CN112666328A - 基于遗传神经网络模型的叶绿素a遥感反演方法和装置 - Google Patents

基于遗传神经网络模型的叶绿素a遥感反演方法和装置 Download PDF

Info

Publication number
CN112666328A
CN112666328A CN202011339597.4A CN202011339597A CN112666328A CN 112666328 A CN112666328 A CN 112666328A CN 202011339597 A CN202011339597 A CN 202011339597A CN 112666328 A CN112666328 A CN 112666328A
Authority
CN
China
Prior art keywords
chlorophyll
neural network
concentration
model
hidden layer
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
Application number
CN202011339597.4A
Other languages
English (en)
Other versions
CN112666328B (zh
Inventor
陈金月
陈水森
王重洋
付娆
李丹
彭咏石
王力
郑琼
姜浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN202011339597.4A priority Critical patent/CN112666328B/zh
Publication of CN112666328A publication Critical patent/CN112666328A/zh
Application granted granted Critical
Publication of CN112666328B publication Critical patent/CN112666328B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于遗传神经网络模型的叶绿素a遥感反演方法和装置，通过利用实验区水域的实测叶绿素a浓度和光谱数据，耦合遗传算法和人工神经网络两种机器学习算法，建立用于获取水体叶绿素a浓度的遗传神经网络反演模型，再根据反演模型和光谱数据求算待评估区域叶绿素a浓度的模拟值。由于利用遗传算法改进了人工神经网络在非线性回归过程中的后向反馈，所估算出的叶绿素a浓度更接近全局最优解，叶绿素a浓度预测值与实测值保持了较高的一致性。同时，由于考虑了波段比值、光谱导数等多种敏感性光谱特征，所述遗传神经网络反演模型具有较好的鲁棒性和空间可移植性，非常适合于物质组成和光学特征复杂的浑浊二类水体。

