CChla的步骤具体包括：
采集所述内陆湖泊水体的水样，将所述水样采用滤纸过滤获得滤纸样本，采用叶绿素a萃取溶液萃取所述滤纸样本，离心后取上清液，测量所述上清液在665nm和750nm处的吸光度E665和E750，加酸处理，然后测量所述上清液在665nm和750nm处的吸光度A665和A750，使用下式计算所述内陆湖泊水体的叶绿素a浓度CChla：
其中，V1是所述叶绿素a萃取溶液的体积，V2是所述水样的体积。
在所述步骤(2)中，所述滤纸可以是任何合适的滤纸，所述叶绿素a萃取溶液可以是任何合适的叶绿素a萃取溶液，所述酸可以是任何合适的酸，更佳地，在所述步骤(2)中，所述滤纸为Whatman GF/F滤纸，所述叶绿素a萃取溶液是90％乙醇，所述萃取是在4℃下避光浸泡浸提8小时，所述酸是1mol/L的盐酸溶液，所述盐酸溶液的加入量为1滴～2滴，所述加酸处理的时间为1分钟。
在所述步骤(3)中，所述模型参数调优秩次矩阵根据决定系数R2确定，较佳地，在所述步骤(3)中，所述模型参数调优秩次矩阵为：
Params＝{'max_features','min_samples_split','min_weight_fraction_leaf','min_samples_leaf','max_depth','splitter','ccp_alpha','min_impurity_decrease','min_impurity_split','criterion','max_leaf_nodes'}。
在所述步骤(4)中，所述的模型参数的调优值根据所述模型参数调优秩次矩阵依次确定，更佳地，在所述步骤(4)中，所述的模型参数的调优值为：
'max_features':'sqrt','min_samples_split':2,'min_weight_fraction_leaf':0.0,'min_samples_leaf':1,'max_depth':None,'splitter':'random','ccp_alpha':0.0,'min_impurity_decrease':0.0,'min_impurity_split':None,'criterion':'mse','max_leaf_nodes':None。
为了使得所述内陆湖泊水体叶绿素a浓度遥感反演模型的精度更高，可以选取所述内陆湖泊水体的多个样点，测定多个样点的多个波段特征的水体遥感反射比以及多个样点的叶绿素a浓度，较佳地，在所述步骤(1)中，所述的测量内陆湖泊水体的水体遥感反射比的步骤具体为测量所述内陆湖泊水体的m个样点的所述水体遥感反射比，m个所述样点均匀分布在所述内陆湖泊水体上，所述水体遥感反射比为n个波段特征的水体遥感反射比；在所述步骤(2)中，所述的测量所述内陆湖泊水体的叶绿素a浓度CChla的步骤具体为测量该m个所述样点的所述叶绿素a浓度CChla。
在所述步骤(1)中，所述m和所述n为正整数，可以根据需要确定，更佳地，在所述步骤(1)中，所述m为60，所述n个波段特征为751个波段特征，所述751个波段特征为从350nm波段至1100nm波段。
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。
实施例
本实施例的内陆湖泊水体叶绿素a浓度遥感反演方法基于实测高光谱数据，采用了洪泽湖采集的水体光学特性和水体组分信息，共80个采样点，这些采样点均匀分布并完全覆盖洪泽湖整个湖区。洪泽湖是我国五大淡水湖之一，平均水深5.62m，湖底沉积物再悬浮受湖面风浪影响大，属高浑浊度水体，是一个典型的内陆二类水体。80个采样点数据采用随机的方法分为两部分，其中60采样点的数据用于模型构建，20个采样点数据用于模型检验。内陆湖泊水体叶绿素a浓度遥感反演方法的流程如图1所示，包括如下步骤：
1.水体光谱测定。
使用便携式地物光谱仪和标准板测定水体光谱，获取遥感反射比Rrs。采用水面以上的测定方法，观测几何如图2所示，采用目前典型的观测几何设置：Фv＝135°，v＝40°。在测量水体光谱的时候，记录光谱的单次积分值，不采用平均值，并记录多次例如15次测试的光谱值，测量时间跨越波浪周期(测量时间为2-5分钟)。光谱仪采用视场角为25°的镜头，采用反射率为10％的标准白板。分别测定350nm波段至1100nm波段的水体光谱数据、天空漫散射光以及标准板的反射光，计算水体遥感反射比Rrs：
Rrs＝(Lsw-rsky*Lsky)/(Lp*π/ρp)
其中，Rrs为水体遥感反射比，Lsw为光谱仪测量的水体光谱数据，rsky为气水表面反射率，本案例取值为0.0245，Lsky为天空漫散射光，Lp为标准板的反射光，ρp为标准板的反射率，本例使用的标准板的反射率为10％。
2.水体叶绿素a浓度测定。
测定水体光谱数据时，同步采集水样，用Whatman GF/F滤纸过滤，将过滤后的滤纸对折，放入铝箔纸内包好，于-20℃冰箱冷冻保存。用75摄氏度的90％热乙醇溶液萃取滤纸样本，于4℃下避光浸泡浸提8小时，离心后取上清液，于722分光光度计测量，记录665nm和750nm处吸光度E665和E750，然后使用普通胶头吸管加入1～2滴1mol/L盐酸溶液，1分钟后记录665nm和750nm处吸光度A665和A750，使用下式计算叶绿素a浓度：
