CN112215525B - 一种湖库水质反演及可视化评价方法 - Google Patents
一种湖库水质反演及可视化评价方法 Download PDFInfo
- Publication number
- CN112215525B CN112215525B CN202011217433.4A CN202011217433A CN112215525B CN 112215525 B CN112215525 B CN 112215525B CN 202011217433 A CN202011217433 A CN 202011217433A CN 112215525 B CN112215525 B CN 112215525B
- Authority
- CN
- China
- Prior art keywords
- water quality
- lake
- data
- training
- value
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 118
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 230000000007 visual effect Effects 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012795 verification Methods 0.000 claims abstract description 42
- 238000002310 reflectometry Methods 0.000 claims abstract description 36
- 238000012937 correction Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 18
- 230000005855 radiation Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 230000001351 cycling effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000013441 quality evaluation Methods 0.000 abstract description 13
- 229930002875 chlorophyll Natural products 0.000 description 16
- 235000019804 chlorophyll Nutrition 0.000 description 16
- 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 description 16
- 238000012544 monitoring process Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种湖库水质反演及可视化评价方法，属于水质评价领域，获取湖库区不同时相的卫星影像；调用大气校正模块Sen2Cor对Sentinel系列卫星影像进行大气校正；将经过大气校正之后的卫星影像的投影坐标统一转换为WGS84投影坐标；通过输入实测水质样点的坐标数据，提取前一步中对应时相卫星影像不同波段的反射率数据；采用深度学习中的神经网络算法进行模型的训练；采用K折交叉验证方法进行模型训练与精度验证；进行湖库水质参数反演，根据实测水质参数不同，分别对不同的参数进行训练和反演；利用上一步反演的湖库水体水质参数结果，对整个湖库水体进行水质评价，并以可视化图像展示。该方法提高了水质反演的精度，评价结果精确，效率高。
Description
技术领域
本发明属于水质评价领域，具体涉及一种湖库水质反演及可视化评价方法。
背景技术
随着经济飞速发展，城市化进程加快，湖库水体污染加剧，富营养化现象日趋严重，进而带来一系列的生态环境问题，因此，如何经济、快速、准确获取内陆湖库水质参数并进行可视化评价，引起了各方高度关注。
河湖水质监测及水质评价作为保护河湖水环境的一项重要措施，为决策者监督管理提供科学的依据，从而更好的保障河湖水质安全、维系区域生态平衡。水质监测的主要目的在于把控水质现状以及发展趋势，分析污染事故出现的原因及影响范围，并对后期水质评价以及水质预测、预报提供数据支持和手段。水质评价即选取水体的水质指标以及相对应的评价标准，通过科学的计算方法确定各指标重要性，并评价水体的综合水质等级以及确定主要污染物。因此，必须加强对河湖水质的监测及评价力度，做到定期监测、科学评价、及时治理，准确及时的掌握河湖水质变化。这对保护河湖生态、控制水体污染、保护河湖水资源有重要意义。