Description

基于遗传神经网络模型的叶绿素a遥感反演方法和装置
技术领域
本发明涉及水色遥感、高光谱遥感和地理信息技术领域，尤其是涉及一种基于遗传神经网络模型的叶绿素a遥感反演方法和装置。
背景技术
水体中的叶绿素a会通过改变水环境的初级生产力和富营养化程度来危害水生生物，在估算浮游植物生物量和富营养化中起着重要作用。
估算水体叶绿素a浓度，分析其时空变化特征及其主要驱动因素，对水体富营养化引发的沉水植物的消减、蓝藻水华的频发、初级生产力和微生物生物量的增加、生物多样性的下降以及养分循环和利用效率的加快等水生态系统异常问题的研究和治理具有重要意义。
当前，获取水体叶绿素a浓度的方法主要有两种。一种是通过手持便携式水质监测仪器(ALGAE-Wader手持式藻类检测仪、YSI6600多参数水质检测仪等)在现场直接测量，或者将将水样带回实验室通过紫外可见光光度计等仪器进行化验分析，这种传统实验测量方法测得的叶绿素a浓度精度较高，但只能测量个别水质断面的数据，且费时费力，一些行船较为困难的地区难以获得实时的数据，无法实现大面积、空间连续的水质监测数据。另一种是基于水体的光谱反射特征，利用遥感影像和反演模型来估算叶绿素a浓度，该方法可以实大面积、快速的水体叶绿素a浓度监测；然而，由于水体的复杂成分组成和光学特征，现有的叶绿素a浓度遥感反演方法的准确性和可移植性较低，特别是应用于浑浊二类水体区域的叶绿素a浓度估算过程中，例如内陆水库、湖泊，以及河口等区域。
发明内容
鉴于上述情况，本申请实施例提供了一种精度更高、可移植性更强的基于遗传神经网络模型的叶绿素a遥感反演方法和装置。
第一方面，本申请实施例提供了一种基于遗传神经网络模型的叶绿素a遥感反演方法，包括以下步骤：
获取实验区水域各个采样点的叶绿素a浓度，形成叶绿素a浓度数据集；
获取实验区水域各个采样点的光谱数据；
从所述叶绿素a浓度数据集随机选取2/3的数据，结合对应采样点的光谱数据，耦合遗传算法和人工神经网络算法建立遗传神经网络反演模型，利用遗传神经网络反演模型估算水体叶绿素a浓度，并通过增加水体叶绿素a的敏感性波段或重新率定模型的方式提高遗传神经网络反演模型的精度，使模型的精度达到预设的要求；
其中，模型精度评估的方法如下；
Figure BDA0002798235950000021
其中，R2为模型的拟合系数，n为所述叶绿素a浓度数据集采样点的个数，yi和y′i分别代表第i个采样点的叶绿素a浓度实测值和对应的模拟值，
Figure BDA0002798235950000022
为yi的平均值；
利用叶绿素a浓度数据集中剩余的数据，基于所述遗传神经网络反演模型，估算叶绿素a浓度模拟值，并按照以下方式计算残差预测偏差RPD、均方根误差RMSE和平均绝对误差MAE，所述残差预测偏差RPD、所述均方根误差RMSE和所述平均绝对误差MAE均需优于预设值，否则增加水体叶绿素a的敏感性波段或重新率定模型；
Figure BDA0002798235950000023
Figure BDA0002798235950000024
Figure BDA0002798235950000025
其中，RPD为残差预测偏差，RMSE为均方根误差，MAE为平均绝对误差，N为验证数据集中点的个数，y′i和yi分别为数据集中第i个采样点的预测值和实测值；
基于经过精度验证的叶绿素a反演模型，结合待评估区域水体的光谱数据，得到待评估区的叶绿素a浓度，并对比与实测叶绿素a浓度分布模式的一致性。
可选的，所述遗传神经网络反演模型包括人工神经网络单元、连接单元和遗传算法单元；
所述人工神经网络单元包括：
输入层，用于获取光谱数据中与实测叶绿素a浓度相关性高的诊断性光谱变量，所述光谱数据包括原始光谱波段、波段比值和光谱导数；
第一隐藏层，用于按照以下方式，对所述输入层的输出参数进行处理：
Figure BDA0002798235950000026
其中，Hj为第一隐藏层第j个节点的输出参数，S1为第一激活函数，b1为第一偏差值，Speci为输入层第i个节点的输出参数，
Figure BDA0002798235950000027
为输入层第i个节点和第一隐藏层第j个节点之间的权重，k为迭代次数，n为节点数；
第二隐藏层，用于按照以下方式，对所述第一隐藏层的输出参数进行处理：
Figure BDA0002798235950000031
其中，HHj为第二隐藏层第j个节点的输出参数，S2为第二激活函数，b2为第二偏差值，Hi为第一隐藏层第i个节点的输出参数，
Figure BDA0002798235950000032
为第一隐藏层第i个节点和第二隐藏层第j个节点之间的权重，k为迭代次数，n为节点数；
输出层，用于按照以下方式，对所述第二隐藏层的输出参数进行处理：
Figure BDA0002798235950000033
其中，Chl-aj为输出层第j个节点的输出参数，S3为第三激活函数，
Figure BDA0002798235950000034
为第二隐藏层第i个节点与输出层第j个节点之间的权重，HHi为第二隐藏层第j个节点的输出参数，b3为第三偏差值；
所述连接单元用于将所述神经网络单元输出的矩阵转换为矢量，并输入至遗传算法单元；
所述遗传算法单元包括：
编码单元，用于对所述矢量进行二进制编码；
初始化单元，用于对所述编码后的矢量进行种群初始化，得到多条染色体；
评估单元，用于利用适应度函数对所述多条染色体进行评价，若评价结果满足预设条件，则按照神经网络各层之间的神经元误差、权重和学习率，通过后向反馈对所述神经元各层的权重进行优化；若评价结果不满足预设条件，则对所述多条染色体进行交叉和变异，重新利用适应度函数进行评价。
可选的，所述按照神经网络各层之间的神经元误差、权重和学习率，通过后向反馈对所述神经元各层的权重进行优化的步骤包括：
按照以下方式，对所述输入层第i个节点和第一隐藏层第j个节点之间的权重进行优化：
Figure BDA0002798235950000035
其中，
Figure BDA0002798235950000036
为第k+1次迭代后输入层第i个节点和第一隐藏层第j个节点之间的权重，
Figure BDA0002798235950000037
为第一神经元误差，α为学习率；
按照以下方式，对所述第一隐藏层第i个节点和第二隐藏层第j个节点之间的权重进行优化：
Figure BDA0002798235950000038
其中，
Figure BDA0002798235950000041
为第k+1次迭代后第一隐藏层第i个节点和第二隐藏层第j个节点之间的权重，
Figure BDA0002798235950000042
为第一神经元误差；
按照以下方式，对所述第二隐藏层第i个节点和输出层第j个节点之间的权重进行优化：
Figure BDA0002798235950000043
其中，
Figure BDA0002798235950000044
为第k+1次迭代后第二隐藏层第i个节点和输出层第j个节点之间的权重，
Figure BDA0002798235950000045
为第三神经元误差；
将优化后的权重转换为矩阵并发送至所述神经网络单元中。
可选的，所述适应度函数为
Figure BDA0002798235950000046
其中，f为适应度函数，N为采样点的数量；y′i为第i个采样点的预测值，yi为第i个采样点的实测值。
第二方面，本申请实施例提供了一种基于遗传神经网络模型的叶绿素a遥感反演装置，包括：
数据集获取模块，用于获取实验区水域各个采样点的叶绿素a浓度，形成叶绿素a浓度数据集；
光谱数据获取模块，用于获取实验区水域各个采样点的光谱数据；
模型构建模块，用于从所述叶绿素a浓度数据集随机选取2/3的数据，结合对应采样点的光谱数据，耦合遗传算法和人工神经网络算法建立遗传神经网络反演模型，利用遗传神经网络反演模型估算水体叶绿素a浓度，并通过增加水体叶绿素a的敏感性波段或重新率定模型的方式提高遗传神经网络反演模型的精度，使模型的精度达到预设的要求；
其中，模型精度评估的方法如下；
Figure BDA0002798235950000047
其中，R2为模型的拟合系数，n为所述叶绿素a浓度数据集采样点的个数，yi和y′i分别代表第i个采样点的叶绿素a浓度实测值和对应的模拟值，
Figure BDA0002798235950000048
为yi的平均值；
模型精度获取模块，用于利用叶绿素a浓度数据集中剩余的数据，基于所述遗传神经网络反演模型，估算叶绿素a浓度模拟值，并按照以下方式计算残差预测偏差RPD、均方根误差RMSE和平均绝对误差MAE，所述残差预测偏差RPD、所述均方根误差RMSE和所述平均绝对误差MAE均需优于预设值，否则增加水体叶绿素a的敏感性波段或重新率定模型；
Figure BDA0002798235950000051
Figure BDA0002798235950000052
Figure BDA0002798235950000053
其中，RPD为残差预测偏差，RMSE为均方根误差，MAE为平均绝对误差，N为验证数据集中点的个数，y′i和yi分别为数据集中第i个采样点的预测值和实测值；
叶绿素a浓度获取模块，基于通过精度验证的叶绿素a反演模型，结合待评估区域水体的光谱数据，得到待评估区的叶绿素a浓度，并对比与实测叶绿素a浓度分布模式的一致性。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述基于遗传神经网络模型的叶绿素a遥感反演方法的步骤。
第四方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述基于遗传神经网络模型的叶绿素a遥感反演方法的步骤