其中，CChla为叶绿素a浓度(ug/L)，E665、E750分别为加酸之前665、750nm处的吸光度，A665、A750分别为加酸后665、750nm处的吸光度，V1是90％热乙醇溶液的体积(ml)，V2是水样的体积(L)。
3.模型构建
模型构建采用Python语言的极端随机树模型进行构建，请参见图3所示，模型构建主要包括以下步骤：
3.1数据校验
对获取的水体遥感反射比数据进行校验，剔除异常的整条光谱曲线数据。本发明中异常光谱是指相邻光谱变化超过100％，且包含空值、负值的光谱值。
3.2数据的预处理
对校验后的水体遥感反射比数据以及叶绿素a浓度数据进行预处理，包括去除包含缺失值和空值的成对水体遥感反射比数据和叶绿素a浓度数据。为了减少内存占用、提高计算效率，对叶绿素a浓度数值进行了转换，通过除以10，将叶绿素a浓度数值转换为0～10之间的数值，获得叶绿素a浓度的10倍缩小值，同时，使用了以10为底数的对数转换的方式，对缩小后的叶绿素a浓度数值进行了转换，获得了叶绿素a浓度的10倍缩小值的以10为底的对数值，改变其数据分布，提高模型计算精度。
3.3数据集的划分
为保证模型训练和反演结果的合理评估，使用随机的方法，将整个数据集划分为两部分，80％的数据用于模型训练，20％的数据用于训练后的效果评估。
3.4训练数据集的划分
为保证模型训练的效果，使用随机的方法，在每次模型训练迭代时，将训练数据集划分为5个部分，对模型进行训练。
3.5模型参数调优秩次矩阵的构建
本发明中，模型训练过程模型参数的调优非常重要，为保证尽量获取最佳的模型调优，使用试错法进行模型参数调优。本发明使用决定系数R2(R2越接近于1越好)作为检验参数，构建了评估模型参数权重的参数秩次矩阵。根据训练数据集首先使用模型参数的默认值进行计算，获取反演值，根据反演值和叶绿素a浓度的10倍缩小值的以10为底的对数值，计算决定系数R2，然后改变模型参数的取值，R2的变化越大，说明模型参数的重要性越大，将模型参数按照重要性的大小由大到小进行排列构建模型参数调优秩次矩阵，用于后续计算。
根据训练数据集中水体遥感反射比数据和对应的叶绿素a浓度的10倍缩小值的以10为底的对数值数据，计算得到的模型参数调优秩次矩阵为：
Params＝{'max_features','min_samples_split','min_weight_fraction_leaf','min_samples_leaf','max_depth','splitter','ccp_alpha','min_impurity_decrease','min_impurity_split','criterion','max_leaf_nodes'}。
其中max_leaf_nodes变化不会引起模型的精度变化。
3.6模型构建
依据获取的模型参数调优秩次矩阵，将建模使用的数据，包括实测的水体遥感反射比数据和对应的实测的叶绿素a浓度的10倍缩小值的以10为底的对数值数据，以实测的水体遥感反射比数据为输入数据，实测的叶绿素a浓度的10倍缩小值的以10为底的对数值数据为输出结果，训练极端随机树模型，根据模型参数调优秩次矩阵依次对模型参数进行调优，获得该模型完整参数及取值，如下：
'max_features':'sqrt','min_samples_split':2,'min_weight_fraction_leaf':0.0,'min_samples_leaf':1,'max_depth':None,'splitter':'random','ccp_alpha':0.0,'min_impurity_decrease':0.0,'min_impurity_split':None,'criterion':'mse','max_leaf_nodes':None。
待模型训练结束后，使用save方法保存模型，如需使用，运行load方法加载使用。
对于包含m个样本以及n个波段特征的数据集，Python语言的极端随机树模型的模型构建计算过程如下：
(1)使用所有的训练样本构建多个决策树；
(2)构建决策树时，根据评估分数使用分数最好的特征来构建决策树；
(3)在构建决策树的时候，在特征经验范围内均匀随机生成决策树的分叉值，在所有随机的划分点中，选择其中分数最高的作为结点的划分点，不限制决策树的深度；
(4)在训练结束之后，对未知样本x的预测可以通过对x上所有单个回归树的预测求平均来实现：
其中，
为最终的预测值，B为构建的决策树个数，fb为构建的单个决策树，x为样本数据。
3.7模型检验
使用构建模型之外的20个采样点高光谱数据输入模型，使用调优后的模型参数进行计算，得到预测值，分析预测值与实测值(叶绿素a浓度的10倍缩小值的以10为底的对数值)的关系，结果如图4所示，模型的R2＝0.8903，而使用该模型的默认参数，其R2仅为0.5798。
