CN112666328B - 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 PDFInfo
- Publication number
- CN112666328B CN112666328B CN202011339597.4A CN202011339597A CN112666328B CN 112666328 B CN112666328 B CN 112666328B CN 202011339597 A CN202011339597 A CN 202011339597A CN 112666328 B CN112666328 B CN 112666328B
- 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.)
- Active
Links
- 229930002868 chlorophyll a Natural products 0.000 title claims abstract description 166
- 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 166
- 230000002068 genetic effect Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003062 neural network model Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 70
- 230000003595 spectral effect Effects 0.000 claims abstract description 60
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 28
- 210000002569 neuron Anatomy 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 abstract description 6
- 239000000203 mixture Substances 0.000 abstract description 4
- 239000011365 complex material Substances 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012851 eutrophication Methods 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
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
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；
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，
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；
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：
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，
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：
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，
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：
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，
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：
其中，
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，
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：
其中，
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，
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：
其中，
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，
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
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；
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，
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；
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；
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，
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；
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：
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，
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：
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，
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：
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，
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：
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：
其中，
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，
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：
其中，
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，
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：
其中，
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，
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
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；
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，
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；
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 (6)
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，应用于浑浊二类水体的叶绿素a的遥感反演，所述方法包括以下步骤：
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；
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，
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；
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；
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：
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，
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：
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，
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：
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，
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。
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：
其中，
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，
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：
其中，
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，
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：
其中，
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，
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。
3.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，所述适应度函数为
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。
4.一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，应用于浑浊二类水体的叶绿素a的遥感反演，所述装置包括：
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；
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，
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；
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；
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：
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，
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：
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，
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：
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，
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。
5.一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1-3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。
6.一种计算机设备，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1-3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。
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 CN112666328A (zh) | 2021-04-16 |
| CN112666328B true 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) |
Families Citing this family (6)
| 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 |
| 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 |
| CN114782740A (zh) * | 2022-03-31 | 2022-07-22 | 安徽大学 | 结合遗传优化与极端梯度提升的遥感水质监测方法 |
| CN114994042B (zh) * | 2022-06-09 | 2024-07-05 | 中国海洋大学 | 一种基于深度残差神经网络的海表面叶绿素a浓度遥感反演方法 |
| CN118196093B (zh) * | 2024-05-17 | 2024-09-03 | 山东锋士信息技术有限公司 | 基于人工深度神经网络反演水体叶绿素a的方法 |
| CN118658080A (zh) * | 2024-08-21 | 2024-09-17 | 南京信息工程大学 | 基于退火优化lstm算法反演湖泊叶绿素的方法及系统 |
Family Cites Families (2)
| 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 |
-
2020
- 2020-11-25 CN CN202011339597.4A patent/CN112666328B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112666328A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| 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 | |
| Chen et al. | Comparison between back propagation neural network and regression models for the estimation of pigment content in rice leaves and panicles using hyperspectral data | |
| Harkort et al. | Estimation of dissolved organic carbon from inland waters at a large scale using satellite data and machine learning methods | |
| Zhou et al. | Developing a PCA–ANN model for predicting chlorophyll a concentration from field hyperspectral measurements in Dianshan Lake, China | |
| Pozdnyakov et al. | An advanced algorithm for operational retrieval of water quality from satellite data in the visible | |
| CN108596819A (zh) | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 | |
| 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 | |
| CN116879192B (zh) | 基于卫星遥感数据的水华预测方法、装置、设备及介质 | |
| Tang et al. | Hyperspectral prediction of mangrove leaf stoichiometries in different restoration areas based on machine learning models | |
| 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 | |
| CN117688299A (zh) | 一种基于多层堆栈集成学习的水体大气校正方法及系统 | |
| Hadid et al. | Machine learning modeling techniques for forecasting the trophic level in a restored south mediterranean lagoon using chlorophyll-a | |
| 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 | |
| Ivanda et al. | An application of 1D convolution and deep learning to remote sensing modelling of Secchi depth in the northern Adriatic Sea | |
| CN115080905B (zh) | 一种高原湖泊叶绿素a浓度遥感反演方法 | |
| CN116465803A (zh) | 一种构建悬浮物浓度反演模型的方法及装置 | |
| 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 | |
| CN114864015A (zh) | 水体富营养化检测方法、装置、设备及存储介质 |
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 |