在本申请实施例中，通过利用实验区水域的叶绿素a浓度和光谱数据，耦合遗传算法和人工神经网络两种机器学习算法，建立用于获取水体叶绿素a浓度的遗传神经网络反演模型，再根据反演模型和光谱数据求算待评估区域叶绿素a浓度的模拟值。由于利用遗传算法改进了人工神经网络在非线性回归过程中的后向反馈，所估算出的叶绿素a浓度更接近全局最优解，叶绿素a浓度预测值与实测值保持了较高的一致性。同时，由于考虑了波段比值、光谱导数等多种敏感性光谱特征，所述遗传神经网络反演模型具有较好的鲁棒性和空间可移植性，非常适合于物质组成和光学特征复杂的浑浊二类水体。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明一个示例性的实施例中一种基于遗传神经网络模型的叶绿素a遥感反演方法的流程图；
图2为本发明一个示例性的实施例中叶绿素a浓度估算模型的结构示意图；
图3为本发明一个示例性的实施例中叶绿素a浓度估算模型的精度验证曲线图；
图4为本发明一个示例性的实施例中一种基于遗传神经网络模型的叶绿素a遥感反演装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它例子，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“若干个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
如图1所示，本发明提供了一种基于遗传神经网络模型的叶绿素a遥感反演方法，包括以下步骤：
步骤S1：获取实验区水域各个采样点的叶绿素a浓度，形成叶绿素a浓度数据集；
所述实验区水域各个采样点的数量和位置可根据实验区的水域分布情况进行具体设置。
所述叶绿素a浓度数据集可以按照《中国地表水和废水监测技术规范要求》对每个采样点进行水样采集、保存和化验得到。
在一个实施例中，叶绿素a浓度可以通过在90％缓冲丙酮中提取，用紫外-2600A可见分光光度计测定。
优选地，为降低采集误差，所述光谱数据的测量与原位水样采集同步进行。
步骤S2：获取实验区水域各个采样点的光谱数据；
所述光谱数据可以包括原始光谱波段、波段比值和光谱导数。所述光谱数据可以通过光谱分析设备采集得到。在一个实施例中，所述光谱分析设备可以是Spec Filed的ASD光谱分析设备。
优选地，为减少水的镜面反射的影响，所述光谱数据在测量时面向船的侧面以避开阴影，使用反射面板代替入射辐射的直接测量，观测方位角小于135°(太阳方位角视为0°)，观测天顶角为45°，光谱分析设备的积分时间定义为172ms，一次连续测量10条光谱曲线。
步骤S3：从所述叶绿素a浓度数据集随机选取2/3的数据，结合对应采样点的光谱数据，耦合遗传算法和人工神经网络算法建立遗传神经网络反演模型，利用遗传神经网络反演模型估算水体叶绿素a浓度，并通过增加水体叶绿素a的敏感性波段或重新率定模型的方式提高遗传神经网络反演模型的精度，使模型的精度达到预设的要求；
其中，模型精度评估的方法如下；
Figure BDA0002798235950000071
其中，R2为模型的拟合系数，n为所述叶绿素a浓度数据集采样点的个数，yi和y′i分别代表第i个采样点的叶绿素a浓度实测值和对应的模拟值，
Figure BDA0002798235950000072
为yi的平均值；
利用叶绿素a浓度数据集中剩余的数据，基于所述遗传神经网络反演模型，估算叶绿素a浓度模拟值，并按照以下方式计算残差预测偏差RPD、均方根误差RMSE和平均绝对误差MAE，所述残差预测偏差RPD、所述均方根误差RMSE和所述平均绝对误差MAE均需优于预设值，否则增加水体叶绿素a的敏感性波段或重新率定模型；
Figure BDA0002798235950000073
Figure BDA0002798235950000074
Figure BDA0002798235950000075
其中，RPD为残差预测偏差，RMSE为均方根误差，MAE为平均绝对误差，N为验证数据集中点的个数，y′i和yi分别是为数据集中第i个采样点的预测值和实测值；
基于经过精度验证的叶绿素a反演模型，结合待评估区域水体的光谱数据，得到待评估区的叶绿素a浓度，并对比与实测叶绿素a浓度分布模式的一致性。
所述遗传神经网络模型通过将遗传算法与人工神经网络模型相结合，利用人工神经网络将光谱数据和叶绿素a浓度联系起来进行非线性回归分析，利用遗传算法优化人工神经网络各层神经元的权重，提高神经网络模型的收敛速度和精度。
所述叶绿素a浓度估算模型利用神经网络模型将选定的光谱数据与水质参数进行回归分析，利用遗传算法计算反向路径，优化神经网络的权值，构建并训练以光谱数据作为自变量，以叶绿素a浓度作为因变量的叶绿素a浓度估算模型。
步骤S3：获取待评估区域水体的光谱数据；
优选地，可以通过归一化差异指数(NDCI)、小波分析、分数阶导数、Savitzky-Golay卷积平滑和机器学习算法等方式，对所述光谱数据进行增强，从而减少其它水质参数(例如总悬浮物和有色可溶性有机物)对叶绿素a浓度估算结果的影响。