本案例训练数据和检验数据的随机划分以及模型的构建、训练和检验使用了美国MathWorks公司开发的Matlab软件(version:R2020a 9.8.0.1380330)以及Python(version:3.7.0)，通过Matlab软件调用Python的极端随机树模型。
因此，本发明提出了一种新的、基于实测高光谱遥感数据的内陆湖泊水体叶绿素a浓度遥感反演模型，基于实测水体光谱数据和实地采集的叶绿素a浓度数据，能够克服内陆浑浊水体光学特性复杂、水体中含有悬浮物以及有色可溶性有机物等复杂组分等因素对叶绿素a浓度特征波段的影响而产生“漂移”现象，充分利用波段数据中包含的叶绿素a浓度信息，提高内陆湖泊叶绿素a浓度的反演模型精度。
与现有技术相比，本发明具有以下优点：
(1)本发明基于实测的水体高光谱遥感数据全波段数据，充分利用高光谱数据所包含的完整的叶绿素a浓度信息的同时，避免了因内陆湖泊水体组分复杂而对叶绿素a浓度的特征波段造成的影响，比如特征波段“漂移”现象；
(2)本发明充分考虑了叶绿素a浓度与其特征波段之间的各种效应，使用了极端随机树模型(Extremely randomized trees model,ET)，避免了前人研究工作中使用线性或者指数模型的局限性，提高了脱叶绿素a浓度反演的精度
(3)本发明提出的叶绿素a浓度反演方法计算简便，适用于不同地区的内陆湖泊以及不同季节的叶绿素a浓度的遥感定量反演。
(4)本发明充分考虑了模型训练和模型检验的独立性，使用随机分割的方法划分训练数据集和检验数据集，训练数据集只用于模型训练，检验数据集仅用于模型检验，以保证模型效果检验的合理性。
(5)由于模型的参数调优对于模型的计算精度非常重要，因此本发明中构建了模型参数秩次矩阵，以决定系数R2为评价参数，使用试错法进行模型参数调优，在保证参数调优效果的基础上，大大提高了模型训练和参数调优的速度。
综上，本发明的内陆湖泊水体叶绿素a浓度遥感反演模型能够减小计算结果误差，提高水体叶绿素a浓度的反演模型精度，设计巧妙，计算简便，易于实现，成本低，适于大规模推广应用。
由此可见，本发明的目的已经完整并有效的予以实现。本发明的功能及结构原理已在实施例中予以展示和说明，在不背离所述原理下，实施方式可作任意修改。所以，本发明包括了基于权利要求精神及权利要求范围的所有变形实施方式。
Claims (12)
1.一种内陆湖泊水体叶绿素a浓度遥感反演模型，其特征在于，所述内陆湖泊水体叶绿素a浓度遥感反演模型为Python语言的极端随机树模型，所述极端随机树模型的模型参数为：'max_features':'sqrt','min_samples_split':2,'min_weight_fraction_leaf':0.0,'min_samples_leaf':1,'max_depth':None,'splitter':'random','ccp_alpha':0.0,'min_impurity_decrease':0.0,'min_impurity_split':None,'criterion':'mse','max_leaf_nodes':None。
2.如权利要求1所述的内陆湖泊水体叶绿素a浓度遥感反演模型，其特征在于，所述极端随机树模型采用内陆湖泊水体的数据集训练而成，所述数据集包括所述内陆湖泊水体的m个样点的水体遥感反射比和叶绿素a浓度的10倍缩小值的以10为底的对数值，m个所述样点均匀分布在所述内陆湖泊水体上，所述水体遥感反射比为n个波段特征的水体遥感反射比。
3.如权利要求2所述的内陆湖泊水体叶绿素a浓度遥感反演模型，其特征在于，所述m为60，所述n个波段特征为751个波段特征，所述751个波段特征为从350nm波段至1100nm波段。
4.一种内陆湖泊水体叶绿素a浓度遥感反演方法，其特征在于，包括以下步骤：
(1)测量内陆湖泊水体的水体遥感反射比；
(2)测量所述内陆湖泊水体的叶绿素a浓度CChla，将所述叶绿素a浓度CChla除以10并取以10为底的对数获得叶绿素a浓度的10倍缩小值的以10为底的对数值：
(3)以所述水体遥感反射比为输入数据，采用Python语言的极端随机树模型进行计算，获得反演值，根据所述反演值与所述的叶绿素a浓度的10倍缩小值的以10为底的对数值计算决定系数R2，改变所述极端随机树模型的模型参数的取值，R2的变化越大，说明所述模型参数的重要性越大，将所述模型参数按照所述重要性的大小由大到小进行排列构建模型参数调优秩次矩阵；
(4)以所述水体遥感反射比为所述输入数据，以所述的叶绿素a浓度的10倍缩小值的以10为底的对数值为输出结果，训练所述极端随机树模型，根据所述模型参数调优秩次矩阵依次对所述模型参数进行调优，获得所述模型参数的调优值；
