CN116306322A - 一种基于高光谱数据的水体总磷浓度反演方法和装置 - Google Patents

一种基于高光谱数据的水体总磷浓度反演方法和装置 Download PDF

Info

Publication number
CN116306322A
CN116306322A CN202310561129.9A CN202310561129A CN116306322A CN 116306322 A CN116306322 A CN 116306322A CN 202310561129 A CN202310561129 A CN 202310561129A CN 116306322 A CN116306322 A CN 116306322A
Authority
CN
China
Prior art keywords
hyperspectral data
water body
total phosphorus
phosphorus concentration
inversion
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
CN202310561129.9A
Other languages
English (en)
Other versions
CN116306322B (zh
Inventor
张立福
王宏庆
孙雪剑
黄瑶
张彩霞
蓝梓月
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.)
Tianjin Zhongkeshi Optical Information Technology Co ltd
Original Assignee
Tianjin Zhongkeshi Optical Information Technology Co ltd
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 Tianjin Zhongkeshi Optical Information Technology Co ltd filed Critical Tianjin Zhongkeshi Optical Information Technology Co ltd
Priority to CN202310561129.9A priority Critical patent/CN116306322B/zh
Publication of CN116306322A publication Critical patent/CN116306322A/zh
Application granted granted Critical
Publication of CN116306322B publication Critical patent/CN116306322B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种基于高光谱数据的水体总磷浓度反演方法和装置，方法包括：获取待检测水体高光谱数据并进行预处理；采用变分自编码器对预处理后的水体高光谱数据进行特征提取；训练预先建立的基学习器模型，使用AdaBoost算法对基学习器模型进行集成，得到基学习器模型输出的预测结果，采用加权平均法对预测结果进行集成提升；使用自注意力机制对集成提升后的特征进行加权，使用多层感知机进行水体总磷浓度的反演计算。本发明采用变分自编码器对高光谱数据进行有效的降维和特征提取，提高模型泛化能力，减少计算资源需求，采用自注意力机制捕捉高光谱数据中的多尺度结构依赖关系，挖掘数据中的细微差别，提高反演的精度和稳定性。

Description

一种基于高光谱数据的水体总磷浓度反演方法和装置
技术领域
本发明涉及环境监测和高光谱技术领域，尤其涉及一种基于高光谱数据的水体总磷浓度反演方法和装置。
背景技术
水体总磷浓度是衡量水质状况的关键指标，对环境保护和水资源管理具有重要意义。传统的水体总磷浓度监测方法，如现场采样和实验室分析，在时间和人力成本上相对较高，难以实现大范围和实时的水质监测。为了克服这些缺陷，近年来，高光谱技术和深度学习方法的迅速发展为水质监测领域带来了新的契机。高光谱数据具有丰富的光谱信息和较高的光谱分辨率，在水体总磷浓度反演方面具有巨大潜力。然而，现有的深度学习方法在处理高光谱数据时，面临着一些挑战。首先，高光谱数据通常具有复杂的数据特征，如高维度、大量冗余信息等，这对计算资源和处理能力提出了较高的要求。此外，现有的深度学习方法在捕捉高光谱数据中隐藏的空间结构信息和光谱特征方面仍有待提高。以上挑战导致传统高光谱总磷智能反演方法存在泛化性不足以及稳定性差等问题。
另外，在现有技术中，传统的机器学习算法如支持向量机、随机森林和人工神经网络等被广泛应用于高光谱水体总磷浓度反演方法。然而，在实际应用中，这些方法存在一些明显的不足之处，需要进一步改进以提高其准确性和稳定性。首先，传统方法通常依赖于手动选择特征或者专家知识进行光谱特征提取和建模，导致计算耗时长，而且可能忽略潜在的重要特征，从而影响预测结果的准确性。其次，高光谱遥感数据可能存在噪声和光谱混合问题，这些问题在传统机器学习方法中难以解决，从而影响了水体总磷浓度反演的准确性和稳定性。此外，高光谱数据通常具有高维度特性，同时伴随着大量冗余信息，这会导致计算复杂度和资源需求增加。在处理高维度数据时，现有技术往往需要进行降维处理，但这种做法可能导致信息损失，进而影响预测效果。最后，现有技术在处理高光谱数据时，很难充分挖掘和利用高光谱数据多层次结构信息，这将限制水体总磷浓度反演的准确性。
发明内容
针对以上问题，本发明提出了一种基于高光谱数据的水体总磷浓度反演方法。该方法融合了变分自编码器（VAE）和自注意力机制，旨在充分挖掘高光谱数据的潜在特征，以实现更高效更准确的水体总磷浓度反演。
为了实现上述目的，本发明提供了一种基于高光谱数据的水体总磷浓度反演方法，包括：
获取待检测水体高光谱数据，并进行预处理；
采用变分自编码器对预处理后的水体高光谱数据进行特征提取；
基于提取的水体高光谱数据特征，训练预定数量的基学习器模型，所述基学习器模型预先建立；使用AdaBoost算法对所述预定数量的基学习器模型进行集成，得到基学习器模型输出的水体高光谱数据特征预测结果，采用加权平均法对所述水体高光谱数据特征预测结果进行集成提升，得到集成提升后的水体高光谱数据特征；
基于自注意力机制，对集成提升后的水体高光谱数据特征进行加权，基于加权后的高光谱数据特征，使用多层感知机作为反演模型进行水体总磷浓度的反演计算，得到待检测水体总磷浓度。
根据本发明提供的基于高光谱数据的水体总磷浓度反演方法，所述变分自编码器采用三层卷积神经网络结构，其中每层卷积神经网络结构包含多个卷积层、池化层、批归一化层和一个输出层，所述输出层根据需要可设置为扁平化层、全连接层或其他功能层，输出层输出潜在表示，并约束潜在表示服从高斯分布，以提取数据的高层次特征。
根据本发明提供的基于高光谱数据的水体总磷浓度反演方法，所述基于自注意力机制，对集成提升后的水体高光谱数据特征进行加权，基于加权后的高光谱数据特征，使用多层感知机作为反演模型进行水体总磷浓度的反演计算，得到待检测水体总磷浓度，包括：
使用线性变换将集成提升后的高光谱数据特征向量映射为查询向量、键向量和值向量；
基于所述查询向量、键向量，使用点积注意力机制计算每个特征向量与其他特征向量之间的相关度，得到权重矩阵；
基于所述权重矩阵和值向量及预处理后的高光谱数据特征向量，得到加权后的高光谱数据特征向量；基于加权后的特征向量，使用多层感知机作为反演模型进行水体总磷浓度的反演计算，得到水体总磷浓度，所述多层感知机采用两层全连接层和一个输出层，其中，每层全连接层包含批量归一化层和ReLU激活函数，所述输出层采用线性激活函数。
根据本发明提供的基于高光谱数据的水体总磷浓度反演方法，采用支持向量机作为基学习器模型。
根据本发明提供的基于高光谱数据的水体总磷浓度反演方法，采用径向基核函数作为基学习器模型的核函数。
根据本发明提供的基于高光谱数据的水体总磷浓度反演方法，所述预处理包括噪声去除、基线校正和波长对准。
本发明还提供一种基于高光谱数据的水体总磷浓度反演装置，所述装置包括：
数据获取模块，用于获取待检测水体高光谱数据，并进行预处理；
特征提取模块，用于采用变分自编码器对预处理后的水体高光谱数据进行特征提取；
数据集成提升模块，用于基于提取的水体高光谱数据特征，训练预定数量的基学习器模型，所述基学习器模型预先建立；使用AdaBoost算法对所述预定数量的基学习器模型进行集成，得到基学习器模型输出的水体高光谱数据特征预测结果，采用加权平均法对所述水体高光谱数据特征预测结果进行集成提升，得到集成提升后的水体高光谱数据特征；
反演模块，用于基于自注意力机制，对集成提升后的水体高光谱数据特征进行加权，基于加权后的高光谱数据特征，使用多层感知机作为反演模型进行水体总磷浓度的反演计算，得到待检测水体总磷浓度。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述任一项基于高光谱数据的水体总磷浓度反演方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述任一项基于高光谱数据的水体总磷浓度反演方法。
本发明提出的基于高光谱数据的水体总磷浓度反演方法，融合了变分自编码器（VAE）和自注意力机制，充分挖掘水体高光谱数据的潜在特征，以实现更高效的水体总磷浓度反演。相较于传统方法，本发明采用变分自编码器（VAE）和自注意力机制，具有以下显著优势：（1）VAE能够对高光谱数据进行有效的降维和特征提取，有助于提高模型的泛化能力，同时减少计算资源需求；（2）自注意力机制能够捕捉数据中的多尺度结构依赖关系，有助于挖掘高光谱数据中的细微差别，从而提高水体总磷浓度反演的准确性和稳定性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明提供的一种基于高光谱数据的水体总磷浓度反演方法流程图；
图2为本发明实施例提供的变分自编码器特征编码模块结构示意图；
图3为本发明提供的变分自编码器模块训练损失函数变化曲线图；
图4为本发明提供的特征AdaBoost集成提升模式示意图；
图5为本发明提供的多头自注意力水体总磷浓度反演模块示意图；
图6为本发明实施例提供的在测试样本中水体总磷浓度反演结果散点图；
图7为本发明提供的基于高光谱数据的水体总磷浓度反演装置结构示意图；
图8为本发明提供的基于高光谱数据的水体总磷浓度反演装置中数据获取模块的结构示意图；
图9是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
下面结合图1~图9描述本发明的具体实施例。
图1为本发明提供的一种基于高光谱数据的水体总磷浓度反演方法流程图，如图1所示，基于高光谱数据的水体总磷浓度反演方法包括：
S100、获取待检测水体高光谱数据，并进行预处理；
S110、采用变分自编码器对预处理后的水体高光谱数据进行特征提取；
S120、基于提取的水体高光谱数据特征，训练预定数量的基学习器模型，所述基学习器模型预先建立；使用AdaBoost算法对所述预定数量的基学习器模型进行集成，得到基学习器模型输出的水体高光谱数据特征预测结果，采用加权平均法对所述水体高光谱数据特征预测结果进行集成提升，得到集成提升后的水体高光谱数据特征；
S130、基于自注意力机制，对集成提升后的水体高光谱数据特征进行加权，基于加权后的高光谱数据特征，使用多层感知机作为反演模型进行水体总磷浓度的反演计算，得到待检测水体总磷浓度。
下面对上述步骤分别作详细说明：
S100、获取待检测水体高光谱数据，并进行预处理；
具体地，获取待检测水体高光谱数据，范围涵盖多种类型的水域（如湖泊、河流、水库等）、不同季节（春、夏、秋、冬）、不同天气条件（晴天、阴天、雨天等）以及不同时间段（如早晨、中午、傍晚等），以获取大量丰富的数据样本。本实施例利用一种浮标式光谱仪水质检测系统，来获取水域的高光谱反射率数据，所述水质检测系统由微型智能光谱仪、固定浮标和水质数据云服务平台组成，通过云平台进行光谱仪的控制和数据传输，光谱仪的测量范围在400 nm至1000 nm之间，共计303个波段，使用太阳能和充电电池作为电源，可在良好的日照条件下连续工作超过三个月，适用于各种水域类型，如河流、湖泊和池塘等。所述水质检测系统能够自动获取各种水质参数，并支持实时数据传输、云数据存储和在线分析，用户可以通过屏幕、平板电脑和移动终端实时查看水质数据。为了测量水体总磷浓度，本实施例在每个采样点使用容量为500 mL的容器收集水样。水样需在低温箱中储存，以保持其稳定性。在采集水样后的12小时内，使用测量精度为0.01 mg/L的分光光度计对水样进行化学分析，测量总磷含量。通过向水样中加入5 mL二氢磷酸钾并在150°C下加热消化30分钟，以测量总磷含量。本实施例共采集45条有效样本，表1为本发明实施例45条有效样本高光谱反射率及水体总磷浓度描述性统计量。
表1 实施例45条有效样本高光谱反射率及水体总磷浓度描述性统计量
Figure SMS_1
进一步地，对获取的待检测水体高光谱数据进行预处理，所述预处理包括噪声去除、基线校正和波长对准，具体包括如下步骤：
步骤一、噪声去除
使用平均滤波器消除高斯噪声，将所采集原始高光谱信号记述为
Figure SMS_2
，设置平均滤波器窗口大小为/>
Figure SMS_3
，计算平滑后高光谱信号
Figure SMS_4
，具体地，计算公式为：
Figure SMS_5
；
其中，
Figure SMS_6
。
其次，采用中值滤波器去除椒盐噪声，从而提高光谱数据的信噪比。
步骤二、基线校正
基线校正用于消除光谱强度因反射、透过和散射引起的偏差，提高数据的准确性。
具体地，使用多项式拟合方法对基线进行校正。在噪声去除平滑后的高光谱信号可能存在高光谱设备基准偏差，为消除偏差，在本实施例中首先选择5个基线点，然后使用三次多项式对其进行拟合，从而完成背景光谱建模，然后通过拟合背景光谱和原始光谱之间的差异来实现基线校正。通过基线校正，消除了光谱强度因反射、透射和散射引起的偏差，提高数据的准确性。
步骤三、波长对准
为了使不同水质高光谱数据在波长尺度上保持一致，方便后续的特征提取和反演计算，需要对特征数据进行波长对准。
具体地，采用线性插值法对波长进行对准，设有两个不同高光谱数据的波长序列
Figure SMS_8
和/>
Figure SMS_11
，通过对/>
Figure SMS_13
进行线性插值，将其映射到与/>
Figure SMS_9
相同的波长尺度。具体而言，对于任意波长/>
Figure SMS_10
，找到在/>
Figure SMS_12
中的最接近的两个波长/>
Figure SMS_14
和/>
Figure SMS_7
，然后根据以下公式进行线性插值：
Figure SMS_15
；
其中
Figure SMS_17
为/>
Figure SMS_21
中波长/>
Figure SMS_24
对应的光谱值，/>
Figure SMS_18
和/>
Figure SMS_20
分别为/>
Figure SMS_23
中波长/>
Figure SMS_25
和/>
Figure SMS_16
对应的光谱值。这样，我们得到了一个与/>
Figure SMS_19
具有相同波长尺度的新光谱信号序列/>
Figure SMS_22
。
通过波长对准，不同水质高光谱数据在波长尺度上保持一致，方便后续的特征提取和反演计算。
本发明通过对待检测水体高光谱数据进行预处理，有效减少噪声的影响，提高数据质量和准确性，并为后续的特征提取、反演计算提供准确的数据输入。在本发明实施例中，通过对水质高光谱数据进行噪声去除、基线校正和波长对准等预处理操作，有效地降低了噪声对数据的影响，提高数据质量和准确性。通过这种方法，为后续的特征提取和反演计算创造了更可靠的基础，从而有助于更准确地评估和监测水质状况，也使得本发明提供的方法可适应于各种类型的水域、季节、天气条件和时间段，进一步增强了其在实际应用中的适用性和可靠性。
S110、采用变分自编码器对预处理后的水体高光谱数据进行特征提取；
具体地，本发明通过变分自编码器（VAE）对预处理后的水质高光谱数据进行特征提取，图2为本发明实施例提供的变分自编码器特征编码模块结构示意图。如图2所示，所述变分自编码器（VAE）采用三层卷积神经网络（CNN）结构，其中每层卷积神经网络结构包含多个一维卷积层、池化层、批归一化层和输出层，所述输出层根据需要可设置为扁平化层、全连接层或其他功能层，以提取数据的高层次特征。
一维卷积层的运算可表示为：
Figure SMS_26
；
其中，
Figure SMS_27
是输出特征序列的值，/>
Figure SMS_28
是输入特征序列的值，/>
Figure SMS_29
是一维卷积核权重，/>
Figure SMS_30
是偏置项，/>
Figure SMS_31
是激活函数，/>
Figure SMS_32
是一维卷积核的大小。
最大池化层的运算公式为：
Figure SMS_33
；
其中，
Figure SMS_34
是输出特征序列的值，/>
Figure SMS_35
是输入特征序列的值，/>
Figure SMS_36
是池化窗口的大小，/>
Figure SMS_37
是池化的步长。
在本发明实施例特征提取过程中，卷积神经网络结构可自动学习水质高光谱数据的局部特征，并且捕捉到水质参数之间的相互关系，从而在对预处理后的水体高光谱数据进行特征提取的同时，考虑水质参数的潜在表示。
针对潜在表示，本发明利用变分自编码器（VAE）的规则，对潜在表示进行约束，使其服从高斯分布，从而得到具有更好的结构和区分性的潜在表示，有利于提高模型的泛化能力和减少过拟合的风险，减少数据中的冗余信息，并为后续的反演计算提供更有效的特征表示。所述特征提取方法还可以针对不同水质参数进行优化和调整，以满足不同水质监测需求。设编码器网络输出的均值向量为
Figure SMS_38
和方差向量为/>
Figure SMS_39
，则我们可以从高斯分布
Figure SMS_40
中采样潜在变量/>
Figure SMS_41
，其中，/>
Figure SMS_42
为编码器网络输出的单位矩阵，/>
Figure SMS_43
表示在给定样本/>
Figure SMS_44
的条件下潜在变量z的条件概率分布函数。
在本发明实施例中，变分自编码器模块超参数的具体描述及赋值如表2所示。
表2 变分自编码器模块超参数的具体描述及赋值
Figure SMS_45
在本发明实施例中，变分自编码器的引入，使得潜在表示具有更好的结构和区分性，有利于提高模型的泛化能力和减少过拟合的风险。因此，所述特征提取可以针对不同水质参数进行优化和调整，以满足不同水质监测需求。
在本发明实施例中，使用最小化重构误差和KL散度（Kullback–Leiblerdivergence）优化VAE模块。重构误差通过比较输入