步骤S4：将所述光谱数据输入所述叶绿素a浓度估算模型，得到待评估区的叶绿素a浓度。
在本申请实施例中，通过利用实验区水域的叶绿素a浓度和光谱数据，耦合遗传算法和人工神经网络两种机器学习算法，建立用于获取水体叶绿素a浓度的遗传神经网络反演模型，再根据反演模型和光谱数据求算待评估区域叶绿素a浓度的模拟值。由于利用遗传算法改进了人工神经网络在非线性回归过程中的后向反馈，所估算出的叶绿素a浓度更接近全局最优解，叶绿素a浓度预测值与实测值保持了较高的一致性。同时，由于考虑了波段比值、光谱导数等多种敏感性光谱特征，所述遗传神经网络反演模型具有较好的鲁棒性和空间可移植性，非常适合于物质组成和光学特征复杂的浑浊二类水体。
如图2所示，在一个实施例中，所述叶绿素a浓度估算模型包括人工神经网络单元、连接单元和遗传算法单元；
所述人工神经网络单元包括：
输入层，用于获取光谱数据中与实测叶绿素a浓度相关性高的诊断性光谱变量，所述光谱数据包括原始光谱波段、波段比值和光谱；
光谱数据中的高相关系数为与叶绿素a浓度相关性最大的光谱波段，可以通过计算与叶绿素a浓度的相关系数(r)得到。
第一隐藏层，用于按照以下方式，对所述输入层的输出参数进行处理：
Figure BDA0002798235950000091
其中，Hj为第一隐藏层第j个节点的输出参数，S1为第一激活函数，b1为第一偏差值，Speci为输入层第i个节点的输出参数，
Figure BDA0002798235950000092
为输入层第i个节点和第一隐藏层第j个节点之间的权重，k为迭代次数，n为节点数；
第二隐藏层，用于按照以下方式，对所述第一隐藏层的输出参数进行处理：
Figure BDA0002798235950000093
其中，HHj为第二隐藏层第j个节点的输出参数，S2为第二激活函数，b2为第二偏差值，Hi为第一隐藏层第i个节点的输出参数，
Figure BDA0002798235950000094
为第一隐藏层第i个节点和第二隐藏层第j个节点之间的权重，k为迭代次数，n为节点数；
输出层，用于按照以下方式，对所述第二隐藏层的输出参数进行处理：
Figure BDA0002798235950000095
其中，Chl-aj为输出层第j个节点的输出参数，S3为第三激活函数，
Figure BDA0002798235950000096
为第二隐藏层第i个节点与输出层第j个节点之间的权重，HHi为第二隐藏层第j个节点的输出参数，b3为第三偏差值；
所述连接单元用于将所述神经网络单元输出的矩阵转换为连接矢量，并输入至遗传算法单元；
所述遗传算法单元包括：
编码单元，用于对所述连接矢量进行二进制编码；
初始化单元，用于对所述编码后的矢量进行种群初始化，得到多条染色体；
评估单元，用于利用适应度函数对所述多条染色体进行评价，若评价结果满足预设条件，则按照神经网络各层之间的神经元误差、权重和学习率，通过后向反馈对所述神经元各层的权重进行优化；若评价结果不满足预设条件，则对所述多条染色体进行交叉和变异，重新利用适应度函数进行评价。
具体地，所述适应度函数为：
Figure BDA0002798235950000097
其中，f为适应度函数，N为采样点的数量；y′i为第i个采样点的预测值，yi为第i个采样点的实测值。
所述按照神经网络各层之间的神经元误差、权重和学习率，通过后向反馈对所述神经元各层的权重进行优化的步骤包括：
按照以下方式，对所述输入层第i个节点和第一隐藏层第j个节点之间的权重进行优化：
Figure BDA0002798235950000101
其中，
Figure BDA0002798235950000102
为第k+1次迭代后输入层第i个节点和第一隐藏层第j个节点之间的权重，
Figure BDA0002798235950000103
为第一神经元误差，α为学习率；
按照以下方式，对所述第一隐藏层第i个节点和第二隐藏层第j个节点之间的权重进行优化：
Figure BDA0002798235950000104
其中，
Figure BDA0002798235950000105
为第k+1次迭代后第一隐藏层第i个节点和第二隐藏层第j个节点之间的权重，
Figure BDA0002798235950000106
为第一神经元误差；
按照以下方式，对所述第二隐藏层第i个节点和输出层第j个节点之间的权重进行优化：
Figure BDA0002798235950000107
其中，
Figure BDA0002798235950000108
为第k+1次迭代后第二隐藏层第i个节点和输出层第j个节点之间的权重，
Figure BDA0002798235950000109
为第三神经元误差；
将优化后的权重转换为矩阵并发送至所述神经网络单元中。
通过利用遗传算法优化人工神经网络各层神经元的权重，提高神经网络模型的收敛速度和精度。
如下表1和图3所示，其为利用采集自粤西鹤地水库和高州水库的Res数据集，采集自徐闻珊瑚礁国家级自然保护区和漠阳江河口的CW数据集，以及Res和CW的联合数据集WGD等三个数据集对本申请实施例所述叶绿素a浓度估算模型的精度进行验证，得到的叶绿素a浓度估算模型的精度表和曲线图。
表1叶绿素a浓度估算模型的精度表
Figure BDA00027982359500001010
如表1所示，当用于CW准数据集时，叶绿素a浓度估算模型的R2和RPD值分别为0.86和2.43。叶绿素a浓度估算模型获得了较低的RMSE和MAE。此外，如图3(a)中所示，使用叶绿素a浓度估算模型预测的叶绿素a浓度与实测叶绿素a浓度的拟合曲线斜率值和截距分别为0.85和4.98，叶绿素a浓度估算模型没有出现明显的高估和低估，而是较为均匀地分布在1:1线的两侧。
相似地，如图3(b)所示，用CW数据集对叶绿素a浓度进行估算，R2和RPD值分别为0.73和1.68，RMSE和MAE分别为1.30μg/L和0.82μg/L。
此外，对于WGD数据集，叶绿素a浓度估算模型的R2和RPD值分别为0.94为2.76，模型的预测效果优秀。叶绿素a浓度估算模型模型的测量和预测的叶绿素a浓度的曲线图如图3(c)所示：训练集和验证集的实测和预测叶绿素a浓度值皆均匀分布在1:1线的两侧，斜率和截距值分别为0.81和1.12，模型表现良好。
综上所述，叶绿素a浓度估算模型在Res、CW和WGD三个数据集上的表现良好，拥有较高的R2值和较低的RMSE和MAE值。此外，叶绿素a浓度估算模型实测和预测的叶绿素a浓度的分布模式拥有接近1的斜率值和更接近于0的截距值也为这一结论提供了基础。
如图4所示，本申请实施例还提供了一种基于遗传神经网络模型的叶绿素a遥感反演装置，包括：
数据集获取模块1，用于获取实验区水域各个采样点的叶绿素a浓度，形成叶绿素a浓度数据集；
光谱数据获取模块2，用于获取实验区水域各个采样点的光谱数据；
模型构建模块3，用于从所述叶绿素a浓度数据集随机选取2/3的数据，结合对应采样点的光谱数据，耦合遗传算法和人工神经网络算法建立遗传神经网络反演模型，利用遗传神经网络反演模型估算水体叶绿素a浓度，并通过增加水体叶绿素a的敏感性波段或重新率定模型的方式提高遗传神经网络反演模型的精度，使模型的精度达到预设的要求；
其中，模型精度评估的方法如下；
Figure BDA0002798235950000111
其中，R2为模型的拟合系数，n为所述叶绿素a浓度数据集采样点的个数，yi和y′i分别代表第i个采样点的叶绿素a浓度实测值和对应的模拟值，
Figure BDA0002798235950000112
为yi的平均值；
模型精度获取模块4，用于利用叶绿素a浓度数据集中剩余的数据，基于所述遗传神经网络反演模型，估算叶绿素a浓度模拟值，并按照以下方式计算残差预测偏差RPD、均方根误差RMSE和平均绝对误差MAE，所述残差预测偏差RPD、所述均方根误差RMSE和所述平均绝对误差MAE均需优于预设值，否则增加水体叶绿素a的敏感性波段或重新率定模型；
Figure BDA0002798235950000121
Figure BDA0002798235950000122
Figure BDA0002798235950000123
其中，RPD为残差预测偏差，RMSE为均方根误差，MAE为平均绝对误差，N为验证数据集中点的个数，y′i和yi分别是为数据集中第i个采样点的预测值和实测值；
叶绿素a浓度获取模块5，通过基于经过精度验证的叶绿素a反演模型，结合待评估区域水体的光谱数据，得到待评估区的叶绿素a浓度，并对比与实测叶绿素a浓度分布模式的一致性。
需要说明的是，上述实施例提供的基于遗传神经网络模型的叶绿素a遥感反演装置在执行基于遗传神经网络模型的叶绿素a遥感反演方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分为不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于遗传神经网络模型的叶绿素a遥感反演装置与基于遗传神经网络模型的叶绿素a遥感反演方法属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
本申请实施例还提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述基于遗传神经网络模型的叶绿素a遥感反演方法的步骤。
本申请实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本申请实施例还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述基于遗传神经网络模型的叶绿素a遥感反演方法的步骤。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (7)

1.一种基于遗传神经网络模型的叶绿素a遥感反演方法，其特征在于，包括以下步骤：
获取实验区水域各个采样点的叶绿素a浓度，形成叶绿素a浓度数据集；
获取实验区水域各个采样点的光谱数据；
从所述叶绿素a浓度数据集随机选取2/3的数据，结合对应采样点的光谱数据，耦合遗传算法和人工神经网络算法建立遗传神经网络反演模型，利用遗传神经网络反演模型估算水体叶绿素a浓度，并通过增加水体叶绿素a的敏感性波段或重新率定模型的方式提高遗传神经网络反演模型的精度，使模型的精度达到预设的要求；
其中，模型精度评估的方法如下；
Figure FDA0002798235940000011
其中，R2为模型的拟合系数，n为所述叶绿素a浓度数据集采样点的个数，yi和y′i分别代表第i个采样点的叶绿素a浓度实测值和对应的模拟值，
Figure FDA0002798235940000012
为yi的平均值；
利用叶绿素a浓度数据集中剩余的数据，基于所述遗传神经网络反演模型，估算叶绿素a浓度模拟值，并按照以下方式计算残差预测偏差RPD、均方根误差RMSE和平均绝对误差MAE，所述残差预测偏差RPD、所述均方根误差RMSE和所述平均绝对误差MAE均需优于预设值，否则增加水体叶绿素a的敏感性波段或重新率定模型；
Figure FDA0002798235940000013
Figure FDA0002798235940000014
Figure FDA0002798235940000015
其中，RPD为残差预测偏差，RMSE为均方根误差，MAE为平均绝对误差，N为验证数据集中点的个数，y′i和yi分别为数据集中第i个采样点的预测值和实测值；
基于经过精度验证的叶绿素a反演模型，结合待评估区域水体的光谱数据，得到待评估区的叶绿素a浓度，并对比与实测叶绿素a浓度分布模式的一致性。
2.根据权利要求1所述的基于遗传神经网络模型的叶绿素a遥感反演方法，其特征在于，所述遗传神经网络反演模型包括人工神经网络单元、连接单元和遗传算法单元；
所述人工神经网络单元包括：
输入层，用于获取光谱数据中与实测叶绿素a浓度相关性高的诊断性光谱变量，所述光谱数据包括原始光谱波段、波段比值和光谱导数；
第一隐藏层，用于按照以下方式，对所述输入层的输出参数进行处理：
Figure FDA0002798235940000021
其中，Hj为第一隐藏层第j个节点的输出参数，S1为第一激活函数，b1为第一偏差值，Speci为输入层第i个节点的输出参数，
Figure FDA0002798235940000022
为输入层第i个节点和第一隐藏层第j个节点之间的权重，k为迭代次数，n为节点数；
第二隐藏层，用于按照以下方式，对所述第一隐藏层的输出参数进行处理：
Figure FDA0002798235940000023
其中，HHj为第二隐藏层第j个节点的输出参数，S2为第二激活函数，b2为第二偏差值，Hi为第一隐藏层第i个节点的输出参数，
Figure FDA0002798235940000024
为第一隐藏层第i个节点和第二隐藏层第j个节点之间的权重，k为迭代次数，n为节点数；
输出层，用于按照以下方式，对所述第二隐藏层的输出参数进行处理：
Figure FDA0002798235940000025
其中，Chl-aj为输出层第j个节点的输出参数，S3为第三激活函数，
Figure FDA0002798235940000026
为第二隐藏层第i个节点与输出层第j个节点之间的权重，HHi为第二隐藏层第j个节点的输出参数，b3为第三偏差值；
所述连接单元用于将所述神经网络单元输出的矩阵转换为矢量，并输入至遗传算法单元；
所述遗传算法单元包括：
编码单元，用于对所述矢量进行二进制编码；
初始化单元，用于对所述编码后的矢量进行种群初始化，得到多条染色体；
评估单元，用于利用适应度函数对所述多条染色体进行评价，若评价结果满足预设条件，则按照神经网络各层之间的神经元误差、权重和学习率，通过后向反馈对所述神经元各层的权重进行优化；若评价结果不满足预设条件，则对所述多条染色体进行交叉和变异，重新利用适应度函数进行评价。
3.根据权利要求2所述的基于遗传神经网络模型的叶绿素a遥感反演方法，其特征在于，所述按照神经网络各层之间的神经元误差、权重和学习率，通过后向反馈对所述神经元各层的权重进行优化的步骤包括：
按照以下方式，对所述输入层第i个节点和第一隐藏层第j个节点之间的权重进行优化：
Figure FDA0002798235940000031
其中，
Figure FDA0002798235940000032
为第k+1次迭代后输入层第i个节点和第一隐藏层第j个节点之间的权重，
Figure FDA0002798235940000033
为第一神经元误差，α为学习率；
按照以下方式，对所述第一隐藏层第i个节点和第二隐藏层第j个节点之间的权重进行优化：
Figure FDA0002798235940000034
其中，
Figure FDA0002798235940000035
为第k+1次迭代后第一隐藏层第i个节点和第二隐藏层第j个节点之间的权重，
Figure FDA0002798235940000036
为第一神经元误差；
按照以下方式，对所述第二隐藏层第i个节点和输出层第j个节点之间的权重进行优化：
Figure FDA0002798235940000037
其中，
Figure FDA0002798235940000038
为第k+1次迭代后第二隐藏层第i个节点和输出层第j个节点之间的权重，
Figure FDA0002798235940000039
为第三神经元误差；
将优化后的权重转换为矩阵并发送至所述神经网络单元中。
4.根据权利要求2所述的基于遗传神经网络模型的叶绿素a遥感反演方法，其特征在于，所述适应度函数为
Figure FDA00027982359400000310
其中，f为适应度函数，N为采样点的数量；y′i为第i个采样点的预测值，yi为第i个采样点的实测值。
5.一种基于遗传神经网络模型的叶绿素a遥感反演装置，其特征在于，包括：
数据集获取模块，用于获取实验区水域各个采样点的叶绿素a浓度，形成叶绿素a浓度数据集；
光谱数据获取模块，用于获取实验区水域各个采样点的光谱数据；
模型构建模块，用于从所述叶绿素a浓度数据集随机选取2/3的数据，结合对应采样点的光谱数据，耦合遗传算法和人工神经网络算法建立遗传神经网络反演模型，利用遗传神经网络反演模型估算水体叶绿素a浓度，并通过增加水体叶绿素a的敏感性波段或重新率定模型的方式提高遗传神经网络反演模型的精度，使模型的精度达到预设的要求；
其中，模型精度评估的方法如下；
Figure FDA0002798235940000041
其中，R2为模型的拟合系数，n为所述叶绿素a浓度数据集采样点的个数，yi和y′i分别代表第i个采样点的叶绿素a浓度实测值和对应的模拟值，
Figure FDA0002798235940000042
为yi的平均值；
模型精度获取模块，用于利用叶绿素a浓度数据集中剩余的数据，基于所述遗传神经网络反演模型，估算叶绿素a浓度模拟值，并按照以下方式计算残差预测偏差RPD、均方根误差RMSE和平均绝对误差MAE，所述残差预测偏差RPD、所述均方根误差RMSE和所述平均绝对误差MAE均需优于预设值，否则增加水体叶绿素a的敏感性波段或重新率定模型；
Figure FDA0002798235940000043
Figure FDA0002798235940000044
Figure FDA0002798235940000045
其中，RPD为残差预测偏差，RMSE为均方根误差，MAE为平均绝对误差，N为验证数据集中点的个数，y′i和yi分别为数据集中第i个采样点的预测值和实测值；
叶绿素a浓度获取模块，通过基于经过精度验证的叶绿素a反演模型，结合待评估区域水体的光谱数据，得到待评估区的叶绿素a浓度，并对比与实测叶绿素a浓度分布模式的一致性。
6.一种计算机可读存储介质，其上储存有计算机程序，其特征在于：该计算机程序被处理器执行时实现如权利要求1-4任意一项所述基于遗传神经网络模型的叶绿素a遥感反演方法的步骤。
7.一种计算机设备，其特征在于：包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-4中任意一项所述基于遗传神经网络模型的叶绿素a遥感反演方法的步骤。
CN202011339597.4A 2020-11-25 2020-11-25 基于遗传神经网络模型的叶绿素a遥感反演方法和装置 Active CN112666328B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011339597.4A CN112666328B (zh) 2020-11-25 2020-11-25 基于遗传神经网络模型的叶绿素a遥感反演方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011339597.4A CN112666328B (zh) 2020-11-25 2020-11-25 基于遗传神经网络模型的叶绿素a遥感反演方法和装置

Publications (2)

Publication Number Publication Date
CN112666328A true CN112666328A (zh) 2021-04-16
CN112666328B CN112666328B (zh) 2022-08-09

Family

ID=75403602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011339597.4A Active CN112666328B (zh) 2020-11-25 2020-11-25 基于遗传神经网络模型的叶绿素a遥感反演方法和装置

Country Status (1)

Country Link
CN (1) CN112666328B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118835A (zh) * 2021-12-01 2022-03-01 中南大学 一种定量遥感反演预测结果评价方法及系统
CN114417227A (zh) * 2021-11-16 2022-04-29 浙江智谱工程技术有限公司 一种水体中叶绿素a浓度预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740286A (zh) * 2019-01-21 2019-05-10 北京工业大学 一种混合优化bp神经网络的湖泊水质预测模型构建方法
CN110414729A (zh) * 2019-07-19 2019-11-05 西北农林科技大学 基于特征波长的植物潜在最大光合能力预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740286A (zh) * 2019-01-21 2019-05-10 北京工业大学 一种混合优化bp神经网络的湖泊水质预测模型构建方法
CN110414729A (zh) * 2019-07-19 2019-11-05 西北农林科技大学 基于特征波长的植物潜在最大光合能力预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
朱子先等: "基于遗传神经网络的克钦湖叶绿素反演研究", 《地球科学进展》 *
王鹤等: "基于遗传神经网络的大地电磁反演", 《地球物理学报》 *
罗义平等: "基于波段比值参数的PSO—BP内陆水体叶绿素a估算方法", 《矿山测量》 *
胡筱敏等: "利用BP神经网络预测大伙房水库叶绿素a质量浓度", 《东北大学学报（自然科学版）》 *
裴洪平等: "利用BP神经网络方法预测西湖叶绿素a的浓度", 《生态学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417227A (zh) * 2021-11-16 2022-04-29 浙江智谱工程技术有限公司 一种水体中叶绿素a浓度预测方法
CN114118835A (zh) * 2021-12-01 2022-03-01 中南大学 一种定量遥感反演预测结果评价方法及系统
CN114118835B (zh) * 2021-12-01 2022-06-21 中南大学 一种定量遥感反演预测结果评价方法及系统

Also Published As

Publication number Publication date
CN112666328B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
Pahlevan et al. Simultaneous retrieval of selected optical water quality indicators from Landsat-8, Sentinel-2, and Sentinel-3
CN111007021A (zh) 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
CN112666328B (zh) 基于遗传神经网络模型的叶绿素a遥感反演方法和装置
Heddam Multilayer perceptron neural network-based approach for modeling phycocyanin pigment concentrations: case study from lower Charles River buoy, USA
CN114239422B (zh) 基于机器学习提高海洋叶绿素a浓度预报准确度的方法
Chen et al. Remote sensing estimation of chlorophyll-A in case-II waters of coastal areas: three-band model versus genetic algorithm–artificial neural networks model
Ogashawara et al. Re-parameterization of a quasi-analytical algorithm for colored dissolved organic matter dominant inland waters
Werther et al. Meta-classification of remote sensing reflectance to estimate trophic status of inland and nearshore waters
Pozdnyakov et al. An advanced algorithm for operational retrieval of water quality from satellite data in the visible
Harkort et al. Estimation of dissolved organic carbon from inland waters at a large scale using satellite data and machine learning methods
Canziani et al. Artificial neural networks and remote sensing in the analysis of the highly variable Pampean shallow lakes
Mollaee Estimation of phytoplankton chlorophyll-a concentration in the western basin of Lake Erie using Sentinel-2 and Sentinel-3 data
Albert Inversion technique for optical remote sensing in shallow water
CN113916808A (zh) 一种营养盐浓度的获得方法、装置、终端设备及存储介质
Bi et al. Bio-geo-optical modelling of natural waters
Borges et al. Monitoring cyanobacteria occurrence in freshwater reservoirs using semi-analytical algorithms and orbital remote sensing
CN116482317B (zh) 湖泊水体营养状态实时监测方法、系统、设备及介质
CN115080905B (zh) 一种高原湖泊叶绿素a浓度遥感反演方法
CN114965300B (zh) 基于光学水体类型和bp神经网络算法构建bp-turb的湖泊浊度制图方法
CN114781242A (zh) 富营养化湖泊真光层内藻总量遥感监测方法
Fei et al. Machine learning techniques for real-time UV-Vis spectral analysis to monitor dissolved nutrients in surface water
Ivanda et al. An application of 1D convolution and deep learning to remote sensing modelling of Secchi depth in the northern Adriatic Sea
Tang et al. Hyperspectral prediction of mangrove leaf stoichiometries in different restoration areas based on machine learning models
CN116879192B (zh) 基于卫星遥感数据的水华预测方法、装置、设备及介质
CN110851789B (zh) 基于极端梯度提升的岛礁浅海水深预测方法

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
GR01 Patent grant
GR01 Patent grant