CN113159167B - 基于内陆不同类型水体的叶绿素a反演方法 - Google Patents

基于内陆不同类型水体的叶绿素a反演方法 Download PDF

Info

Publication number
CN113159167B
CN113159167B CN202110420459.7A CN202110420459A CN113159167B CN 113159167 B CN113159167 B CN 113159167B CN 202110420459 A CN202110420459 A CN 202110420459A CN 113159167 B CN113159167 B CN 113159167B
Authority
CN
China
Prior art keywords
chlorophyll
spectral
water body
inversion
water
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
Application number
CN202110420459.7A
Other languages
English (en)
Other versions
CN113159167A (zh
Inventor
陈芸芝
陈点点
谢婷婷
汪小钦
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202110420459.7A priority Critical patent/CN113159167B/zh
Publication of CN113159167A publication Critical patent/CN113159167A/zh
Application granted granted Critical
Publication of CN113159167B publication Critical patent/CN113159167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于内陆不同类型水体的叶绿素a反演方法，结合实测水体光谱曲线、水质参数和遥感影像反演水体的叶绿素a浓度。基于实测水体光谱曲线利用逐次降类的K‑means聚类方法对水体进行分类，并根据每一类平均水体光谱曲线，以光谱角为测距，匹配实现遥感影像水体分类；进一步分别构建适用于不同类型水体的叶绿素a反演模型。本发明克服了传统叶绿素a反演方法模型单一、精度低的难题，实现了基于不同光谱主导因子内陆水体的分类，针对分类后不同类型的水体分别建立了叶绿素a最优反演模型，提高了水体叶绿素a预测精度，为防治水体富营养化、精准监测水体叶绿素a空间分布及其随时间变化趋势提供有效的技术支持。