Figure SMS_46
和解码器输出/>
Figure SMS_47
的差异来计算。KL散度用于衡量编码器输出的潜在分布与标准高斯分布之间的相似性。
在本实施例中，损失函数定义为：
Figure SMS_48
；
其中，
Figure SMS_49
表示KL散度，/>
Figure SMS_50
是解码器的输出分布，/>
Figure SMS_51
表示无约束条件下潜在变量/>
Figure SMS_52
的概率分布函数。在训练过程中，通过优化损失函数/>
Figure SMS_53
，能够调整编码器和解码器的参数以更好地重构输入数据并约束潜在表示。
本实施例还使用Adam优化器对VAE模块进行优化，具体地，Adam优化器实施过程如下：
计算梯度：
Figure SMS_54
；
更新一阶矩估计：
Figure SMS_55
；
更新二阶矩估计：
Figure SMS_56
；
对一阶矩估计进行偏差修正：
Figure SMS_57
；
对二阶矩估计进行偏差修正：
Figure SMS_58
；
更新参数：
Figure SMS_59
；
其中，
Figure SMS_62
是模型参数，/>
Figure SMS_67
是在时间步/>
Figure SMS_69
的损失函数，/>
Figure SMS_63
是梯度，/>
Figure SMS_66
和/>
Figure SMS_71
分别是一阶矩和二阶矩的估计，/>
Figure SMS_73
和/>
Figure SMS_60
是修正后的一阶矩和二阶矩，/>
Figure SMS_64
是学习率，/>
Figure SMS_68
和/>
Figure SMS_72
是一阶矩和二阶矩的衰减因子，/>
Figure SMS_61
和/>
Figure SMS_65
是修正后的一阶矩及二阶矩的衰减因子，/>
Figure SMS_70
是平滑项，用于防止除以零。
在本实施例中，所述超参数数值设置为：学习率
Figure SMS_74
；一阶矩衰减因子
Figure SMS_75
；二阶矩衰减因子/>
Figure SMS_76
；平滑项/>
Figure SMS_77
。图3为本发明提供的变分自编码器模块训练损失函数变化曲线图，按照本实施例配置进行VAE模块训练，所得损失函数变化曲线如图3所示。
本发明实施例提供的方法，不仅实现了高光谱数据的自动特征提取和建模，还通过机器学习增强和集成学习提高了反演模型的预测精度和稳定性。
S120、基于提取的水体高光谱数据特征，训练预定数量的基学习器模型，所述基学习器模型预先建立；使用AdaBoost算法对所述预定数量的基学习器模型进行集成，得到基学习器模型输出的水体高光谱数据特征预测结果，采用加权平均法对所述水体高光谱数据特征预测结果进行集成提升，得到集成提升后的水体高光谱数据特征；
具体地，预先建立基学习器模型，基于提取的水体高光谱数据特征，训练预定数量的基学习器模型。图4为本发明提供的特征AdaBoost集成提升模式示意图。如图4所示，使用AdaBoost算法对所述预定数量的基学习器模型进行集成，得到基学习器模型输出的水体高光谱数据特征预测结果，采用加权平均法对所述水体高光谱数据特征预测结果进行集成提升，得到集成提升后的水体高光谱数据特征，包括：
步骤一、特征归一化处理
基于标准化（Z-score）方法对特征进行归一化处理，具体公式为：
Figure SMS_78
；
其中，
Figure SMS_79
是归一化后的特征，/>
Figure SMS_80
是原始特征，/>
Figure SMS_81
是特征的均值，/>
Figure SMS_82
是特征的标准差。
步骤二、训练基学习器模型
选定支持向量机（SVM）作为基学习器模型，采用径向基核函数（RBF），其中核函数计算公式为：
Figure SMS_83
；
其中，
Figure SMS_84
是核函数，/>
Figure SMS_85
和/>
Figure SMS_86
是两个样本点所对应的归一化的特征向量，/>
Figure SMS_87
是径向基核函数的超参数。
步骤三、通过AdaBoost算法对多个基学习器进行集成，以提高反演模型的泛化能力和稳定性。
AdaBoost算法更新权重的公式为：
Figure SMS_88
；
其中，
Figure SMS_91
是第/>
Figure SMS_93
轮的样本权重，/>
Figure SMS_97
是第/>
Figure SMS_90
轮的样本权重，/>
Figure SMS_94
是第/>
Figure SMS_96
轮的基学习器权重，/>
Figure SMS_99
是样本/>
Figure SMS_89
的真实标签，/>
Figure SMS_92
是第/>
Figure SMS_95
轮基学习器的光谱特征集成结果，
Figure SMS_98
是归一化因子。
步骤四、通过加权平均法对多个基学习器针对高光谱数据特征的预测结果进行加权平均，得到最终的高光谱多结构集成提升后数据特征输出结果：
Figure SMS_100
；
其中，
Figure SMS_101
是最终光谱特征集成结果，/>
Figure SMS_102
是基学习器的数量，/>
Figure SMS_103
是第/>
Figure SMS_104
轮的基学习器权重，/>
Figure SMS_105
是第/>
Figure SMS_106
轮基学习器的光谱特征集成结果。
本实施例使用KL散度（Kullback–Leibler divergence）、JS散度（Jensen–Shannondivergence）、Hellinger散度以及Wasserstein距离（Earth Mover's Distance）对集成提升前后的高光谱特征有效性进行度量。具体地，KL散度是一个非对称的指标，用于衡量两个概率分布之间的差异性。KL散度越小，说明两个分布越接近。在本实施例中，KL散度用于衡量集成前后的特征分布差异程度。
KL散度的计算公式如下：
Figure SMS_107
；
其中
Figure SMS_108
和/>
Figure SMS_109
表示两个概率分布，/>
Figure SMS_110
表示分布中的某一个元素。JS散度是KL散度的对称版本，用于衡量两个概率分布之间的差异性。JS散度的值范围在0到1之间，越接近0说明两个分布越接近。
JS散度的计算公式如下：
Figure SMS_111
；
其中，
Figure SMS_112
。
Hellinger散度是另一种衡量概率分布差异性的指标，它是对称的，范围在0到1之间。
Hellinger散度的公式如下：
Figure SMS_113
；
其中
Figure SMS_114
和/>
Figure SMS_115
分别表示两个概率分布在第/>
Figure SMS_116
个元素上的概率值。Wasserstein距离是一种度量两个概率分布差异性的指标，它衡量将一个概率分布转化成另一个概率分布所需要的最小成本。在本实施例中，Wasserstein距离用于衡量集成前后的特征分布差异程度。
Wasserstein距离的计算公式如下：
Figure SMS_117
；
其中
Figure SMS_120
表示一个正整数，/>
Figure SMS_122
表示所有以/>
Figure SMS_124
和/>
Figure SMS_118
为边缘分布的联合分布的集合，/>
Figure SMS_123
分别表示从概率分布/>
Figure SMS_125
和/>
Figure SMS_127
中采样的随机变量，/>
Figure SMS_119
表示积分变量，/>
Figure SMS_121
代表/>
Figure SMS_126
集合中的任意分布函数。
表3展示了本示例所提供的高光谱特征集成提升前特征有效性评价指标数值。
表3 集成提升前后光谱特征有效性评价指标
Figure SMS_128
通过对比集成提升前后的各个评估指标，可以得出以下结论：在KL散度和JS散度指标下，集成学习前后的效果都有所提升，其中KL散度由0.03459下降至0.03363，JS散度由0.00647下降至0.00626，说明集成学习可以更好地保留原始数据中的信息，提高特征表示的质量。在Hellinger散度指标下，集成学习前后的效果相对稳定，没有明显变化。在Wasserstein距离指标下，集成学习前后的效果也有所提升，距离由0.04413下降至0.04294，说明集成学习能够更好地保持原始数据的分布特征，提高反演计算的精度和稳定性。在综合指标评定下，本发明提供的光谱特征集成方法能够对变分自编码器所提取的特征进一步进行增强，具有更强的光谱表征能力。
本发明提供的特征集成提升方法，不仅实现了高光谱数据的自动特征提取，还通过机器增强学习和集成学习提高了反演模型的预测精度和稳定性。在环境监测、水资源管理、生态保护等领域具有广泛的应用价值，有助于推动水环境质量的改善和水资源的可持续利用。
S130、基于自注意力机制，对集成提升后的水体高光谱数据特征进行加权，基于加权后的高光谱数据特征，使用多层感知机作为反演模型进行水体总磷浓度的反演计算，得到待检测水体总磷浓度。
在本发明实施例中，使用多头自注意力机制和残差连接对集成提升后的水体高光谱数据特征进行加权。图5为本发明提供的多头自注意力机制模块示意图。如图5所示，使用经过集成提升得到的高光谱特征作为输入，具体步骤如下：
步骤一、使用线性变换将特征向量映射为查询向量（q）、键向量（k）和值向量（v）：
Figure SMS_129
；
其中，
Figure SMS_130
和/>
Figure SMS_131
是权重矩阵，/>
Figure SMS_132
和/>
Figure SMS_133
是偏置项。
步骤二、使用点积注意力机制计算每个特征向量与其他特征向量之间的相关度，得到权重矩阵：
Figure SMS_134
；
其中，
Figure SMS_135
是权重矩阵，/>
Figure SMS_136
是特征向量的维度。
步骤三、将加权特征向量与原始特征向量相加，得到最终的特征表示：
Figure SMS_137
；
其中，
Figure SMS_138
是最终的特征表示，/>
Figure SMS_139
是权重矩阵，/>
Figure SMS_140
是值向量，/>
Figure SMS_141
是原始特征向量。
步骤四、使用多层感知机作为反演模型进行水体总磷浓度的反演计算，得到待检测水体总磷浓度。所述多层感知机采用两层全连接层和一个输出层，其中，每层全连接层包含批量归一化层和ReLU激活函数，所述输出层采用线性激活函数。
在本实施例中，使用双线性层进行最终水体总磷浓度反演，具体的计算公式为：
Figure SMS_142
；
其中，
Figure SMS_143
是预测的水体总磷浓度，/>
Figure SMS_144
是第/>
Figure SMS_145
层的激活函数，/>
Figure SMS_146
和 />
Figure SMS_147
是第/>
Figure SMS_148
层的权重矩阵和偏置项，/>
Figure SMS_149
。/>
同时，为了进一步提高反演精度和稳定性，步骤S110~S130可以重复进行多次，在实际运行过程中，也可根据具体实施需要省略其中某些子步骤，但需要保持子步骤之间逻辑顺序一致。
本发明提供的自注意力机制水体总磷浓度反演方法，实现了特征表示的有效加权处理，揭示特征之间的关联性和重要性。在实施过程中，多层感知机（MLP）作为反演模型，具有较强的拟合能力，可处理复杂的非线性关系；通过数据集的训练和测试，以及交叉验证方法，实现了对反演模型参数的有效调整，提高预测精度，在环境监测、水资源管理、生态保护等领域具有广泛的应用价值，有助于推动水环境质量的改善和水资源的可持续利用。
本实施例中，使用均方误差（Mean Squared Error，MSE）、均方根误差（Root MeanSquared Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）、平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）、决定系数（Coefficient of Determination，R2）对最终水体总磷反演精度进行评估。
MSE是衡量预测值与真实值差异的一种指标，计算方式为预测值与真实值差值的平方和的平均值，计算公式为：
Figure SMS_150
；
其中
Figure SMS_151
为真实值，/>
Figure SMS_152
为预测值，/>
Figure SMS_153
为样本数量。
RMSE是均方误差的平方根，它对误差的量级有一定的缩放作用，因此更直观地反映了预测值与真实值之间的偏差程度，计算公式为：
Figure SMS_154
；
其中
Figure SMS_155
为真实值，/>
Figure SMS_156
为预测值，/>
Figure SMS_157
为样本数量。
MAE是衡量预测值与真实值差异的一种指标，计算方式为预测值与真实值差值的绝对值之和的平均值，计算公式为：
Figure SMS_158
；
其中
Figure SMS_159
为真实值，/>
Figure SMS_160
为预测值，/>
Figure SMS_161
为样本数量。
MAPE是衡量预测值与真实值相对误差的一种指标，计算方式为预测值与真实值相对误差的绝对值之和除以真实值的平均值，以百分数表示，计算公式为：
Figure SMS_162
；
其中
Figure SMS_163
为真实值，/>
Figure SMS_164
为预测值，/>
Figure SMS_165
为样本数量。/>
Figure SMS_166
是用来描述预测模型拟合数据的程度，其取值范围为0到1，越接近1表示模型的预测效果越好。计算方式为预测值与真实值之间的协方差除以预测值和真实值标准差的乘积的平方，具体公式为：
Figure SMS_167
；
其中
Figure SMS_168
为真实值，/>
Figure SMS_169
为预测值，/>
Figure SMS_170
为样本数量。
图6给出了本发明的实施例在测试样本中水体总磷浓度反演结果散点图，具体地，MSE为0.00571、RMSE为0.07556、MAE为0.05920、MAPE为12.42582%、
Figure SMS_171
为0.76260，表明本发明能够有效完成高光谱水体总磷浓度反演，取得优良反演精度。
本发明的自注意力机制水体总磷浓度反演方法，实现了特征表示的有效加权处理，揭示特征之间的关联性和重要性。在实施过程中，多层感知机（MLP）作为反演模型，具有较强的拟合能力，可处理复杂的非线性关系；通过数据集的训练和测试，以及交叉验证方法，实现了对反演模型参数的有效调整，提高预测精度。
本发明提供的一种基于高光谱数据的水体总磷浓度反演方法，适用于对不同水域、不同季节、不同天气、不同时间的水体总磷浓度进行反演，可广泛应用于环境监测、水资源管理、生态保护等领域，有助于促进水环境质量的改善和水资源的可持续利用。
本发明还提供了一种基于高光谱数据的水体总磷浓度反演装置，与上文描述的基于高光谱数据的水体总磷浓度反演方法可以相互对应参照。
图7是本发明提供的基于高光谱数据的水体总磷浓度反演装置的结构示意图，如图7所示，本发明实施例提供的基于高光谱数据的水体总磷浓度反演装置包括：
数据获取模块710，用于获取待检测水体高光谱数据，并进行预处理；
特征提取模块720，用于采用变分自编码器对预处理后的水体高光谱数据进行特征提取；
数据集成提升模块730，用于基于提取的水体高光谱数据特征，训练预定数量的基学习器模型，所述基学习器模型预先建立；使用AdaBoost算法对所述预定数量的基学习器模型进行集成，得到基学习器模型输出的水体高光谱数据特征预测结果，采用加权平均法对所述水体高光谱数据特征预测结果进行集成提升，得到集成提升后的水体高光谱数据特征；
反演模块740，用于基于自注意力机制，对集成提升后的水体高光谱数据特征进行加权，基于加权后的高光谱数据特征，使用多层感知机作为反演模型进行水体总磷浓度的反演计算，得到待检测水体总磷浓度。
图8是本发明提供的基于高光谱数据的水体总磷浓度反演装置中数据获取模块的结构示意图，如图8所示，本发明实施例提供的数据获取模块包括：
智能光谱仪810、用于获取水质参数；
固定浮标820、用于对所在水域的水文、水质和气象参数进行实时测量；
水质数据云服务平台830、用于进行光谱仪的控制和实时数据传输、云数据存储和在线分析获取的待测水体高光谱数据。
图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器910 (processor)、通信接口920 (Communications Interface)、存储器930 (memory)和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行基于高光谱数据的水体总磷浓度反演方法，该方法包括：获取待检测水体高光谱数据，并进行预处理；采用变分自编码器对预处理后的水体高光谱数据进行特征提取；基于提取的水体高光谱数据特征，训练预定数量的基学习器模型，所述基学习器模型预先建立；使用AdaBoost算法对所述预定数量的基学习器模型进行集成，得到基学习器模型输出的水体高光谱数据特征预测结果，采用加权平均法对所述水体高光谱数据特征预测结果进行集成提升，得到集成提升后的水体高光谱数据特征；基于自注意力机制，对集成提升后的水体高光谱数据特征进行加权，基于加权后的高光谱数据特征，使用多层感知机作为反演模型进行水体总磷浓度的反演计算，得到待检测水体总磷浓度。
此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、等各种可以存储程序代码的介质。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述基于高光谱数据的水体总磷浓度反演方法，该方法包括：获取待检测水体高光谱数据，并进行预处理；采用变分自编码器对预处理后的水体高光谱数据进行特征提取；基于提取的水体高光谱数据特征，训练预定数量的基学习器模型，所述基学习器模型预先建立；使用AdaBoost算法对所述预定数量的基学习器模型进行集成，得到基学习器模型输出的水体高光谱数据特征预测结果，采用加权平均法对所述水体高光谱数据特征预测结果进行集成提升，得到集成提升后的水体高光谱数据特征；基于自注意力机制，对集成提升后的水体高光谱数据特征进行加权，基于加权后的高光谱数据特征，使用多层感知机作为反演模型进行水体总磷浓度的反演计算，得到待检测水体总磷浓度。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于高光谱数据的水体总磷浓度反演方法，其特征在于，包括：
获取待检测水体高光谱数据，并进行预处理；
采用变分自编码器对预处理后的水体高光谱数据进行特征提取；
基于提取的水体高光谱数据特征，训练预定数量的基学习器模型，所述基学习器模型预先建立；使用AdaBoost算法对所述预定数量的基学习器模型进行集成，得到基学习器模型输出的水体高光谱数据特征预测结果，采用加权平均法对所述水体高光谱数据特征预测结果进行集成提升，得到集成提升后的水体高光谱数据特征；
基于自注意力机制，对集成提升后的水体高光谱数据特征进行加权，基于加权后的高光谱数据特征，使用多层感知机作为反演模型进行水体总磷浓度的反演计算，得到待检测水体总磷浓度。
2.根据权利要求1所述的基于高光谱数据的水体总磷浓度反演方法，其特征在于，所述变分自编码器采用三层卷积神经网络结构，其中每层卷积神经网络结构包含多个卷积层、池化层、批归一化层和一个输出层，所述输出层根据需要可设置为扁平化层或全连接层，输出层输出潜在表示，并约束潜在表示服从高斯分布，以提取数据的高层次特征。
3.根据权利要求1所述的基于高光谱数据的水体总磷浓度反演方法，其特征在于，所述基于自注意力机制，对集成提升后的水体高光谱数据特征进行加权，基于加权后的高光谱数据特征，使用多层感知机作为反演模型进行水体总磷浓度的反演计算，得到待检测水体总磷浓度，包括：
使用线性变换将集成提升后的高光谱数据特征向量映射为查询向量、键向量和值向量；
基于所述查询向量、键向量，使用点积注意力机制计算每个特征向量与其他特征向量之间的相关度，得到权重矩阵；
基于所述权重矩阵和值向量及预处理后的高光谱数据特征向量，得到加权后的高光谱数据特征向量；
基于加权后的特征向量，使用多层感知机作为反演模型进行水体总磷浓度的反演计算，得到水体总磷浓度，所述多层感知机采用两层全连接层和一个输出层，其中，每层全连接层包含批量归一化层和ReLU激活函数，所述输出层采用线性激活函数。
4.根据权利要求1所述的基于高光谱数据的水体总磷浓度反演方法，其特征在于，所述基学习器模型为支持向量机。
5.根据权利要求4所述的基于高光谱数据的水体总磷浓度反演方法，其特征在于，基学习器模型的核函数为径向基核函数。
6.根据权利要求1所述的基于高光谱数据的水体总磷浓度反演方法，其特征在于，所述预处理包括噪声去除、基线校正和波长对准。
7.一种基于高光谱数据的水体总磷浓度反演装置，其特征在于，所述装置包括：
数据获取模块，用于获取待检测水体高光谱数据，并进行预处理；
特征提取模块，用于采用变分自编码器对预处理后的水体高光谱数据进行特征提取；
数据集成提升模块，用于基于提取的水体高光谱数据特征，训练预定数量的基学习器模型，所述基学习器模型预先建立；使用AdaBoost算法对所述预定数量的基学习器模型进行集成，得到基学习器模型输出的水体高光谱数据特征预测结果，采用加权平均法对所述水体高光谱数据特征预测结果进行集成提升，得到集成提升后的水体高光谱数据特征；
反演模块，用于基于自注意力机制，对集成提升后的水体高光谱数据特征进行加权，基于加权后的高光谱数据特征，使用多层感知机作为反演模型进行水体总磷浓度的反演计算，得到待检测水体总磷浓度。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的基于高光谱数据的水体总磷浓度反演方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，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至6任一项所述的基于高光谱数据的水体总磷浓度反演方法。
CN202310561129.9A 2023-05-18 2023-05-18 一种基于高光谱数据的水体总磷浓度反演方法和装置 Active CN116306322B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310561129.9A CN116306322B (zh) 2023-05-18 2023-05-18 一种基于高光谱数据的水体总磷浓度反演方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310561129.9A CN116306322B (zh) 2023-05-18 2023-05-18 一种基于高光谱数据的水体总磷浓度反演方法和装置

Publications (2)

Publication Number Publication Date
CN116306322A true CN116306322A (zh) 2023-06-23
CN116306322B CN116306322B (zh) 2023-08-25

Family

ID=86830885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310561129.9A Active CN116306322B (zh) 2023-05-18 2023-05-18 一种基于高光谱数据的水体总磷浓度反演方法和装置

Country Status (1)

Country Link
CN (1) CN116306322B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910457A (zh) * 2023-09-13 2023-10-20 北京师范大学 一种基于区域的污染物反演方法和装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111539469A (zh) * 2020-04-20 2020-08-14 东南大学 一种基于视觉自注意力机制的弱监督细粒度图像识别方法
CN112763426A (zh) * 2020-12-23 2021-05-07 宁德卫星大数据科技有限公司 一种循环优化的高光谱大数据水质全天候动态监测方法
CN114112941A (zh) * 2021-12-14 2022-03-01 江苏省地质勘查技术院 基于支持向量回归的航空高光谱水体富营养化评价方法
CN114117220A (zh) * 2021-11-26 2022-03-01 东北大学 基于知识增强的深度强化学习交互式推荐系统及方法
CN114449276A (zh) * 2022-01-06 2022-05-06 北京工业大学 一种基于学习的超先验边信息补偿图像压缩方法
CN114755189A (zh) * 2022-04-01 2022-07-15 自然资源部国土卫星遥感应用中心 一种特征优选的自注意力机制高光谱卫星lai反演方法
CN115659954A (zh) * 2022-10-31 2023-01-31 北京工业大学 一种基于多阶段学习的作文自动评分方法
CN116011457A (zh) * 2022-12-08 2023-04-25 山东大学 一种基于数据增强及跨模态特征融合的情绪智能识别方法
CN116050621A (zh) * 2023-02-01 2023-05-02 昆明理工大学 一种集成提升模式的多头自注意力海上风电超短时功率预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111539469A (zh) * 2020-04-20 2020-08-14 东南大学 一种基于视觉自注意力机制的弱监督细粒度图像识别方法
CN112763426A (zh) * 2020-12-23 2021-05-07 宁德卫星大数据科技有限公司 一种循环优化的高光谱大数据水质全天候动态监测方法
CN114117220A (zh) * 2021-11-26 2022-03-01 东北大学 基于知识增强的深度强化学习交互式推荐系统及方法
CN114112941A (zh) * 2021-12-14 2022-03-01 江苏省地质勘查技术院 基于支持向量回归的航空高光谱水体富营养化评价方法
CN114449276A (zh) * 2022-01-06 2022-05-06 北京工业大学 一种基于学习的超先验边信息补偿图像压缩方法
CN114755189A (zh) * 2022-04-01 2022-07-15 自然资源部国土卫星遥感应用中心 一种特征优选的自注意力机制高光谱卫星lai反演方法
CN115659954A (zh) * 2022-10-31 2023-01-31 北京工业大学 一种基于多阶段学习的作文自动评分方法
CN116011457A (zh) * 2022-12-08 2023-04-25 山东大学 一种基于数据增强及跨模态特征融合的情绪智能识别方法
CN116050621A (zh) * 2023-02-01 2023-05-02 昆明理工大学 一种集成提升模式的多头自注意力海上风电超短时功率预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910457A (zh) * 2023-09-13 2023-10-20 北京师范大学 一种基于区域的污染物反演方法和装置
CN116910457B (zh) * 2023-09-13 2023-12-08 北京师范大学 一种基于区域的污染物反演方法和装置

Also Published As

Publication number Publication date
CN116306322B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN116306322B (zh) 一种基于高光谱数据的水体总磷浓度反演方法和装置
CN113408742B (zh) 一种基于机器学习的高精度海表温度反演方法
CN111160268A (zh) 一种基于多任务学习的多角度sar目标识别方法
CN113392931A (zh) 基于自监督学习及多任务学习的高光谱开放集分类方法
CN115423163A (zh) 一种流域短期洪水事件预测方法、装置及终端设备
CN114363195A (zh) 面向时间和频谱残差卷积网络的网络流量预测预警方法
Huang et al. A 3D ConvLSTM-CNN network based on multi-channel color extraction for ultra-short-term solar irradiance forecasting
CN116343046A (zh) 基于自优化机器学习的多源遥感城市河流水质监测方法
CN113378476B (zh) 一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法
CN114676622A (zh) 基于自编码器深度学习模型的短期光伏功率预测方法
CN116863341B (zh) 基于时间序列卫星遥感影像的作物分类和识别方法和系统
Zhong et al. Multi-factor intensity estimation for tropical cyclones in the western North Pacific based on the deviation angle variance technique
CN117520784A (zh) 基于卷积注意力长短期神经网络的地下水位多步预测方法
CN117113202A (zh) 基于联合误差堆叠模型的电力回路能耗检测方法及设备
CN116885697A (zh) 一种基于聚类分析与智能算法组合的负荷预测方法
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
CN113151842B (zh) 风光互补电解水制氢的转化效率的确定方法和确定装置
CN115330050A (zh) 一种基于混合模型的建筑物负荷预测方法
CN114399101A (zh) 基于tcn-bigru的燃气负荷预测方法和装置
Ma et al. Anomaly Detection of Mountain Photovoltaic Power Plant Based on Spectral Clustering
CN116754499B (zh) 多拓扑节点高光谱水质参数联合反演方法及相关设备
CN117315497B (zh) 一种大范围河湖总磷含量遥感产品生成方法和系统
US12007324B2 (en) Systems and methods for pH sensing in fluids
CN115907118A (zh) 基于耦合特征矩阵时序片段分析的综合负荷短期预测方法
CN118261707A (zh) 结售汇汇率预测方法、装置、存储介质和电子设备

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