CN114994042A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114994042A CN114994042A CN202210649570.8A CN202210649570A CN114994042A CN 114994042 A CN114994042 A CN 114994042A CN 202210649570 A CN202210649570 A CN 202210649570A CN 114994042 A CN114994042 A CN 114994042A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- chlorophyll
- concentration
- data
- green
- 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
- 229930002868 chlorophyll a Natural products 0.000 title claims abstract description 75
- 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 75
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000002310 reflectometry Methods 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000007621 cluster analysis Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000143060 Americamysis bahia Species 0.000 description 1
- 241000723298 Dicentrarchus labrax Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及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,步骤包括:根据选取的红绿蓝三个波段的遥感反射率数据,计算蓝绿波段和红绿波段的遥感反射率数据比值;采用聚类分析将红绿蓝三个波段的遥感反射率数据分为三类,与实测叶绿素a浓度数据匹配生成对应的数据集;计算时间注意力权重,针对三类数据集分别构建引入时间注意力权重的神经网络模型并训练,得到三类反演叶绿素a浓度的深度残差神经网络模型;分别输入与之对应的深度残差神经网络模型中,反演得到海表面叶绿素a浓度。本发明不需要针对特定海域进行算法的校准、不需要针对不同水体采用不同的算法,便可以反演得到高精度的全球海表面叶绿素a浓度。
Description
技术领域
本发明属于环境信息监测技术领域,涉及海表面叶绿素a浓度遥感反演技术领域,具体涉及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。
背景技术
叶绿素a(Chl-a)是海洋浮游植物细胞内的主要色素,是衡量海洋浮游植物量的主要指标,海洋浮游植物是海洋生态系统中的第一生产者,为整个海洋生态系统提供基础的物质和能量,是海洋生态系统的物质基础。海洋浮游植物是贝、虾、鱼类幼体的天然饵料,高叶绿素a浓度的海域,海洋渔业资源也相对丰富,因此,海表面海洋叶绿素a浓度的准确观测对生态保护和经济开发有着重要意义。
海表面叶绿素a浓度反演算法大致可以分为六类:叶绿素a特征荧光峰或反射峰算法、蓝绿波段组合或近红外-红光波段组合的波段算法、针对不同水体特性的指数算法、机器学习和深度学习算法、水体分类算法和分析类算法,在这些不同类别的算法中,经验算法和半经验半分析算法研究较多。早期的实践表明,经验算法的性能要优于半经验半分析算法,具有更高的精度和适用性。由于经验算法结构简单、方便建模、精度良好,被广泛应用于不同水色传感器的海表面叶绿素a浓度产品的业务化生产过程中,目前应用最为广泛的经验算法是OCx系列算法。但是,传统的经验算法也存在一定的局限性,经验算法往往不能兼顾到所有的区域,在不同的区域差异性明显。实际应用中往往需要针对某一个特定区域进行算法的校正才能获得比较好的精度。此外,经验算法在应用于复杂的近岸Ⅱ类水体的叶绿素a浓度反演时存在较大误差。
发明内容
本发明的目的在于解决现有技术中存在的上述问题,提出了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,该方法解决了传统经验算法模型反演叶绿素a浓度在不同海域不同水体表现差异较大的问题,应用水色遥感技术,获取高精度的海表面叶绿素a浓度,对于开展海表面叶绿素a浓度时空变化规律研究、全球气候变化研究以及海洋生态文明建设等均具有重要意义。
本发明的技术方案是:
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,包括以下步骤:
(1)根据选取的红绿蓝三个波段的遥感反射率数据,计算蓝绿波段和红绿波段的遥感反射率比值;
上述红绿蓝波段的选取原则为:红光波段中心波长尽可能接近667nm,绿光波段中心波长尽可能接近555nm,蓝光波段中心波长尽可能接近443nm。
(2)采用聚类分析将红绿蓝三个波段的遥感反射率数据分为三类输入特征,分别与实测叶绿素a浓度数据匹配生成对应的数据集;