Description

基于内陆不同类型水体的叶绿素a反演方法
技术领域
本发明涉及水体遥感反演技术领域，具体涉及一种基于内陆不同类型水体的叶绿素a反演方法。
背景技术
叶绿素a浓度是衡量水体富营养化程度的重要水质参数，进行叶绿素a浓度监测对防治内陆水体富营养化、保证流域生态可持续开发及利用具有重要意义。
传统水质调查方法费时费力，通常采取“以点代面”的策略，小部分实测值往往难以全面地反映水体叶绿素a的总体时空分布情况，且成本较高。遥感技术的发展为内陆及沿海水域进行及时、长时间、大范围的监测提供了一个便捷高效的科学方向，解决了大面积水环境叶绿素a监测的难题。但内陆水体光学特性复杂，不同类型水体的遥感反射率对应的固有光学-生物特性具有较为明显的差异，针对内陆不同类型水体构建叶绿素a反演模型研究相对较少。
发明内容
有鉴于此，本发明的目的在于提供一种基于内陆不同类型水体的叶绿素a反演方法，克服了应用单一模型反演不同类型水体叶绿素a浓度精度低的问题，得到适用于不同类型水体的叶绿素a最优反演模型，为精准地监测和保护内陆水环境、揭示流域水质变化原因及对其有效控制提供科学合理的理论参考。
为实现上述目的，本发明采用如下技术方案：
一种基于内陆不同类型水体的叶绿素a反演方法，包括以下步骤：
步骤S1：采集野外实测水体光谱曲线和实测叶绿素a浓度，并进一步获取研究区与野外实测数据相近时期的遥感影像；
步骤S2：对实测光谱曲线和遥感影像进行预处理；
步骤S3：采用基于光谱角距离逐次降类的K-means聚类法对水体光谱曲线进行分类；
步骤S4：基于传感器光谱响应函数和实测水体光谱曲线，模拟传感器波段反射率；
步骤S5：利用皮尔逊相关性分析确定叶绿素a敏感波段；
步骤S6：分别构建不同类型水体的叶绿素a反演模型；
步骤S7：利用数学指标评估模型精度，确定不同类型水体叶绿素a最优反演模型；
步骤S8：将遥感影像水体分类；
步骤S9：分别利用不同类型水体的叶绿素a最优预测模型反演得到研究区水体叶绿素a空间分布。
进一步的，所述步骤S3具体为：
步骤S31：从实测水体光谱曲线数据集X＝{x1,x2,…,xm}中随机选择K个样本数据作为初始聚类中心；
步骤S32:多次迭代计算各样本xi和各个聚类中心Zj(j＝1,2,…,k)的光谱角距离，依据最邻近原则将样本xi划分到离其最近的初始中心所属的类中；样本xi为一个向量Ai{A1,A2,…,An}，质心光谱为一个向量Yi＝{Y1,Y2…,Yn}，光谱Ai到质心光谱Yi的光谱角距离SAD(Ai,Yi)计算公式如下：
Figure GDA0003947291940000031
式中，Ai是样本遥感反射率光谱，Yi是质心光谱；
步骤S33:计算类中所有数据对象的均值获得新的聚类中心，然后根据原数据集的数据对象与新计算的聚类中心间的光谱角距离对所有数据对象进行重新分配，然后更新聚类中心，直到
Figure GDA0003947291940000032
迭代结束，判断质心是否发生变化；
步骤S34:计算迭代结束后各类质心的类间距，合并类间距最小的两类，并计算各类间距的和，循环至类别为两类结束；
步骤S35：基于光谱角距离逐次降类的K-means聚类结果，确定水体类型最终分类数目。
进一步的，所述步骤S4具体为：基于传感器光谱响应函数和实测水体光谱曲线，模拟传感器波段反射率，具体计算公式如下：
Figure GDA0003947291940000033
式中，R为模拟波段反射率，Rrs为实测光谱反射率，fi(λ)为光谱响应函数，λ1和λ2为遥感波段两端对应波长。
进一步的，所述步骤S5利用皮尔逊相关性分析波段及波段组合与叶绿素a的相关性，筛选出模型输入特征因子。
进一步的，所述步骤S6具体包括：
构建叶绿素a浓度反演的多元线性回归模型；
构建叶绿素a浓度反演的BP神经网络模型；
构建叶绿素a浓度反演的PSO-RBF网络模型；
构建叶绿素a浓度反演的PSO-LSSVM模型；
构建叶绿素a浓度反演的随机森林模型；
构建叶绿素a浓度反演的梯度提升决策树GBDT模型。
进一步的，所述步骤S7具体为：选用决定系数R2、均方根误差RMSE和相对均方根误差百分比RRMSE评估叶绿素a反演模型精度，具体计算公式如下：
Figure GDA0003947291940000041
Figure GDA0003947291940000042
Figure GDA0003947291940000043
式中，yi表示实测叶绿素a浓度值，
Figure GDA0003947291940000051
表示模型预测值，
Figure GDA0003947291940000052
为实测叶绿素a浓度的平均值，n为验证样点总数。
进一步的，所述步骤S8根据不同类型水体平均光谱曲线模拟的光谱矢量形状，利用光谱角作为判别距离，匹配完成研究区域影像的水体分类。
本发明与现有技术相比具有以下有益效果：
本发明克服了传统水质调查方法难以同步观测大面积水域的难题，提高了水环境动态监测的工作效率。但内陆水体光学特性复杂，单一模型预测不同类型水体叶绿素a浓度精度较低。本发明基于水体光谱特征进行水体分类，分别建立适用不同类型水体的叶绿素a反演模型，能够为精准地监测和保护内陆水环境、揭示流域水质变化原因及对其有效控制提供科学合理的理论参考。
附图说明
图1为本发明方法流程图；
图2为本发明一实施例中的水体分类前后叶绿素a遥感反演精度对比。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于内陆不同类型水体的叶绿素a反演方法，具体包括以下步骤：