目前，常用的水质评价方法主要有：算数或加权平均法、人工神经网络法、综合污染指数法、单因子评价法、灰色聚类分析法和模糊综合评价法等。由于水质评价方法众多，应用不同的方法进行水质评价往往能得出不同的评价结果，因此我们需要充分了解各评价方法的评价原理与适用范围，并根据水体具体情况，分析选择适用的评价方法。
以上评价方法多从主观角度或客观角度的单一角度出发，无法全面反映事物的整体性。而且长期以来，水质数据的采集都依赖于常规的监测，耗时耗力并且不能及时迅速的获取数据。
因此，本申请提出一种湖库水质反演及可视化评价方法
发明内容
为了克服上述现有技术存在的不足，本发明提供了一种湖库水质反演及可视化评价方法，具体为一种基于卫星影像和机器学习的湖库水质反演及可视化评价方法。
为了实现上述目的，本发明提供如下技术方案：
一种湖库水质反演及可视化评价方法，包括以下步骤：
步骤1、获取湖库区不同时相的卫星影像；
步骤2、调用大气校正模块Sen2Cor对Sentinel系列卫星影像进行大气校正；
步骤3、将经过大气校正之后的卫星影像的投影坐标统一转换为WGS84投影坐标；
步骤4、通过输入实测水质样点的坐标数据和取得的水样在实验室测定的实际水质参数数据，根据采样点坐标数据提取步骤3中对应时相卫星影像不同波段的反射率数据；
步骤5、用步骤4中的实测样点水质参数数据和对应时相卫星影像不同波段的反射率数据作为输入数据，采用深度学习中的神经网络算法进行模型的训练，训练时选择ReLU函数作为模型的激活函数；
步骤6、采用K折交叉验证方法进行模型训练与精度验证；
步骤7、选择已经经过步骤2大气校正的卫星影像作为待预测水质的影像，并输入湖库水体边界的矢量数据作为掩膜边界，利用通过步骤6精度验证的一组水质反演参数，以待测影像不同波段反射率数据作为模型输入，进行湖库水质参数反演，根据实测水质参数不同，分别对不同的参数进行训练和反演；
步骤8、利用步骤7反演的湖库水体水质参数结果，对整个湖库水体进行水质评价，并以可视化图像展示。
优选地，所述步骤2调用大气校正模块Sen2Cor对Sentinel系列卫星影像进行大气校正包括：
步骤21、利用大气校正模块Sen2Cor对Sentinel系列卫星影像进行辐射定标，将卫星影像每一波段的像元DN值转化为大气顶层辐射亮度值或反射率值
步骤22、将利用大气校正模块将大气顶层辐射亮度值或反射率值还原为地表真实反射率值，并能高保真地恢复地物波谱信息。
优选地，所述步骤5中的神经网络算法具体包括：
步骤51、选择卫星影像与实测水质参数相关的波段的反射率数据作为输入数据，输入神经网络输入层的每个节点；
步骤52、设定隐含层层数以及每一层隐含层神经元个数，在测试的过程中不断调整隐含层层数以及每一层隐含层神经元个数以取得最佳效果，输入层的每个节点，都要与的隐藏层每个节点做点对点的计算，计算过程为：初始特征X1,X2,X2以及偏移值+1从输入层的节点输入后，经过权重w0,w1,w2,w3和激活函数f的计算，从输出层的节点输出；
初始特征X1,X2,X2对应步骤51中不同波段的反射率数据；权重w0,w1,w2,w3，即参数，是特征的缩放倍数；
计算公式为：
其中，W表示权重向量，x为输入的波段反射率数据，b为初始阈值，函数f称为激活函数；
步骤53、特征经过缩放和偏移后全部累加起来，经过一次激活运算然后再输出，模型选用的激活函数为ReLU，公式为：
f(hW,b(x))＝max(hW,b(x),0)
其中，x为输入的波段反射率数据，ReLU激活函数的作用是如果计算出的值小于0，就让它等于0，否则保持原来的值不变；
步骤54、隐藏层每个节点中计算的数值再通过网络计算，以相同的方式传播到输出层。
优选地，所述步骤6中的K折交叉验证方法具体包括：
步骤61、将实测水质参数数据与对应的不同波段的反射率数据拆分为K份，取其中的K-1份作为模型的训练集输入步骤5中进行模型的参数训练，1份作为模型精度验证的验证集，取验证集对应点位的卫星影像不同波段的反射率数据作为输入数据，利用所述训练集训练获得的水质数据模拟参数对验证集的水质参数进行模拟计算，计算结果和验证集中的真值进行比较，并以均方误差作为其损失函数，判断并记下本次训练模型的准确率，损失函数为平均绝对误差MAE：
其中yi是验证集中的实测值，而yi'为神经网络给出的预测值，K为折数；
步骤62、在K份中取另外的K-1份做训练集，1份做验证集，再次得到一个模型的准确率，依次循环，直到所有K份都做过1次验证集，也即验证集名额循环了一圈，交叉验证的过程就结束，循环次数可通过调参设置；
步骤63、计算K次准确率的均值，经过循环计算，取准确率最高的一次训练出来的参数作为最终水质模拟参数。
本发明提供的湖库水质反演及可视化评价方法具有以下有益效果：
本发明根据中分辨率卫星影像高空间、高时间分辨率的特性，可直接调用大气校正模块Sen2Cor对Sentinel系列遥感影像进行大气校正，在一定程度上简化了数据处理流程；并采用深度学习中的神经网络算法大大简化了水质评价的计算过程，提高了水质反演的精度，利用神经网络的高度非线性函数映射功能，使得水质评价结果更为精确；采用K折交叉验证方法拆分训练集和验证集，弥补了模型训练数据样本较少的不足，评价结果精确，效率高。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1的湖库水质反演及可视化评价方法的流程图；