针对三类数据集分别构建引入时间注意力权重的神经网络模型并训练,得到反演叶绿素a浓度的深度残差神经网络模型;
(4)对步骤(1)得到的红绿蓝三个波段的遥感反射率数据以及蓝绿波段和红绿波段的遥感反射率比值,采用步骤(2)中的聚类分析方法进行特征分类,三类数据分别输入步骤(3)构建的三类深度残差神经网络模型中,反演得到海表面叶绿素a浓度。
进一步的,所述步骤(1)中,针对不同传感器的波段设置,选取最接近红绿蓝三个波段的遥感反射率数据Rrsred、Rrsgreen、Rrsblue,计算得到红绿波段的遥感反射率数据比值和蓝绿波段的遥感反射率数据比值
进一步的,所述步骤(2)中,针对红绿蓝三个波段的遥感反射率,按照三个波段的遥感反射率数据构成的三维空间中海表面叶绿素a浓度的空间分布情况,采用K-means聚类分析分为三类,每一类数据分别与现场观测的叶绿素a浓度数据匹配生成三类数据集;数据集输入特征为红绿蓝三个波段的遥感反射率数据以及红绿波段和蓝绿波段的遥感反射率数据的比值,数据集标签为现场观测叶绿素a浓度。
进一步的,所述步骤(3)中,神经网络模型采用残差连接的结构,即深度残差神经网络,该神经网络部分隐藏层在连接到下一层的同时也会连接到下一层之后的隐藏层,神经网络训练时使用时间注意力机制降低叶绿素a浓度时间变化产生的误差对模型的影响,获取针对每类输入特征的海表面叶绿素a浓度反演的最优算法模型。
进一步的,所述步骤(4)中,针对步骤(1)得到的红绿蓝三个波段的遥感反射率数据,以及计算得到的蓝绿波段和红绿波段的遥感反射率比值,采用步骤(2)中的K-means聚类分析方法进行特征分类,三类数据分别输入步骤(3)构建的三类深度残差神经网络模型中,反演得到海表面叶绿素a浓度。
本发明的有益效果:
本发明提供的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,能够解决传统的经验算法模型反演叶绿素a浓度在不同海域、不同水体表现差异较大的问题;采用本发明的反演方法,不需要针对特定海域进行算法的校准、不需要针对不同水体采用不同的算法,便可以实现使用卫星的遥感反射率数据反演得到高精度的全球海表面叶绿素a浓度的目的;利用获取的高精度叶绿素a浓度能够实现对海洋初级生产力的估算、海洋生态环境监测和海洋渔场预测的需求。
附图说明
图1为本发明实施例提供的基于深度残差神经网络的海表面叶绿素a浓度遥感反演方法的流程示意图;
图2为基于本发明方法提出的深度残差神经网络模型反演得到的海面叶绿素a浓度与现场观测数据对比散点图;
图3为MODIS业务化海面叶绿素a浓度产品与现场观测数据对比散点图;
图4为本发明提供的海表面叶绿素a浓度遥感反演的残差神经网络模型结构示意图。
具体实施方式
为了进一步理解本发明,下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了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,在具体使用时,针对不同传感器的波段设置,选择用于反演叶绿素a浓度的红绿蓝三个波段遥感反射率数据,计算蓝绿波段和红绿波段遥感反射率比值,针对红绿蓝三个波段遥感反射率数据,使用聚类分析分为三类输入特征,与实测数据匹配生成数据集,针对三类数据集分别构建模型,计算并将时间注意力机制引入模型训练过程,得到反演叶绿素a浓度的最优模型,进行叶绿素a浓度反演时,选择用于反演叶绿素a浓度的红绿蓝三个波段遥感反射率数据,计算蓝绿波段和红绿波段遥感反射率比值,针对红绿蓝三个波段遥感反射率数据,使用聚类分析方法进行特征分类,将三类特征分别输入对应的三类深度残差神经网络模型中反演海表面叶绿素a浓度。
实施例1
如图1所示,本发明实施例提供了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,以MODIS传感器为例,包括以下步骤:
S1、选择用于叶绿素a浓度反演的红绿蓝三个波段,选取并确定最接近红绿蓝三个波段的遥感反射率数据,可表示为:Rrsred、Rrsgreen、Rrsblue,其中,Rrsred为红光波段遥感反射率数据,Rrsgreen为绿光波段反射率数据,Rrsblue为蓝光波段反射率数据;上述红绿蓝三个波段在MODIS中传感器中对应中心波长分别667nm、555nm、443nm;将红绿蓝三个波段遥感反射率数据分为三类,并进行预处理,计算红绿波段和蓝绿波段的遥感反射率数据的比值,可表示为:其中,Rr/g为红绿波段的遥感反射率比值,Rb/g为蓝绿波段的遥感反射率比值。
S2、针对红绿蓝三个波段的遥感反射率数据,即按照三个波段的遥感反射率数据构成的三维空间中,叶绿素a浓度的空间分布情况,使用K-means聚类分析将数据分为三类输入特征,每一类数据分别与现场实际观测的叶绿素a浓度数据匹配生成对应的数据集,共生成三类数据集,数据集输入特征为红绿蓝三个波段的遥感反射率数据以及红绿波段和蓝绿波段的遥感反射率数据的比值,数据集标签为现场观测叶绿素a浓度。
S3、根据现场观测叶绿素a浓度数据与遥感反射率数据的观测时间,计算出时间注意力权重,时间注意力机制权重可表示为:其中,tdiff表示现场观测叶绿素a浓度数据与遥感反射率数据观测时间之差,twin表示匹配数据集时间窗大小;针对三类数据集分别构建引入时间注意力权重的神经网络,神经网络采用残差连接的结构,即深度残差神经网络,该神经网络部分隐藏层在连接到下一层的同时也会连接到下一层之后的隐藏层,神经网络训练时使用时间注意力机制降低叶绿素a浓度时间变化产生的误差对模型的影响,训练得到用于反演叶绿素a浓度的最优的神经网络模型。