步骤S1：获取野外实测水体光谱曲线和实测叶绿素a浓度(μg/L)，获取研究区与野外实测数据相近时期的遥感影像；
步骤S2：对实测光谱曲线和遥感影像进行预处理；
步骤S3：采用基于光谱角距离逐次降类的K-means聚类法对水体光谱曲线进行分类；
步骤S4：基于传感器光谱响应函数和实测水体光谱曲线，模拟传感器波段反射率；
步骤S5：利用皮尔逊相关性分析确定叶绿素a敏感波段；
步骤S6：分别构建不同类型水体的叶绿素a反演模型；
步骤S7：利用数学指标评估模型精度，确定不同类型水体叶绿素a最优反演模型；
步骤S8：将遥感影像水体分类；
步骤S9：分别利用不同类型水体的叶绿素a最优预测模型反演得到研究区水体叶绿素a空间分布。
较佳的，步骤S3的具体步骤如下：
步骤S31：从实测水体光谱曲线数据集X＝{x1,x2,…,xm}中随机选择K个样本数据作为初始聚类中心；
步骤S32:多次迭代计算各样本xi和各个聚类中心Zj(j＝1,2,…,k)的光谱角距离(SAD)，依据最邻近原则将样本xi划分到离其最近的初始中心所属的类中。样本xi(遥感反射率光谱)为一个向量Ai{A1,A2,…,An}，质心光谱为一个向量Yi＝{Y1,Y2…,Yn}，光谱Ai到质心光谱Yi的光谱角距离SAD(Ai,Yi)计算公式如下：
Figure GDA0003947291940000071
式中，Ai是样本遥感反射率光谱，Yi是质心光谱。
步骤S33:计算类中所有数据对象的均值获得新的聚类中心，然后根据原数据集的数据对象与新计算的聚类中心间的光谱角距离对所有数据对象进行重新分配，然后更新聚类中心，直到
Figure GDA0003947291940000072
迭代结束，判断质心是否发生变化。
步骤S34:计算迭代结束后各类质心的类间距，合并类间距最小的两类，并计算各类间距的和，循环至类别为两类结束。
步骤S35：基于光谱角距离逐次降类的K-means聚类结果，确定水体类型最终分类数目。
在本实施例中，步骤S4具体为：基于传感器光谱响应函数和实测水体光谱曲线，模拟传感器波段反射率的计算公式如下：
Figure GDA0003947291940000073
式中，R为模拟波段反射率，Rrs为实测光谱反射率，fi(λ)为光谱响应函数，λ1和λ2为遥感波段两端对应波长。
在本实施例中，步骤S5具体为：利用皮尔逊相关性分析波段及波段组合与叶绿素a的相关性，筛选出模型输入特征因子。
在本实施例中，步骤S6的具体步骤如下：
步骤S61：构建叶绿素a浓度反演的多元线性回归模型；
步骤S62：构建叶绿素a浓度反演的BP神经网络模型；
步骤S63：构建叶绿素a浓度反演的PSO-RBF网络模型；
步骤S64：构建叶绿素a浓度反演的PSO-LSSVM模型；
步骤S65：构建叶绿素a浓度反演的随机森林模型；
步骤S66：构建叶绿素a浓度反演的GBDT模型；
在本实施例中，步骤S7具体为：选用决定系数(R2)、均方根误差(RMSE)和相对均方根误差百分比(RRMSE)评估叶绿素a反演模型精度，具体计算公式如下：
Figure GDA0003947291940000081
Figure GDA0003947291940000082
Figure GDA0003947291940000083
式中，yi表示实测叶绿素a浓度值，
Figure GDA0003947291940000084
表示模型预测值，
Figure GDA0003947291940000085
为实测叶绿素a浓度的平均值，n为验证样点总数。
在本实施例中，步骤S8具体为：根据不同类型水体平均光谱曲线模拟的光谱矢量形状，利用光谱角作为判别距离，匹配完成研究区域影像的水体分类。
在本实施例中，步骤S9的具体步骤如下：
步骤S91：用GBDT模型反演类型一水体的叶绿素a浓度。GBDT模型重要参数设置为：损失函数loss选择平方损失函数，学习率learning rate为0.4，迭代次数n_estimators为100，最大深度max_depth为3，min_samples_split为9，叶子节点最少样本数min_samples_leaf为8。
步骤S92：用PSO-LSSVM模型反演类型二水体的叶绿素a浓度。PSO-LSSVM模型重要参数设置为：初始化学习因子C1＝2、C2＝2，最大迭代次数为100，种群规模为37；初始权重与终止权重分别为0.95和0.1，最终参数gam＝768，sig2＝1635。
步骤S93：用随机森林模型反演类型三水体的叶绿素a浓度。随机森林模型重要参数设置为：决策树结点的自变量数目mtry为1，决策树数目ntree为380。
特别的，本实施例以闽江下游和山仔水库为研究区域，基于与野外实测时间相近的2014年10月7日、2017年7月11日和2019年12月13日GF-1WFV1遥感影像，分别对研究区不同类型水体，应用最优反演模型得到闽江下游和山仔水库不同时期水体叶绿素a空间分布。
图2为水体分类前后叶绿素a遥感反演精度对比结果。由图可知，分类后影像反演值与实测叶绿素a浓度之间的R2为0.601，远高于未分类水体的0.03，分类后的RMSE为4.441μg/L，RRMSE为59.771％，均小于未分类水体的7.419μg/L和99.861％，说明水体分类后模型的遥感反演精度比未分类水体高。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(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。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (5)