图2为神经网络模型图；
图3为K折交叉验证示意图；
图4为本发明实施例2中不同迭代次数时的模型平均绝对误差MAE值；
图5为本发明实施例2巢湖水质分级结果图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
本发明提供了一种湖库水质反演及可视化评价方法，具体如图1所示，包括以下步骤：
S1、获取湖库区不同时相的卫星影像，这里的卫星影像包括湖库区所有多光谱的卫星影像，包括Landsat系列、Sentinel系列等卫星影像；
S2、对Landsat等系列卫星影像，需在ENVI等遥感图像处理软件下进行大气校正；而对Sentinel系列卫星影像，需使用欧空局提供的Sen2Cor模块进行大气校正，为了简化数据处理流程，本方法可直接调用大气校正模块Sen2Cor对Sentinel系列遥感影像进行大气校正，采用大气校正模块Sen2Cor极大的简化数据处理流程；
由于获取的卫星影像每个单元格数值是DN值，是一个较大的数值，它是遥感影像像元亮度值，记录的地物的灰度值，无单位，是一个整数值，值的大小与传感器的辐射分辨率、地物发射率、大气透过率和散射率等有关，因此需通过大气校正处理转化为可以反映真实地物信息的反射率值。因此，本实施例中，S2具体包括：
S21、利用大气校正模块Sen2Cor对Sentinel系列卫星影像进行辐射定标，将卫星影像每一波段的像元DN值转化为大气顶层辐射亮度值或反射率值，其原理是建立数字量化值与对应视场中辐射亮度值之间的定量关系，以消除传感器本身产生的误差；
S22、将利用大气校正模块将大气顶层辐射亮度值或反射率值还原为地表真实反射率值，并能高保真地恢复地物波谱信息。
S3、将经过大气校正之后的卫星影像的投影坐标统一转换为WGS84投影坐标；
S4、通过输入实测水质样点的坐标数据和取得的水样在实验室测定的实际水质参数数据，根据采样点坐标数据提取步骤3中对应时相卫星影像不同波段的反射率数据(实测水质样点的坐标数据为湖库野外水样采集样点，每个样点用GPS记录坐标)；
S5、用步骤4中的实测样点水质参数数据和对应时相卫星影像不同波段的反射率数据作为输入数据，采用深度学习中的神经网络算法进行模型的训练，训练时选择ReLU函数作为模型的激活函数；具体的，本实施例中，如图2所示，S5中的神经网络算法具体包括：
S51、选择卫星影像与实测水质参数相关的波段的反射率数据作为输入数据，输入神经网络输入层的每个节点；
S52、设定隐含层层数以及每一层隐含层神经元个数，在测试的过程中不断调整隐含层层数以及每一层隐含层神经元个数以取得最佳效果，输入层的每个节点，都要与的隐藏层每个节点做点对点的计算，计算过程为：初始特征X1,X2,X2以及偏移值+1从输入层的节点输入后，经过权重w0,w1,w2,w3和激活函数f的计算，从输出层的节点输出；
初始特征X1,X2,X2对应步骤51中不同波段的反射率数据；权重w0,w1,w2,w3，即参数，是特征的缩放倍数；
计算公式为：
其中，W表示权重向量，x为输入的波段反射率数据，b为初始阈值，函数f称为激活函数；
S53、特征经过缩放和偏移后全部累加起来，经过一次激活运算然后再输出，模型选用的激活函数为ReLU，公式为：
f(hW,b(x))＝max(hW,b(x),0)
其中，x为输入的波段反射率数据，ReLU激活函数的作用是如果计算出的值小于0，就让它等于0，否则保持原来的值不变；
S54、隐藏层每个节点中计算的数值再通过网络计算，以相同的方式传播到输出层。
S6、采用K折交叉验证方法进行模型训练与精度验证；
S6中的K折交叉验证方法，K折交叉验证主要用于防止模型过于复杂而引起的过拟合，是一种评价训练数据的数据集泛化能力的统计方法，具体包括：
图3为K折交叉验证过程图，以3折为例说明：
S61、将实测水质参数数据与对应的不同波段的反射率数据拆分为K份，取其中的K-1份作为模型的训练集输入S5中进行模型的参数训练，1份作为模型精度验证的验证集，取验证集对应点位的卫星影像不同波段的反射率数据作为输入数据，利用所述训练集训练获得的水质数据模拟参数对验证集的水质参数进行模拟计算，计算结果和验证集中的真值进行比较，并以均方误差作为其损失函数，判断并记下本次训练模型的准确率，损失函数为平均绝对误差MAE：
其中yi是验证集中的实测值，而yi'为神经网络给出的预测值，K为折数；
S62、在K份中取另外的K-1份做训练集，1份做验证集，再次得到一个模型的准确率，依次循环，直到所有K份都做过1次验证集，也即验证集名额循环了一圈，交叉验证的过程就结束，循环次数可通过调参设置；
S63、计算K次准确率的均值，取准确率最高的一次训练出来的参数作为最终水质模拟参数；