(5)以所述水体遥感反射比为所述输入数据，以所述的叶绿素a浓度的10倍缩小值的以10为底的对数值为所述输出结果，采用所述的模型参数的调优值，训练所述极端随机树模型，待所述极端随机树模型训练结束后，获得内陆湖泊水体叶绿素a浓度遥感反演模型，使用save方法保存所述内陆湖泊水体叶绿素a浓度遥感反演模型，如果需要使用所述内陆湖泊水体叶绿素a浓度遥感反演模型，使用load方法加载所述内陆湖泊水体叶绿素a浓度遥感反演模型使用。
5.如权利要求4所述的内陆湖泊水体叶绿素a浓度遥感反演方法，其特征在于，在所述步骤(1)中，所述的测量内陆湖泊水体的水体遥感反射比的步骤具体包括：
测量所述内陆湖泊水体的水体光谱数据Lsw、所述内陆湖泊水体的天空漫散射光Lsky以及标准板的反射光Lp，计算所述水体遥感反射比：
Rrs＝(Lsw-rsky*Lsky)/(Lp*π/ρp)，
其中，Rrs为所述水体遥感反射比；rsky为所述内陆湖泊水体的气水表面反射率，取值0.022～0.028，在平静的水面上时rsky取值0.022，在5m/s的风速时，rsky取值0.025，在10m/s的风速时取值0.026～0.028，ρp为所述标准板的反射率。
6.如权利要求5所述的内陆湖泊水体叶绿素a浓度遥感反演方法，其特征在于，在所述步骤(1)中，所述测量采用便携式地物光谱仪进行，所述便携式地物光谱仪采用视场角为25°的镜头，所述测量采用水面以上的测定方法，所述的水面以上的测定方法的观测几何的设置为：Фv＝135°，v＝40°，所述标准板是反射率为10％的标准白板。
7.如权利要求4所述的内陆湖泊水体叶绿素a浓度遥感反演方法，其特征在于，在所述步骤(2)中，所述的测量所述内陆湖泊水体的叶绿素a浓度CChla的步骤具体包括：
采集所述内陆湖泊水体的水样，将所述水样采用滤纸过滤获得滤纸样本，采用叶绿素a萃取溶液萃取所述滤纸样本，离心后取上清液，测量所述上清液在665nm和750nm处的吸光度E665和E750，加酸处理，然后测量所述上清液在665nm和750nm处的吸光度A665和A750，使用下式计算所述内陆湖泊水体的叶绿素a浓度CChla：
其中，V1是所述叶绿素a萃取溶液的体积，V2是所述水样的体积。
8.如权利要求7所述的内陆湖泊水体叶绿素a浓度遥感反演方法，其特征在于，在所述步骤(2)中，所述滤纸为Whatman GF/F滤纸，所述叶绿素a萃取溶液是90％乙醇，所述萃取是在4℃下避光浸泡浸提8小时，所述酸是1mol/L的盐酸溶液，所述盐酸溶液的加入量为1滴～2滴，所述加酸处理的时间为1分钟。
9.如权利要求4所述的内陆湖泊水体叶绿素a浓度遥感反演方法，其特征在于，在所述步骤(3)中，所述模型参数调优秩次矩阵为：
Params＝{'max_features','min_samples_split','min_weight_fraction_leaf','min_samples_leaf','max_depth','splitter','ccp_alpha','min_impurity_decrease','min_impurity_split','criterion','max_leaf_nodes'}。
10.如权利要求9所述的内陆湖泊水体叶绿素a浓度遥感反演方法，其特征在于，在所述步骤(4)中，所述的模型参数的调优值为：
'max_features':'sqrt','min_samples_split':2,'min_weight_fraction_leaf':0.0,'min_samples_leaf':1,'max_depth':None,'splitter':'random','ccp_alpha':0.0,'min_impurity_decrease':0.0,'min_impurity_split':None,'criterion':'mse','max_leaf_nodes':None。
11.如权利要求4所述的内陆湖泊水体叶绿素a浓度遥感反演方法，其特征在于，在所述步骤(1)中，所述的测量内陆湖泊水体的水体遥感反射比的步骤具体为测量所述内陆湖泊水体的m个样点的所述水体遥感反射比，m个所述样点均匀分布在所述内陆湖泊水体上，所述水体遥感反射比为n个波段特征的水体遥感反射比；在所述步骤(2)中，所述的测量所述内陆湖泊水体的叶绿素a浓度CChla的步骤具体为测量该m个所述样点的所述叶绿素a浓度CChla。
12.如权利要求11所述的内陆湖泊水体叶绿素a浓度遥感反演方法，其特征在于，在所述步骤(1)中，所述m为60，所述n个波段特征为751个波段特征，所述751个波段特征为从350nm波段至1100nm波段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010773162.4A CN111855601A (zh) | 2020-08-04 | 2020-08-04 | 内陆湖泊水体叶绿素a浓度遥感反演模型和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010773162.4A CN111855601A (zh) | 2020-08-04 | 2020-08-04 | 内陆湖泊水体叶绿素a浓度遥感反演模型和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111855601A true CN111855601A (zh) | 2020-10-30 |