S4、针对红绿蓝三个波段遥感反射率数据,以及计算得到的红绿波段和蓝绿波段的遥感反射率比值,根据步骤S2中的聚类分析方法进行特征分类,将每类特征数据分别输入步骤S3中与该类特征对应的深度残差神经网络模型中,反演得到海表面叶绿素a浓度。
实验例1
以美国EOS(Earth Observation System)系列卫星(Terra和Aqua)上的MODIS(Moderate-resolution Imaging Spectroradiometer)为例,将基于本发明提出的基于深度残差神经网络模型反演得到的全球海表面叶绿素a浓度与SeaBASS (SeaWiFS Bio-optical Archive and Storage System)全球海域现场观测数据对比的散点图(如图2所示),以及MODIS业务化海表面叶绿素a浓度产品与现场观测数据对比的散点图(如图3所示)进行比较,可以发现,MODIS叶绿素a浓度产品与SeaBASS现场观测偏离程度较大,平均绝对相对误差为57.26%,决定系数R2(log)为0.79;采用本方法反演得到的海面叶绿素a浓度与SeaBASS现场观测之间的平均绝对相对误差显著降低至24.22%,决定系数提高至0.95。因此,由分析可知,本方法能够有效地提高海表面叶绿素a浓度反演的精度。
上述说明仅为本发明的优选实施例,并非是对本发明的限制,尽管参照前述实施例对本发明进行了详细的说明,对于本领域技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改型等,均应包含在本发明的保护范围之内。
Claims (5)
1.一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,其特征在于,包括以下步骤:
(1)根据选取的红绿蓝三个波段的遥感反射率数据,计算蓝绿波段和红绿波段的遥感反射率比值;
(2)采用聚类分析将红绿蓝三个波段的遥感反射率数据分为三类输入特征,分别与实测叶绿素a浓度数据匹配生成对应的数据集;
针对三类数据集分别构建引入时间注意力权重的神经网络模型并训练,得到反演叶绿素a浓度的深度残差神经网络模型;
(4)对步骤(1)得到的红绿蓝三个波段的遥感反射率数据以及蓝绿波段和红绿波段的遥感反射率比值,采用步骤(2)中的聚类分析方法进行特征分类,三类数据分别输入步骤(3)构建的三类深度残差神经网络模型中,反演得到海表面叶绿素a浓度。
3.根据权利要求1所述的海表面叶绿素a浓度遥感反演方法,其特征在于,所述步骤(2)中,针对红绿蓝三个波段的遥感反射率,按照三个波段的遥感反射率数据构成的三维空间中叶绿素a浓度的空间分布情况,采用K-means聚类分析分为三类,每一类数据分别与现场观测的叶绿素a浓度数据匹配生成三类数据集;数据集输入特征为红绿蓝三个波段的遥感反射率数据以及红绿波段和蓝绿波段的遥感反射率数据的比值,数据集标签为现场观测叶绿素a浓度。
4.根据权利要求1所述的海表面叶绿素a浓度遥感反演方法,其特征在于,所述步骤(3)中,神经网络模型采用残差连接的结构,即深度残差神经网络,该神经网络部分隐藏层在连接到下一层的同时也会连接到下一层之后的隐藏层,神经网络训练时使用时间注意力机制降低叶绿素a浓度时间变化产生的误差对模型的影响,获取针对每类输入特征的叶绿素a浓度遥感反演的最优算法模型。
5.根据权利要求1所述的海表面叶绿素a浓度遥感反演方法,其特征在于,所述步骤(4)中,针对步骤(1)得到的红绿蓝三个波段的遥感反射率数据,以及计算得到的蓝绿波段和红绿波段的遥感反射率比值,采用步骤(2)中的K-means聚类分析方法进行特征分类,三类数据分别输入步骤(3)构建的三类深度残差神经网络模型中,反演得到海表面叶绿素a浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210649570.8A CN114994042A (zh) | 2022-06-09 | 2022-06-09 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210649570.8A CN114994042A (zh) | 2022-06-09 | 2022-06-09 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114994042A true CN114994042A (zh) | 2022-09-02 |
Family
ID=83032210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210649570.8A Pending CN114994042A (zh) | 2022-06-09 | 2022-06-09 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994042A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116008267A (zh) * | 2022-12-09 | 2023-04-25 | 自然资源部第二海洋研究所 | 海洋叶绿素a浓度三维分布反演方法、终端及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902761A (zh) * | 2019-03-18 | 2019-06-18 | 上海海洋大学 | 一种基于海洋环境因子融合和深度学习的渔情预测方法 |
US20200139973A1 (en) * | 2018-11-01 | 2020-05-07 | GM Global Technology Operations LLC | Spatial and temporal attention-based deep reinforcement learning of hierarchical lane-change policies for controlling an autonomous vehicle |
CN112666328A (zh) * | 2020-11-25 | 2021-04-16 | 广东省科学院广州地理研究所 | 基于遗传神经网络模型的叶绿素a遥感反演方法和装置 |
KR102296505B1 (ko) * | 2021-01-20 | 2021-09-02 | 주식회사 워터코리아 | 실시간 수질개선 및 관리와 기후변화 예측이 가능한 IoT시스템 |
CN113758885A (zh) * | 2021-09-09 | 2021-12-07 | 中国科学院合肥物质科学研究院 | 一种水体内叶绿体色素浓度的测算方法及其系统 |
CN113834787A (zh) * | 2021-08-17 | 2021-12-24 | 中国矿业大学 | 一种中小河道劣ⅴ类水体水质识别与量化方法 |
CN114330530A (zh) * | 2021-12-24 | 2022-04-12 | 安徽大学 | 基于空谱融合与模型学习耦合的叶绿素a浓度反演方法 |
-
2022
- 2022-06-09 CN CN202210649570.8A patent/CN114994042A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200139973A1 (en) * | 2018-11-01 | 2020-05-07 | GM Global Technology Operations LLC | Spatial and temporal attention-based deep reinforcement learning of hierarchical lane-change policies for controlling an autonomous vehicle |
CN109902761A (zh) * | 2019-03-18 | 2019-06-18 | 上海海洋大学 | 一种基于海洋环境因子融合和深度学习的渔情预测方法 |
CN112666328A (zh) * | 2020-11-25 | 2021-04-16 | 广东省科学院广州地理研究所 | 基于遗传神经网络模型的叶绿素a遥感反演方法和装置 |
KR102296505B1 (ko) * | 2021-01-20 | 2021-09-02 | 주식회사 워터코리아 | 실시간 수질개선 및 관리와 기후변화 예측이 가능한 IoT시스템 |
CN113834787A (zh) * | 2021-08-17 | 2021-12-24 | 中国矿业大学 | 一种中小河道劣ⅴ类水体水质识别与量化方法 |
CN113758885A (zh) * | 2021-09-09 | 2021-12-07 | 中国科学院合肥物质科学研究院 | 一种水体内叶绿体色素浓度的测算方法及其系统 |
CN114330530A (zh) * | 2021-12-24 | 2022-04-12 | 安徽大学 | 基于空谱融合与模型学习耦合的叶绿素a浓度反演方法 |
Non-Patent Citations (3)
Title |
---|
XIAOLAN ZHAO: "Comparing deep learning with several typical methods in prediction of assessing chlorophyll-a by remote sensing: a case study in Taihu Lake, China", 《WATER SUPPLY》, 30 September 2021 (2021-09-30) * |
张瑞瑞;夏浪;陈立平;谢春春;陈梅香;王维佳;: "基于U-Net网络和无人机影像的松材线虫病变色木识别", 农业工程学报, no. 12, 23 June 2020 (2020-06-23) * |
艾烨霜;沈永林;: "顾及测量不确定性的水体悬浮物浓度遥感定量反演方法", 光学学报, no. 07, 26 May 2016 (2016-05-26) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116008267A (zh) * | 2022-12-09 | 2023-04-25 | 自然资源部第二海洋研究所 | 海洋叶绿素a浓度三维分布反演方法、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102829739B (zh) | 一种面向对象的作物叶面积指数遥感反演方法 | |
CN112949416B (zh) | 一种监督的高光谱多尺度图卷积分类方法 | |
Pang et al. | Smart farming: An approach for disease detection implementing IoT and image processing | |
CN106909750B (zh) | 一种阔叶植被冠层反射率的计算方法 | |
CN114994042A (zh) | 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 | |
Kotta et al. | In-air spectral signatures of the Baltic Sea macrophytes and their statistical separability | |
CN108007881A (zh) | 一种基于光谱技术的水产养殖水质总氮含量检测方法 | |
Cai et al. | Using machine learning algorithms with in situ hyperspectral reflectance data to assess comprehensive water quality of urban rivers | |
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 | |
CN112766161B (zh) | 基于集成约束多示例学习的高光谱目标检测方法 | |
Zheng et al. | Using continous wavelet analysis for monitoring wheat yellow rust in different infestation stages based on unmanned aerial vehicle hyperspectral images | |
CN114297938B (zh) | 一种基于神经网络的光学浅水水底深度的反演方法 | |
Sun et al. | Coastal water bathymetry for critical zone management using regression tree models from Gaofen-6 imagery | |
CN116295285A (zh) | 基于区域自适应的浅海水深遥感反演方法 | |
Zhang et al. | Mapping soil organic matter and analyzing the prediction accuracy of typical cropland soil types on the Northern Songnen Plain | |
Zhang et al. | Research on the identification of land types and tree species in the Engebei ecological demonstration area based on GF-1 remote sensing | |
CN112949681A (zh) | 基于卫星光谱的盐渍土电导率估算方法 | |
CN106202971A (zh) | 基于folium模型叶片色素遥感反演方法 | |
CN117152636A (zh) | 一种基于双波段关系的浅海底质反射率遥感监测方法 | |
CN116229288A (zh) | 基于无人机多光谱影像的城市河道tsm浓度反演方法 | |
Liu et al. | Evaluation of the effectiveness of multiple machine learning methods in remote sensing quantitative retrieval of suspended matter concentrations: A case study of Nansi Lake in North China | |
CN114998658A (zh) | 一种基于潮滩指数的潮间带滩涂提取方法及系统 | |
Dupouy et al. | Microbial absorption and backscattering coefficients from in situ and POLDER satellite data during an El Nino–Southern Oscillation cold phase in the equatorial Pacific (180) | |
Nagamani et al. | Artificial Neural Network (ANN) Based Inversion of Benthic Substrate Bottom Type and Bathymetry in Optically Shallow Waters-Initial Model Results | |
Yu et al. | Retrieval of diffuse attenuation coefficient in high frequency red tide area of the East China Sea based on buoy observation |
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 |