S7、选择已经经过S2大气校正的卫星影像作为待预测水质的影像，并输入湖库水体边界的矢量数据作为掩膜边界，利用通过S6精度验证的一组水质反演参数，以待测影像不同波段反射率数据作为模型输入，进行湖库水质参数反演，根据实测水质参数不同，分别对不同的参数进行训练和反演，水质参数包括叶绿素浓度、总氮、总磷、悬浮物浓度、透明度等不同参数，可分别进行叶绿素浓度、总氮、总磷、悬浮物浓度、透明度等参数的训练和反演
S8、利用S7反演的湖库水体水质参数结果，对整个湖库水体进行水质评价，并以可视化图像展示。
实施例2
本发明以叶绿素浓度反演为具体实施例，对湖库叶绿素浓度进行反演，并根据叶绿素浓度进行分级显示，以对湖库水质进行评价，包括以下步骤：
步骤1、数据准备：于2018年8月2日、2019年11月3日和2019年12月27日在巢湖湖面采集水样并记录点位经纬度信息，并在实验室测定每个点位水样的叶绿素浓度(实测数据点位信息及叶绿素浓度见下表1)；在欧空局网站https://scihub.copernicus.eu/下载实测数据对应时相的哨兵2A数据；
表1实测数据点位信息及叶绿素浓度
步骤2、系统中导入步骤1下载的哨兵2A数据，利用系统中的大气校正模块Sen2Cor对Sentinel影像进行大气校正；
步骤3、将经过步骤2大气校正之后的Sentinel 2A影像的投影坐标统一转换为WGS84投影坐标，并利用步骤1中实测数据的经纬度信息提取经过大气校正过的Sentinel2A影像对应坐标处的各波段反射率数据及实测的叶绿素数据；
步骤4、神经网络参数设置，可设置隐含层层数和每层神经元个数，以及K折交叉验证的折数；
步骤5、神经网络模型参数训练，选择步骤3中提取的Sentinel 2A影像各波段反射率数据和实测叶绿素数据作为模型训练和验证数据集，以步骤4设置的神经网络参数作为训练参数，对神经网络模型进行训练，此过程中需根据训练输出的平均绝对误差MAE值(如下图4所示)大小不断调试步骤4中的参数组合，直至模型平均绝对误差MAE值最小，将其参数保存作为模型预测叶绿素浓度的最优参数；
步骤6、根据步骤5中保存的预测叶绿素浓度最优参数，选择一景新的经过步骤2大气校正的哨兵2A数据(以2020.6.2日数据为例)，并加载巢湖湖区矢量边界作为计算的掩膜，对巢湖叶绿素浓度进行预测，并根据预测的叶绿素浓度对巢湖水质分级并可视化显示，水质评价参数设置包括叶绿素浓度分级、预测影像像元大小以及参与水质预测的影像波段选择，巢湖水质分级结果如图5所示。
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。
Claims (1)
1.一种湖库水质反演及可视化评价方法，其特征在于，包括以下步骤：
步骤1、获取湖库区不同时相的卫星影像；
步骤2、调用大气校正模块Sen2Cor对Sentinel系列卫星影像进行大气校正；
步骤3、将经过大气校正之后的卫星影像的投影坐标统一转换为WGS84投影坐标；
步骤4、通过输入实测水质样点的坐标数据和取得的水样在实验室测定的实际水质参数数据，根据采样点坐标数据提取步骤3中对应时相卫星影像不同波段的反射率数据；
步骤5、用步骤4中的实测样点水质参数数据和对应时相卫星影像不同波段的反射率数据作为输入数据，采用深度学习中的神经网络算法进行模型的训练，训练时选择ReLU函数作为模型的激活函数；
步骤6、采用K折交叉验证方法进行模型训练与精度验证；
步骤7、选择已经经过步骤2大气校正的卫星影像作为待预测水质的影像，并输入湖库水体边界的矢量数据作为掩膜边界，利用通过步骤6精度验证的一组水质反演参数，以待测影像不同波段反射率数据作为模型输入，进行湖库水质参数反演，根据实测水质参数不同，分别对不同的参数进行训练和反演；
步骤8、利用步骤7反演的湖库水体水质参数结果，对整个湖库水体进行水质评价，并以可视化图像展示；
所述步骤2调用大气校正模块Sen2Cor对Sentinel系列卫星影像进行大气校正包括：
步骤21、利用大气校正模块Sen2Cor对Sentinel系列卫星影像进行辐射定标，将卫星影像每一波段的像元DN值转化为大气顶层辐射亮度值或反射率值；
步骤22、利用大气校正模块将大气顶层辐射亮度值或反射率值还原为地表真实反射率值，并高保真地恢复地物波谱信息；
所述步骤5中的神经网络算法具体包括：
步骤51、选择卫星影像与实测水质参数相关的波段的反射率数据作为输入数据，输入神经网络输入层的每个节点；
步骤52、设定隐含层层数以及每一层隐含层神经元个数，在测试的过程中不断调整隐含层层数以及每一层隐含层神经元个数以取得最佳效果，输入层的每个节点都要与的隐藏层每个节点做点对点的计算，计算过程为：初始特征X1,X2,X3以及偏移值+1从输入层的节点输入后，经过权重w0,w1,w2,w3和激活函数f的计算，从输出层的节点输出；
初始特征X1,X2,X3对应步骤51中不同波段的反射率数据；权重w0,w1,w2,w3，即参数，是特征的缩放倍数；
计算公式为：
其中，W表示权重向量，x为输入的波段反射率数据，b为初始阈值，函数f称为激活函数；
步骤53、特征经过缩放和偏移后全部累加起来，经过一次激活运算然后再输出，模型选用的激活函数为ReLU，公式为：
f(hW,b(x))＝max(hW,b(x),0)
其中，x为输入的波段反射率数据，ReLU激活函数的作用是如果计算出的值小于0，就让它等于0，否则保持原来的值不变；
步骤54、隐藏层每个节点中计算的数值再通过网络计算，以相同的方式传播到输出层；
所述步骤6中的K折交叉验证方法具体包括：
步骤61、将实测水质参数数据与对应的不同波段的反射率数据拆分为K份，取其中的K-1份作为模型的训练集输入步骤5中进行模型的参数训练，1份作为模型精度验证的验证集，取验证集对应点位的卫星影像不同波段的反射率数据作为输入数据，利用所述训练集训练获得的水质数据模拟参数对验证集的水质参数进行模拟计算，计算结果和验证集中的真值进行比较，并以均方误差作为其损失函数，判断并记下本次训练模型的准确率，损失函数为平均绝对误差MAE：
其中yi是验证集中的实测值，而yi'为神经网络给出的预测值，K为折数；
步骤62、在K份中取另外的K-1份做训练集，1份做验证集，再次得到一个模型的准确率，依次循环，直到所有K份都做过1次验证集，也即验证集名额循环了一圈，交叉验证的过程就结束，循环次数可通过调参设置；
步骤63、计算K次准确率的均值，经过循环计算，取准确率最高的一次训练出来的参数作为最终水质模拟参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011217433.4A CN112215525B (zh) | 2020-11-04 | 2020-11-04 | 一种湖库水质反演及可视化评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011217433.4A CN112215525B (zh) | 2020-11-04 | 2020-11-04 | 一种湖库水质反演及可视化评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112215525A CN112215525A (zh) | 2021-01-12 |
| CN112215525B true CN112215525B (zh) | 2023-06-23 |
Family
ID=74058198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011217433.4A Active CN112215525B (zh) | 2020-11-04 | 2020-11-04 | 一种湖库水质反演及可视化评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112215525B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112506116B (zh) * | 2021-02-04 | 2021-06-01 | 康玄谷(北京)国际生物科技有限公司 | 一种基于矿物质水的信息分析系统及方法 |
| CN113324923B (zh) * | 2021-06-07 | 2023-07-07 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
| CN113960545B (zh) * | 2021-10-19 | 2022-05-17 | 安徽大学 | 基于对称几何构型约束的星载sar无场几何定标方法及其系统 |
| CN114037905A (zh) * | 2021-11-08 | 2022-02-11 | 珠江水利委员会珠江水利科学研究院 | 一种基于星地协同的河口区水表盐度遥感反演方法及系统 |
| CN116188300B (zh) * | 2022-12-30 | 2023-08-08 | 北京华云星地通科技有限公司 | 一种真彩色图像的合成方法、系统、电子设备及存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473707A (zh) * | 2013-09-17 | 2013-12-25 | 山东大学 | 建立城市河网水体光谱库的方法与应用 |
| EP3225597A1 (en) * | 2016-03-29 | 2017-10-04 | Apria Systems, S.L. | Continuous water regeneration process in semi-closed circuits for the recirculating aquaculture industry and system for performing said process |
| CN107421895A (zh) * | 2017-06-30 | 2017-12-01 | 中国水利水电科学研究院 | 一种多波段优化组合的水质参数浓度反演方法和装置 |
| CN109581372A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
| CN109657392A (zh) * | 2018-12-28 | 2019-04-19 | 北京航空航天大学 | 一种基于深度学习的高光谱遥感水深反演方法 |
| CN109917098A (zh) * | 2019-04-09 | 2019-06-21 | 中国科学院深圳先进技术研究院 | 深圳海域水质评价方法及系统 |
| CN109959621A (zh) * | 2017-12-22 | 2019-07-02 | 北京航天泰坦科技股份有限公司 | 一种基于中高分辨率时序遥感数据的水环境分析方法 |
| CN110276389A (zh) * | 2019-06-14 | 2019-09-24 | 中国矿业大学 | 一种基于边缘修正的矿井移动巡检图像重建方法 |
| 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 |
| CN110672805A (zh) * | 2019-10-08 | 2020-01-10 | 核工业北京地质研究院 | 一种基于航空高光谱数据的水库水质参数定量反演方法 |
| CN110728642A (zh) * | 2019-10-17 | 2020-01-24 | 自然资源部第二海洋研究所 | 一种针对goci卫星晨昏观测的神经网络大气校正方法 |
| CN110887792A (zh) * | 2019-12-17 | 2020-03-17 | 深圳慧格科技服务咨询有限公司 | 一种基于无人机高光谱影像的河流水质快速监测系统 |
| CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8191868B2 (en) * | 2008-10-14 | 2012-06-05 | William Frederick Tooley | Floating oxygenation circulator platform (OCP) with sub-vortex induction means |
-
2020
- 2020-11-04 CN CN202011217433.4A patent/CN112215525B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473707A (zh) * | 2013-09-17 | 2013-12-25 | 山东大学 | 建立城市河网水体光谱库的方法与应用 |
| EP3225597A1 (en) * | 2016-03-29 | 2017-10-04 | Apria Systems, S.L. | Continuous water regeneration process in semi-closed circuits for the recirculating aquaculture industry and system for performing said process |
| CN107421895A (zh) * | 2017-06-30 | 2017-12-01 | 中国水利水电科学研究院 | 一种多波段优化组合的水质参数浓度反演方法和装置 |
| CN109959621A (zh) * | 2017-12-22 | 2019-07-02 | 北京航天泰坦科技股份有限公司 | 一种基于中高分辨率时序遥感数据的水环境分析方法 |
| CN109581372A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
| CN109657392A (zh) * | 2018-12-28 | 2019-04-19 | 北京航空航天大学 | 一种基于深度学习的高光谱遥感水深反演方法 |
| CN109917098A (zh) * | 2019-04-09 | 2019-06-21 | 中国科学院深圳先进技术研究院 | 深圳海域水质评价方法及系统 |
| CN110276389A (zh) * | 2019-06-14 | 2019-09-24 | 中国矿业大学 | 一种基于边缘修正的矿井移动巡检图像重建方法 |
| 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 |
| CN110672805A (zh) * | 2019-10-08 | 2020-01-10 | 核工业北京地质研究院 | 一种基于航空高光谱数据的水库水质参数定量反演方法 |
| CN110728642A (zh) * | 2019-10-17 | 2020-01-24 | 自然资源部第二海洋研究所 | 一种针对goci卫星晨昏观测的神经网络大气校正方法 |
| CN110887792A (zh) * | 2019-12-17 | 2020-03-17 | 深圳慧格科技服务咨询有限公司 | 一种基于无人机高光谱影像的河流水质快速监测系统 |
| CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多项式回归模型的岛礁遥感浅海水深反演;王燕红;陈义兰;周兴华;杨磊;付延光;;海洋学报(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112215525A (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112215525B (zh) | 一种湖库水质反演及可视化评价方法 | |
| CN113919448A (zh) | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 | |
| Awad | Sea water chlorophyll-a estimation using hyperspectral images and supervised artificial neural network | |
| CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
| Forrestal et al. | Testing robustness of CPUE standardization and inclusion of environmental variables with simulated longline catch datasets | |
| CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
| CN112180369B (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
| CN107798431A (zh) | 一种基于改进Elman神经网络的中长期径流预报方法 | |
| CN114117886A (zh) | 一种用于多光谱遥感水深反演方法 | |
| Zhang et al. | Mapping CO2 fluxes of cypress swamp and marshes in the Greater Everglades using eddy covariance measurements and Landsat data | |
| CN115758074A (zh) | 基于多源数据的高空间分辨率海水二氧化碳分压重构方法 | |
| CN113256733B (zh) | 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法 | |
| CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
| CN114609008A (zh) | 一种气体浓度预测模型的训练方法和气体浓度预测方法 | |
| Canziani et al. | Artificial neural networks and remote sensing in the analysis of the highly variable Pampean shallow lakes | |
| CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
| Jalagam et al. | Water Quality Predictions for Urban Streams Using Machine Learning | |
| CN114048817A (zh) | 一种基于变异策略的深度学习输入集优先级测试方法 | |
| CN114169646B (zh) | 水华预测方法、装置、电子设备及计算机可读存储介质 | |
| CN115392128A (zh) | 一种利用时空卷积lstm网络模拟流域径流量的方法 | |
| Yang et al. | Simulation System of Lake Eutrophication Evolution based on RS & GIS Technology—a Case Study in Wuhan East Lake | |
| CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
| CN116879192B (zh) | 基于卫星遥感数据的水华预测方法、装置、设备及介质 | |
| González-Abad et al. | Testing interpretability techniques for deep statistical climate downscaling | |
| CN116645001B (zh) | 一种基于多维度数据分析的金属矿山环境评价方法及装置 |
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 |