1.一种基于内陆不同类型水体的叶绿素a反演方法，其特征在于，包括以下步骤：
步骤S1：采集野外实测水体光谱曲线和实测叶绿素a浓度，并进一步获取研究区与野外实测数据相近时期的遥感影像；
步骤S2：对实测水体光谱曲线和遥感影像进行预处理；
步骤S3：采用基于光谱角距离逐次降类的K-means聚类法对水体光谱曲线进行分类；
步骤S4：基于传感器光谱响应函数和实测水体光谱曲线，模拟传感器波段反射率；
步骤S5：利用皮尔逊相关性分析确定叶绿素a敏感波段，具体为：
利用皮尔逊相关性分析波段及波段组合与叶绿素a的相关性，筛选出模型输入特征因子；
步骤S6：分别构建不同类型水体的叶绿素a反演模型；
步骤S7：利用数学指标评估模型精度，确定不同类型水体叶绿素a最优反演模型；
步骤S8：将遥感影像水体分类；
步骤S9：分别利用不同类型水体的叶绿素a最优反演模型得到研究区水体叶绿素a空间分布；
所述步骤S3具体为：
步骤S31：从实测水体光谱曲线数据集X＝{x1,x2,…,xm}中随机选择K个样本数据作为初始聚类中心；
步骤S32:多次迭代计算各样本xi和各个聚类中心Zj，j＝1,2,…,K的光谱角距离，依据最邻近原则将样本xi划分到离其最近的初始聚类中心所属的类中；样本遥感反射率光谱为一个向量Axi＝{A1,A2,…,An}，质心光谱为一个向量Yxi＝{Y1,Y2…,Yn}，样本遥感反射率光谱Axi到质心光谱Yxi的光谱角距离SAD(Axi,Yxi)计算公式如下：
Figure FDA0004010550250000021
式中，Axi是样本遥感反射率光谱，Yxi是质心光谱；
步骤S33:计算类中所有数据对象的均值获得新的聚类中心，然后根据原数据集的数据对象与新计算的聚类中心间的光谱角距离对所有数据对象进行重新分配，然后更新聚类中心，直到
Figure FDA0004010550250000022
迭代结束，判断质心是否发生变化；
步骤S34:计算迭代结束后各类质心的类间距，合并类间距最小的两类，并计算各类间距的和，循环至类别为两类结束；
步骤S35：基于光谱角距离逐次降类的K-means聚类结果，确定水体类型最终分类数目。
2.根据权利要求1所述的一种基于内陆不同类型水体的叶绿素a反演方法，其特征在于，所述步骤S4具体为：基于传感器光谱响应函数和实测水体光谱曲线，模拟传感器波段反射率，具体计算公式如下：
Figure FDA0004010550250000031
式中，R为模拟波段反射率，Rrs为实测光谱反射率，fi(λ)为光谱响应函数，λ1和λ2为遥感波段两端对应波长。
3.根据权利要求1所述的一种基于内陆不同类型水体的叶绿素a反演方法，其特征在于，所述步骤S6具体包括：
构建叶绿素a浓度反演的多元线性回归模型；
构建叶绿素a浓度反演的BP神经网络模型；
构建叶绿素a浓度反演的PSO-RBF网络模型；
构建叶绿素a浓度反演的PSO-LSSVM模型；
构建叶绿素a浓度反演的随机森林模型；
构建叶绿素a浓度反演的梯度提升决策树GBDT模型。
4.根据权利要求1所述的一种基于内陆不同类型水体的叶绿素a反演方法，其特征在于，所述步骤S7具体为：选用决定系数R2、均方根误差RMSE和相对均方根误差百分比RRMSE评估叶绿素a反演模型精度，具体计算公式如下：
Figure FDA0004010550250000041
Figure FDA0004010550250000042
Figure FDA0004010550250000043
式中，yi′表示实测叶绿素a浓度值，
Figure FDA0004010550250000044
表示模型预测值，
Figure FDA0004010550250000045
为实测叶绿素a浓度的平均值，n′为验证样本总数。
5.根据权利要求1所述的一种基于内陆不同类型水体的叶绿素a反演方法，其特征在于，所述步骤S8根据不同类型水体平均光谱曲线模拟的光谱矢量形状，利用光谱角距离作为判别距离，匹配完成研究区域影像的水体分类。
CN202110420459.7A 2021-04-19 2021-04-19 基于内陆不同类型水体的叶绿素a反演方法 Active CN113159167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110420459.7A CN113159167B (zh) 2021-04-19 2021-04-19 基于内陆不同类型水体的叶绿素a反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110420459.7A CN113159167B (zh) 2021-04-19 2021-04-19 基于内陆不同类型水体的叶绿素a反演方法

Publications (2)

Publication Number Publication Date
CN113159167A CN113159167A (zh) 2021-07-23
CN113159167B true CN113159167B (zh) 2023-03-03

Family

ID=76868749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110420459.7A Active CN113159167B (zh) 2021-04-19 2021-04-19 基于内陆不同类型水体的叶绿素a反演方法

Country Status (1)

Country Link
CN (1) CN113159167B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542901B (zh) * 2023-03-06 2023-11-07 广东工业大学 一种计算面状区域叶绿素a浓度平均值的方法及装置
CN117315470B (zh) * 2023-09-25 2024-03-08 湖南省自然资源事务中心 基于地空全谱段高光谱数据的水质参数反演系统
CN117312973B (zh) * 2023-09-26 2024-05-03 中国科学院空天信息创新研究院 一种内陆水体光学分类方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103983584A (zh) * 2014-05-30 2014-08-13 中国科学院遥感与数字地球研究所 一种内陆二类水体叶绿素a浓度的反演方法及装置
CN107025467A (zh) * 2017-05-09 2017-08-08 环境保护部卫星环境应用中心 一种水体分类模型的建立方法及装置
CN111383203A (zh) * 2019-11-07 2020-07-07 北京航空航天大学 基于分区域拟合的全色与多光谱遥感图像融合方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103970994B (zh) * 2014-05-05 2016-09-14 南京师范大学 基于数据同化的内陆水体叶绿素浓度多模型协同反演方法
US11681839B2 (en) * 2019-09-30 2023-06-20 The Board Of Trustees Of The University Of Alabama Systems and methods for modeling water quality
CN112528559B (zh) * 2020-12-04 2024-04-23 广东省科学院广州地理研究所 一种结合预分类与机器学习的叶绿素a浓度反演方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103983584A (zh) * 2014-05-30 2014-08-13 中国科学院遥感与数字地球研究所 一种内陆二类水体叶绿素a浓度的反演方法及装置
CN107025467A (zh) * 2017-05-09 2017-08-08 环境保护部卫星环境应用中心 一种水体分类模型的建立方法及装置
CN111383203A (zh) * 2019-11-07 2020-07-07 北京航空航天大学 基于分区域拟合的全色与多光谱遥感图像融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Quantitative Retrieval of Chlorophyll-a Concentration of Taihu Lake Based on Satellite HJ-1Multispectral Data;Qi Wang et al.;《2013 Fourth International Conference on Digital Manufacturing & Automation》;20130916;全文 *
基于GOCI影像和水体光学分类的内陆湖泊叶绿素a浓度遥感估算;冯驰等;《环境科学》;20150531;第36卷(第5期);全文 *
面向GF－1 WFV数据的闽江下游叶绿素a反演模型;谢婷婷等;《环境科学学报》;20191231;第39卷(第12期);全文 *

Also Published As

Publication number Publication date
CN113159167A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113159167B (zh) 基于内陆不同类型水体的叶绿素a反演方法
CN109543203B (zh) 一种基于随机森林的建筑冷热负荷预测方法
CN110640982A (zh) 一种薄壁注塑件的注塑工艺参数多目标优化方法
CN109118013A (zh) 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统
CN107169205B (zh) 一种铁矿石的分类建模方法
CN105981025A (zh) 基于序列递归滤波三维变分的实测海洋环境数据同化方法
CN107798383B (zh) 改进的核极限学习机定位方法
CN112070357A (zh) 一种基于改进bp神经网络的雷达辐射源威胁评估方法
CN107704883A (zh) 一种菱镁矿矿石的品级的分类方法及系统
CN108846200B (zh) 一种基于迭代法的准静态桥梁影响线识别方法
CN107688863A (zh) 自适应迭代加强的短期风速高精度组合预测方法
CN113344261A (zh) 基于随机森林和isca优化relm的pm2.5浓度预测方法及系统
CN115270239A (zh) 基于动力特性和智能算法响应面法的桥梁可靠性预测方法
CN111723523A (zh) 一种基于级联神经网络的河口余水位预测方法
CN110324178B (zh) 一种基于多经验核学习的网络入侵检测方法
CN107742029A (zh) 基于支持向量机的增识度超回归负荷建模多曲线拟合模型
CN117408167A (zh) 基于深度神经网络的泥石流灾害易发性预测方法
CN109187898B (zh) 水产养殖环境中水质氨氮含量的软测量方法及装置
CN115936773A (zh) 一种互联网金融黑产识别方法与系统
CN112184037B (zh) 一种基于加权svdd的多模态过程故障检测方法
CN114330114B (zh) 基于量子支持向量机的铍青铜合金腐蚀速率预测方法
CN113011086B (zh) 一种基于ga-svr算法森林生物量的估测方法
CN111062118B (zh) 一种基于神经网络预测分层的多层软测量建模系统及方法
Qu et al. Complementary differential evolution-based whale optimization algorithm for function optimization
CN111489021A (zh) 一种基于粒子群优化bp神经网络的甜菜产量预测方法

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