Family
ID=72953481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010773162.4A Pending CN111855601A (zh) | 2020-08-04 | 2020-08-04 | 内陆湖泊水体叶绿素a浓度遥感反演模型和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111855601A (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
-
2020
- 2020-08-04 CN CN202010773162.4A patent/CN111855601A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴江等: "机器学习算法的数字解析与Python实现", 机械工业出版社, pages: 202 - 205 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | Comparison of algorithms for wavelength variables selection from near-infrared (NIR) spectra for quantitative monitoring of yeast (Saccharomyces cerevisiae) cultivations | |
| CN108875913B (zh) | 一种基于卷积神经网络的松茸快速无损检测系统及方法 | |
| CN111855600A (zh) | 内陆湖泊水体cdom光谱吸收系数遥感反演模型和方法 | |
| CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
| CN111855590A (zh) | 水稻叶片淀粉积累量遥感反演模型和方法 | |
| CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| CN111855591A (zh) | 水稻地上部碳氮比遥感反演模型和方法 | |
| CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
| CN111239071A (zh) | 一种光谱法海水硝酸盐浓度检测方法 | |
| CN111781147A (zh) | 基于两波段的内陆湖泊水体叶绿素a浓度遥感反演模型和方法 | |
| CN111855593A (zh) | 水稻叶片淀粉含量遥感反演模型和方法 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| CN105608296B (zh) | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 | |
| CN111693487A (zh) | 基于遗传算法和极限学习机的水果糖度检测方法及系统 | |
| CN114676636A (zh) | 一种综合植被和生境特征的草原区土壤水分快速反演方法 | |
| CN114112941A (zh) | 基于支持向量回归的航空高光谱水体富营养化评价方法 | |
| CN112362812A (zh) | 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法 | |
| CN116911183A (zh) | 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质 | |
| CN114169165A (zh) | 一种三波段植被指数估算镉胁迫下水稻叶绿素的模型方法 | |
| CN117907245A (zh) | 一种基于约束性prosail-pro模型光谱超分辨率的岩溶湿地植被群落氮和磷含量反演方法 | |
| CN109507143A (zh) | 沼液理化指标近红外光谱同步快速检测方法 | |
| CN105954226B (zh) | 对叶表结构不敏感的叶绿素含量的检测方法 | |
| CN111855601A (zh) | 内陆湖泊水体叶绿素a浓度遥感反演模型和方法 | |
| CN115080905B (zh) | 一种高原湖泊叶绿素a浓度遥感反演方法 | |
| CN112949038B (zh) | 一种计算海洋水体不同浮游植物种群比吸收系数的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |