CN116911183A - 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质 - Google Patents
岩溶湿地水体叶绿素a反演的方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116911183A CN116911183A CN202310854780.5A CN202310854780A CN116911183A CN 116911183 A CN116911183 A CN 116911183A CN 202310854780 A CN202310854780 A CN 202310854780A CN 116911183 A CN116911183 A CN 116911183A
- Authority
- CN
- China
- Prior art keywords
- chlorophyll
- inversion
- data
- water body
- inversion model
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 244
- 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 177
- 229930002868 chlorophyll a Natural products 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000003595 spectral effect Effects 0.000 claims abstract description 96
- 238000001228 spectrum Methods 0.000 claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000013526 transfer learning Methods 0.000 claims abstract description 20
- 230000010354 integration Effects 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims description 81
- 230000009467 reduction Effects 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 18
- 238000010219 correlation analysis Methods 0.000 claims description 17
- 238000012417 linear regression Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 229930002875 chlorophyll Natural products 0.000 claims description 10
- 235000019804 chlorophyll Nutrition 0.000 claims description 10
- 239000012153 distilled water Substances 0.000 claims description 9
- 239000013535 sea water Substances 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001351 cycling effect Effects 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 8
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 abstract description 2
- 229910052791 calcium Inorganic materials 0.000 abstract description 2
- 239000011575 calcium Substances 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013508 migration Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 230000005012 migration Effects 0.000 description 5
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Astronomy & Astrophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出了岩溶湿地水体叶绿素a反演的方法、系统、设备及介质,涉及水体环境监测领域。其包括:多种遥感影像、实测水体光谱和水体水质参数的获取;岩溶湿地水体特征计算,生成高维数据集;岩溶湿地水体特征优选和数据降维;富钙偏碱性岩溶湿地水体光谱特性分析;岩溶湿地水体叶绿素a的遥感反演敏感光谱特征分析;构建单一传感器的叶绿素a反演模型;构建多传感器加权整合数据的叶绿素a反演模型;构建基于多传感器迁移学习的叶绿素a反演模型;以及评估多传感器、多平台岩溶湿地水体叶绿素a浓度的反演精度。其通过最终得到的每个反演模型的估算精度,便于进行选择合适的反演模型,以至于快速、准确的实现岩溶湿地水体叶绿素a浓度反演。
Description
技术领域
本发明涉及水体环境监测领域,具体而言,涉及岩溶湿地水体叶绿素a反演的方法、系统、设备及介质。
背景技术
水体作为湿地的重要组成部分,其水质状况与生态系统健康和生物多样性密不可分。叶绿素a浓度是衡量水体初级生产力和营养状态的核心水质参数之一,且对水质污染变化异常敏感。因此,探明岩溶河流、湖泊水体叶绿素a浓度及其时空变化对于岩溶湿地水质乃至其生态系统的保护具有重要意义。
传统地面量测叶绿素a浓度耗时费力,难以实现大尺度、空间化、时效性监测,遥感技术获取水体叶绿素a浓度虽具有空间连续观测和可长时序动态监测等优点,但岩溶湿地水体光学特性复杂多变,高浓度悬浮物和黄色物质的干扰使得叶绿素a浓度遥感监测充满诸多挑战。也就是说,亟需一种快速、稳定和高精度的岩溶湿地水质监测方法。
发明内容
本发明的目的在于提供一种岩溶湿地水体叶绿素a反演的方法、系统、设备及介质,其能够快速、准确的实现岩溶湿地水体叶绿素a浓度反演。
本发明是这样实现的:
第一方面,本申请提供一种岩溶湿地水体叶绿素a反演的方法,包括以下步骤:
步骤S101:获取目标水体的遥感影像数据、目标水体的对应采样点的高光谱测量结果数据、目标水体的水中叶绿素a的实测浓度值,上述遥感影像信息包括UAV多光谱影像和Planet多光谱影像。步骤S102:对符合预定波长范围要求的上述高光谱测量结果数据进行特征提取,得到对应的多种光谱特征;以及基于上述遥感影像数据计算传统水体指数、原始波段和波段组合,得到对应的多个特征波段组合。步骤S103:对上述光谱特征与上述实测浓度值进行波段相关分析,并基于分析结果对上述光谱特征进行特征优选,并根据特征优选的结果构建第一特征数据集;以及对上述特征波段组合与上述实测浓度值进行波段相关分析,并基于分析结果对上述光谱特征进行数据降维,并根据数据降维的处理结果构建第二特征数据集。步骤S104:对比目标水体与ENVI光谱库中的蒸馏水、含有叶绿素的沿岸海水,以及获取的内陆水体的光谱曲线,解析得到目标波长范围内的目标水体光谱反射特性。步骤S105:挑选光谱特征与实测浓度值的最大相关系数上述对应的光谱波段,并根据挑选的光谱波段作为最佳变量,构建目标水体的叶绿素a的一元线性回归反演模型,并评估该一元线性回归反演模型对目标水体的叶绿素a的反演精度。步骤S106:利用上述高光谱测量结果数据、上述第一特征数据集和上述实测浓度值,构建目标水体的叶绿素a的反演模型,得到第一反演模型集合,并估算不同平台光谱数据的反演精度。步骤S107:利用遥感影像信息和高光谱测量结果信息,以及第一特征数据集和第二特征数据集,生成两组特征数据集,用以构建多传感器加权整合数据的叶绿素a反演模型,得到第二反演模型集合。步骤S108:基于上述遥感影像数据和上述高光谱测量结果数据,进行构建迁移学习的叶绿素a反演模型,得到第三反演模型集合。步骤S109:利用决定系数和均方根误差作为评价标准,对第一反演模型集合、第二反演模型集合和第三反演模型集合中的每个反演模型进行精度估算,得到每个反演模型的估算精度。
进一步的,基于前述方案,上述对符合预定波长范围要求的上述高光谱测量结果数据进行特征提取,得到对应的多种光谱特征,包括:
选取400~1000nm范围的上述高光谱测量结果数据,从中提取出多种光谱特征,包括:原始光谱(R)、一阶导数(RFD)、二阶导数(RSD)、倒数对数(RTL)、倒数对数的一阶导数(RTLFD)、倒数对数的二阶导数(RTLSD)以及平方根(R1/2)。
进一步的,基于前述方案,上述对上述光谱特征与上述实测浓度值进行波段相关分析,包括:
基于公式计算得到上述光谱特征与上述实测浓度值之间的相关系数ρ(X,Y),其中,X表示光谱特征,Y表示实测浓度值;上述基于分析结果对上述光谱特征进行特征优选,包括:筛除相关系数小于0.5的光谱特征。
上述对上述特征波段组合与上述实测浓度值进行波段相关分析,并基于分析结果对上述光谱特征进行数据降维,包括:从多个特征波段组合中剔除与水体叶绿素a的低于第一相关性阈值的波段组合,并利用剩余的波段组合进行叶绿素a估算模型训练,根据模型训练的精度剔除高于第二相关性阈值的波段组合,并再次训练模型和进行相关性波段剔除,依次循环直到该模型具有预定的训练精度为止。
进一步的,基于前述方案,上述利用上述高光谱测量结果数据、上述第一特征数据集和上述实测浓度值,构建目标水体的叶绿素a的反演模型,包括:
基于公式Yi=β+β1X1+β2X2+…+βiXi,构建第一偏最小二乘模型进行定量评估上述遥感影像数据和上述高光谱测量结果数据对目标水体的叶绿素a的反演性能,其中,自变量Xi为第一特征数据集和第二特征数据集中对应的光谱特征,因变量Yi为目标水体的水中叶绿素a的实测浓度值,β是估算的加权回归系数,i是指对应的光谱特征。
进一步的,基于前述方案,上述构建迁移学习的叶绿素a反演模型,包括基于公式进行构建,其中DS表示源域,TS表示源域任务,DT表示目标域,DT表示目标域任务。
进一步的,基于前述方案,上述构建迁移学习的叶绿素a反演模型时,包括:将上述高光谱测量结果数据迁移到UAV平台,以及将上述高光谱测量结果数据和UAV多光谱影像迁移到星载Planet平台。
进一步的,基于前述方案,上述步骤S109包括:
利用公式分别对第一反演模型集合、第二反演模型集合和第三反演模型集合中的每个反演模型进行精度估算,其中,R2为决定系数,RMSE为均方根误差,n为样本数,ρi为采样点水样i的实测叶绿素a浓度值,ρi′是预测叶绿素a浓度值,/>是实测叶绿素a浓度平均值。
第二方面,本申请提供一种岩溶湿地水体叶绿素a反演的系统,其包括:
数据获取模块,被配置为:获取目标水体的遥感影像数据、目标水体的对应采样点的高光谱测量结果数据、目标水体的水中叶绿素a的实测浓度值,上述遥感影像信息包括UAV多光谱影像和Planet多光谱影像。特征计算模块,被配置为:对符合预定波长范围要求的上述高光谱测量结果数据进行特征提取,得到对应的多种光谱特征;以及基于上述遥感影像数据计算传统水体指数、原始波段和波段组合,得到对应的多个特征波段组合。特征预选模块,被配置为:对上述光谱特征与上述实测浓度值进行波段相关分析,并基于分析结果对上述光谱特征进行特征优选,并根据特征优选的结果构建第一特征数据集;以及对上述特征波段组合与上述实测浓度值进行波段相关分析,并基于分析结果对上述光谱特征进行数据降维,并根据数据降维的处理结果构建第二特征数据集。反射特性分析模块,被配置为:对比目标水体与ENVI光谱库中的蒸馏水、含有叶绿素的沿岸海水,以及获取的内陆水体的光谱曲线,解析得到目标波长范围内的目标水体光谱反射特性。敏感光谱分析模块,被配置为:挑选光谱特征与实测浓度值的最大相关系数上述对应的光谱波段,并根据挑选的光谱波段作为最佳变量,构建目标水体的叶绿素a的一元线性回归反演模型,并评估该一元线性回归反演模型对目标水体的叶绿素a的反演精度。单一传感器反演模块,被配置为:利用上述高光谱测量结果数据、上述第一特征数据集和上述实测浓度值,构建目标水体的叶绿素a的反演模型,得到第一反演模型集合,并估算不同平台光谱数据的反演精度。加权反演模块,被配置为:利用遥感影像信息和高光谱测量结果信息,以及第一特征数据集和第二特征数据集,生成两组特征数据集,用以构建多传感器加权整合数据的叶绿素a反演模型,得到第二反演模型集合。迁移学习反演模块,被配置为:基于上述遥感影像数据和上述高光谱测量结果数据,进行构建迁移学习的叶绿素a反演模型,得到第三反演模型集合。反演精度估算模块,被配置为:利用决定系数和均方根误差作为评价标准,对第一反演模型集合、第二反演模型集合和第三反演模型集合中的每个反演模型进行精度估算,得到每个反演模型的估算精度。
第三方面,本申请提供一种电子设备,包括至少一个处理器、至少一个存储器和数据总线;其中:上述处理器与上述存储器通过上述数据总线完成相互间的通信;上述存储器存储有被上述处理器执行的程序指令,上述处理器调用上述程序指令以执行如上述第一方面中任一项所述的方法。
第四方面,本申请提供一种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述第一方面中任一项上述的方法。
相对于现有技术,本发明至少具有如下优点或有益效果:
本发明提出了一种岩溶湿地水体叶绿素a反演的方法,通过联合不同传感器、不同平台数据,进行揭示岩溶湿地水体的光学响应特征和遥感反演水体叶绿素a的敏感特征波段,并进行两种多传感器整合策略和两种迁移学习框架,利用偏最小二乘算法和自适应集成算法进行估算岩溶湿地水体叶绿素a浓度。通过最终得到的每个反演模型的估算精度,便于进行选择合适的反演模型,从而进行快速、准确的实现岩溶湿地水体叶绿素a浓度反演。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明一种岩溶湿地水体叶绿素a反演的方法一实施例的流程图;
图2为本发明一种岩溶湿地水体叶绿素a反演的系统一实施例的结构框图;
图3为本发明实施例提供的一种电子设备的结构框图。
图标:1、数据获取模块;2、特征计算模块;3、特征预选模块;4、反射特性分析模块;5、敏感光谱分析模块;6、单一传感器反演模块;7、加权反演模块;8、迁移学习反演模块;9、反演精度估算模块;10、处理器;11、存储器;12、数据总线。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
已有研究证明遥感平台在水质参数估算方面扮演重要角色,成为水质参数时空监测的重要手段。地物光谱仪(ASD光谱仪)可以获取连续近水高光谱分辨率数据的工具,利于获取水质参数遥感反演的敏感波段进而提高水质参数估算精度,是解决目前岩溶湿地富钙偏碱水体反射光谱特性不清晰的重要手段。但是,这种方式只能获取点尺度水质信息,难以实现宏观尺度的水质估算。遥感影像具有空间和时间范围广、成本低的优势,能实现宏观尺度的水质参数估算。多种遥感影像被应用于水体水质参数的估算,但由于卫星影像易受云层干扰、受回访时间限制等缺点,仍限制了其在小型内陆水体中的应用。无人机(UAV)机动灵活、低成本、时空分辨率高且在云下操作,弥补了卫星遥感影像在小范围水体中的应用限制。但由于UAV续航能力有限,存在数据采集范围受限制,且易受影像阴影影响等缺陷。各种监测水质的遥感方法各有优缺,通过获取水体光谱遥感反演的敏感特征,定量评估不同遥感数据对岩溶湿地水体叶绿素a仍有待研究。
为了有效利用多源遥感数据的优势,联合多平台、多传感器的遥感影像监测水质参数变得越来越流行。已有部分学者通过整合不同数据源数据构建数据集,估算水体水质参数。但主要集中在实测数据与遥感影像数据的两两组合,缺少更为全面的整合数据。为了弥补以上研究空白,整合多平台、多传感器数据,构建岩溶湿地水体叶绿素a浓度估算模型,进而定量评估其估算精度方面仍值得探究。
对此,本申请实施例提供了一种岩溶湿地水体叶绿素a反演的方法,其联合不同数据源(ASD实测高光谱、UAV多光谱以及PlanetScope卫星),能够快速、准确的实现岩溶湿地水体叶绿素a浓度反演。
请参阅图1,该一种岩溶湿地水体叶绿素a反演的方法包括以下步骤:
步骤S101:获取目标水体的遥感影像数据、目标水体的对应采样点的高光谱测量结果数据、目标水体的水中叶绿素a的实测浓度值,上述遥感影像信息包括UAV多光谱影像和Planet多光谱影像。
其中,在获取遥感影像数据的时候,可以利用DJI Phantom 4Multispectral(P4M)获取目标水体的分辨率0.06m的无人机(UAV)多光谱影像,利用Pix4D mapper 4.7软件对获取的无人机图像进行处理,包括:影像质量检查、影像匹配、空三解算、生成密集点云、三维建模。使用ACOLITE提供的DSF(暗光谱拟合)对PlanetScope影像(简称Planet)进行大气校正,将影像表面反射率转化为离水反射率。利用ENVI 5.3对影像进行正射校正,在ArcMap10.8.1中进行地理配准。
在获取高光谱测量结果数据时,可以利用美国ASD FieldSpec 4便携式地物高光谱仪(波段范围为350~2500nm,间隔1nm,光谱的分辨率为25nm)通过表面法对采样点的水面进行光谱测量。
在获取目标水体的水中叶绿素a的实测浓度值时,可以将采样的冷藏水样运送到实验室进行叶绿素a浓度测定。水样通过0.45μm微孔滤膜过滤水样,使用9+1(900mL丙酮:100mL水)的丙酮经过研磨、浸泡、离心从水样中提取叶绿素a,通过分光光度法测定水中叶绿素a浓度。
步骤S102:对符合预定波长范围要求的上述高光谱测量结果数据进行特征提取,得到对应的多种光谱特征;以及基于上述遥感影像数据计算传统水体指数、原始波段和波段组合,得到对应的多个特征波段组合。
在本发明的一些实施例中,上述对符合预定波长范围要求的上述高光谱测量结果数据进行特征提取,得到对应的多种光谱特征,包括:选取400~1000nm范围的上述高光谱测量结果数据,从中提取出多种光谱特征,包括:原始光谱(R)、一阶导数(RFD)、二阶导数(RSD)、倒数对数(RTL)、倒数对数的一阶导数(RTLFD)、倒数对数的二阶导数(RTLSD)以及平方根(R1/2)。
为了减少噪声干扰,可以选取400~1000nm范围的ASD实测的水体高光谱数据,从中提取出7种光谱特征,包括:原始光谱(R)、一阶导数(RFD)、二阶导数(RSD)、倒数对数(RTL)、倒数对数的一阶导数(RTLFD)、倒数对数的二阶导数(RTLSD)以及平方根(R1/2)。组合光谱特征具体计算方法见公式1.1-1.5。
式中,λi是ASD高光谱数据中任意的波段,Rrs(λi)是对应波段的实测高光谱反射率值(目标水体的对应采样点的高光谱测量结果数据)。
可以利用UAV和Planet多光谱影像计算11个传统水体指数,原始波段,波段组合(双波段组合、3波段组合以及4波段组合),分别获取对应的特征波段组合。波段组合计算见公式1.6-1.12如下:
式中,DCI、RCI、CVI、NDCI分别表示四种水体组合波段计算方式,λ1、λ2、λ3、λ4分别是UAV、Planet影像中的任意波段,Rrs(λ1)、Rrs(λ2)、Rrs(λ3)、Rrs(λ4)分别是λ1、λ2、λ3、λ4对应波段的反射率值。
步骤S103:对上述光谱特征与上述实测浓度值进行波段相关分析,并基于分析结果对上述光谱特征进行特征优选,并根据特征优选的结果构建第一特征数据集;以及对上述特征波段组合与上述实测浓度值进行波段相关分析,并基于分析结果对上述光谱特征进行数据降维,并根据数据降维的处理结果构建第二特征数据集。
为了提高水质参数的估算精度,上述步骤中对光谱特征进行特征优选,以及对遥感影像特征数据集(特征波段组合)进行数据降维。在本发明的一些实施例中,上述对上述光谱特征与上述实测浓度值进行波段相关分析,包括基于公式
计算得到上述光谱特征与上述实测浓度值之间的相关系数ρ(X,Y),其中,X表示光谱特征,Y表示实测浓度值;上述基于分析结果对上述光谱特征进行特征优选,包括:筛除相关系数小于0.5的光谱特征。依次对筛选出的光谱特征进行高相关剔除,获取水体叶绿素a的敏感光谱特征,用以生成最优特征数据集(即第一特征数据集)。
上述对上述特征波段组合与上述实测浓度值进行波段相关分析,并基于分析结果对上述光谱特征进行数据降维,包括:从多个特征波段组合中剔除与水体叶绿素a的低于第一相关性阈值的波段组合,并利用剩余的波段组合进行叶绿素a估算模型训练,根据模型训练的精度剔除高于第二相关性阈值的波段组合,并再次训练模型和进行相关性波段剔除,依次循环直到该模型具有预定的训练精度为止。
具体地,对光谱特征进行数据降维的过程可以如下:
首先,利用Python中mcorr包对输入的训练数据集进行低相关剔除,相关系数设置为0.2,剔除与水体叶绿素a的低相关或无相关的波段。其次,对高维数据集进行正态分布检验,对不符合正态分布的数据集进行对数转换,确保各高维度数据集均符合正态分布。第三,利用剩余的波段进行叶绿素a估算模型训练,根据模型训练精度剔除高相关性波段,并再次训练模型和相关性波段剔除,依次循环直到模型具有较高的训练精度,最后检验模型估算的叶绿素值与实测值的残差,进一步移除异常的实测样本点,提高模型估算精度。最终确定用于估算水体叶绿素a的特征变量。
步骤S104:对比目标水体与ENVI光谱库中的蒸馏水、含有叶绿素的沿岸海水,以及获取的内陆水体的光谱曲线,解析得到目标波长范围内的目标水体光谱反射特性。
其中,可以定量分析400~1000nm范围内岩溶湿地水体光谱反射特性,对比岩溶湿地水体与ENVI光谱库中的蒸馏水、含有叶绿素的沿岸海水,以及获取的内陆水体的光谱曲线,解析岩溶湿地水体的特性。同时,定量分析岩溶湿地水体分别在相同叶绿素a浓度和不同叶绿素a浓度下的光谱反射率特征,分析岩溶湿地水体与叶绿素a浓度的相关性。
步骤S105:挑选光谱特征与实测浓度值的最大相关系数上述对应的光谱波段,并根据挑选的光谱波段作为最佳变量,构建目标水体的叶绿素a的一元线性回归反演模型,并评估该一元线性回归反演模型对目标水体的叶绿素a的反演精度。
为了消除噪声干扰,精准量化岩溶湿地水体叶绿素a的遥感反演敏感光谱特征。可以选取预处理后500~850nm的6种光谱特征数据进行分析,并计算每种光谱数据和水体叶绿素a的相关性系数,如公式1.13。分别挑选每种光谱特征与实测叶绿素a浓度的最大相关系数所对应的光谱波段,将其作为最佳变量构建了水体叶绿素a的一元线性回归反演模型,并评估该模型对岩溶湿地水体叶绿素a的反演精度。
步骤S106:利用上述高光谱测量结果数据、上述第一特征数据集和上述实测浓度值,构建目标水体的叶绿素a的反演模型,得到第一反演模型集合,并估算不同平台光谱数据的反演精度。
可以利用偏最小二乘算法,定量评估三种光谱数据对岩溶湿水体叶绿素a的反演性能,分别利用ASD实测的全谱段原位高光谱数据(目标水体的对应采样点的高光谱测量结果数据)、UAV多光谱影像和Planet多光谱影像经过变量优选后的特征数据集(也就是第一特征数据集和第二特征数据集),结合地面实测叶绿素a浓度(即目标水体的水中叶绿素a的实测浓度值),构建单一遥感平台的岩溶湿地水体叶绿素a反演模型,并估算不同平台光谱数据的反演精度差异。
其中,偏最小二乘模型作为一种常用多元回归模型,使用线性多元模型将多种水体光谱特征与叶绿素a浓度联系。偏最小二乘模型包括自变量矩阵X和因变量矩阵Y。从而,在本发明的一些实施例中,上述利用上述高光谱测量结果数据、上述第一特征数据集和上述实测浓度值,构建目标水体的叶绿素a的反演模型,包括基于公式
Yi=β+β1X1+β2X2+…+βiXi (1.14)
构建第一偏最小二乘模型进行定量评估上述遥感影像数据和上述高光谱测量结果数据对目标水体的叶绿素a的反演性能,其中,自变量Xi为第一特征数据集和第二特征数据集中对应的光谱特征,因变量Yi为目标水体的水中叶绿素a的实测浓度值,β是估算的加权回归系数,i是指对应的光谱特征。可以引入五折交叉验证以避免第一偏最小二乘模型的过度拟合,通过对误差进行加权平均得到交叉验证误差。
步骤S107:利用遥感影像信息和高光谱测量结果信息,以及第一特征数据集和第二特征数据集,生成两组特征数据集,用以构建多传感器加权整合数据的叶绿素a反演模型,得到第二反演模型集合。
为了进一步探究不同权重下,多传感器加权数据组合对岩溶湿水体叶绿素a反演精度的提升能力。可以通过以下两种多传感器加权组合策略来估算岩溶湿地水体叶绿素a的浓度。
(1)相同权重的多传感器组合。分别整合优选后ASD高光谱(第一特征数据集)、UAV多光谱特征(第二特征数据集),以及ASD高光谱、UAV多光谱影像和Planet多光谱影像的特征,生成两组特征数据集,利用构建的偏最小二乘模型,估算相同权重(均为1)整合数据对岩溶湿地水体叶绿素a的精度公式1.15-1.16如下:
S1=SASD+SUAV (1.15)
S2=SASD+SUAV+SPlanet (1.16)
式中,S表示反演模型的特征数据集,S1和S2分别表示两种不同的多传感器组合方式,SASD、SUAV、SPlanet分别表示优选后的ASD、UAV、Planet光谱特征。
(2)不同权重的多传感器组合。可以利用偏最小二乘模型,依据单一传感器反演精度,分别整合ASD高光谱、UAV多光谱以及ASD高光谱、UAV和Planet多光谱估算数据,对各光谱数据进行加权求和,估算不同权重的整合数据集对岩溶湿地水体叶绿素a的精度,具体权重范围为(0.1,1.0)。公式1.17-1.18如下:
C1=CASD*ω1+CUAV*ω2,(ω1≠ω2,ω∈(0,1)) (1.17)
C2=CASD*ω1+CUAV*ω2+CPlanet*ω3,(ω1≠ω2≠ω3,ω∈(0,1)) (1.18)
式中,C表示反演模型水体叶绿素a浓度的预测值,C1和C2分别表示两种不同的多传感器组合方式,CASD、CUAV、CPlanet分别ASD、UAV、Planet单一传感器反演模型对水体叶绿素a浓度的预测值。
步骤S108:基于上述遥感影像数据和上述高光谱测量结果数据,进行构建迁移学习的叶绿素a反演模型,得到第三反演模型集合。
在本发明的一些实施例中,上述构建迁移学习的叶绿素a反演模型,包括基于公式进行构建,其中DS表示源域,TS表示源域任务,DT表示目标域,TT表示目标域任务。
在本发明的一些实施例中,上述构建迁移学习的叶绿素a反演模型时,包括:将上述高光谱测量结果数据迁移到UAV平台,以及将上述高光谱测量结果数据和UAV多光谱影像迁移到星载Planet平台。
迁移学习中包含领域(Domain)和任务(Task)两个重要概念,其涉及的公式包括如下:
示例性地,可以将源域DS数据集中的所有样本作为预训练数据集,目标域DT中的样本按照四种训练测试比例(8:2、7:3、6:4、5:5)分别划分为训练集和测试集,进而估算岩溶湿地水体叶绿素a的浓度。具体包括:
(1)实测高光谱数据(即目标水体的对应采样点的高光谱测量结果数据)迁移到UAV平台。将获取的多个水样点实测高光谱数据以及同步的UAV多光谱影像作为源域数据集对应的实测叶绿素a浓度数据(即目标水体的水中叶绿素a的实测浓度值)作为源域任务/>迁移学习至目标域/>估算岩溶湿地水体叶绿素a的浓度。其公式1.21-1.22如下:
(2)实测高光谱数据和UAV多光谱影像迁移到星载Planet平台。将获取的多个水样点实测高光谱数据以及多个水样点的UAV多光谱影像作为源域数据集对应的实测叶绿素a浓度数据(即目标水体的水中叶绿素a的实测浓度值)作为源域任务迁移学习至目标域/>估算岩溶湿地水体叶绿素a的浓度。其公式1.23-1.24如下:
步骤S109:利用决定系数和均方根误差作为评价标准,对第一反演模型集合、第二反演模型集合和第三反演模型集合中的每个反演模型进行精度估算,得到每个反演模型的估算精度。
通过评估上述十五种岩溶湿地水体叶绿素a反演模型的估算精度,包括:三种单一传感器的叶绿素a反演模型(第一反演模型集合中的反演模型)、四种不同传感器加权组合的叶绿素a反演模型(第二反演模型集合中的反演模型)、以及八种不同迁移学习方法的叶绿素a反演模型(第三反演模型集合中的反演模型),从而可以得到每个反演模型的估算精度,以至于可以获取最适用于估算岩溶湿地水体叶绿素a浓度的反演模型。
其中,在本发明的一些实施例中,上述步骤S109包括:利用公式分别对第一反演模型集合、第二反演模型集合和第三反演模型集合中的每个反演模型进行精度估算,其中,R2为决定系数,RMSE为均方根误差,n为样本数,ρi为采样点水样i的实测叶绿素a浓度值,ρi′是预测叶绿素a浓度值,/>是实测叶绿素a浓度平均值。
实施例2
请参阅图2,本申请实施例提供了一种岩溶湿地水体叶绿素a反演的系统,其包括:
数据获取模块1,被配置为:获取目标水体的遥感影像数据、目标水体的对应采样点的高光谱测量结果数据、目标水体的水中叶绿素a的实测浓度值,上述遥感影像信息包括UAV多光谱影像和Planet多光谱影像。特征计算模块2,被配置为:对符合预定波长范围要求的上述高光谱测量结果数据进行特征提取,得到对应的多种光谱特征;以及基于上述遥感影像数据计算传统水体指数、原始波段和波段组合,得到对应的多个特征波段组合。特征预选模块3,被配置为:对上述光谱特征与上述实测浓度值进行波段相关分析,并基于分析结果对上述光谱特征进行特征优选,并根据特征优选的结果构建第一特征数据集;以及对上述特征波段组合与上述实测浓度值进行波段相关分析,并基于分析结果对上述光谱特征进行数据降维,并根据数据降维的处理结果构建第二特征数据集。反射特性分析模块4,被配置为:对比目标水体与ENVI光谱库中的蒸馏水、含有叶绿素的沿岸海水,以及获取的内陆水体的光谱曲线,解析得到目标波长范围内的目标水体光谱反射特性。敏感光谱分析模块5,被配置为:挑选光谱特征与实测浓度值的最大相关系数上述对应的光谱波段,并根据挑选的光谱波段作为最佳变量,构建目标水体的叶绿素a的一元线性回归反演模型,并评估该一元线性回归反演模型对目标水体的叶绿素a的反演精度。单一传感器反演模块6,被配置为:利用上述高光谱测量结果数据、上述第一特征数据集和上述实测浓度值,构建目标水体的叶绿素a的反演模型,得到第一反演模型集合,并估算不同平台光谱数据的反演精度。加权反演模块7,被配置为:利用遥感影像信息和高光谱测量结果信息,以及第一特征数据集和第二特征数据集,生成两组特征数据集,用以构建多传感器加权整合数据的叶绿素a反演模型,得到第二反演模型集合。迁移学习反演模块8,被配置为:基于上述遥感影像数据和上述高光谱测量结果数据,进行构建迁移学习的叶绿素a反演模型,得到第三反演模型集合。反演精度估算模块9,被配置为:利用决定系数和均方根误差作为评价标准,对第一反演模型集合、第二反演模型集合和第三反演模型集合中的每个反演模型进行精度估算,得到每个反演模型的估算精度。
上述系统具体实现过程请参照实施例1中提供的一种岩溶湿地水体叶绿素a反演的方法,在此不再赘述。
实施例3
请参阅图3,本申请实施例提供了一种电子设备,该电子设备包括至少一个处理器10、至少一个存储器11和数据总线12;其中:处理器10与存储器11通过数据总线12完成相互间的通信;存储器11存储有可被处理器10执行的程序指令,处理器10调用程序指令以执行一种岩溶湿地水体叶绿素a反演的方法。例如实现:
步骤S101:获取目标水体的遥感影像数据、目标水体的对应采样点的高光谱测量结果数据、目标水体的水中叶绿素a的实测浓度值,上述遥感影像信息包括UAV多光谱影像和Planet多光谱影像。步骤S102:对符合预定波长范围要求的上述高光谱测量结果数据进行特征提取,得到对应的多种光谱特征;以及基于上述遥感影像数据计算传统水体指数、原始波段和波段组合,得到对应的多个特征波段组合。步骤S103:对上述光谱特征与上述实测浓度值进行波段相关分析,并基于分析结果对上述光谱特征进行特征优选,并根据特征优选的结果构建第一特征数据集;以及对上述特征波段组合与上述实测浓度值进行波段相关分析,并基于分析结果对上述光谱特征进行数据降维,并根据数据降维的处理结果构建第二特征数据集。步骤S104:对比目标水体与ENVI光谱库中的蒸馏水、含有叶绿素的沿岸海水,以及获取的内陆水体的光谱曲线,解析得到目标波长范围内的目标水体光谱反射特性。步骤S105:挑选光谱特征与实测浓度值的最大相关系数上述对应的光谱波段,并根据挑选的光谱波段作为最佳变量,构建目标水体的叶绿素a的一元线性回归反演模型,并评估该一元线性回归反演模型对目标水体的叶绿素a的反演精度。步骤S106:利用上述高光谱测量结果数据、上述第一特征数据集和上述实测浓度值,构建目标水体的叶绿素a的反演模型,得到第一反演模型集合,并估算不同平台光谱数据的反演精度。步骤S107:利用遥感影像信息和高光谱测量结果信息,以及第一特征数据集和第二特征数据集,生成两组特征数据集,用以构建多传感器加权整合数据的叶绿素a反演模型,得到第二反演模型集合。步骤S108:基于上述遥感影像数据和上述高光谱测量结果数据,进行构建迁移学习的叶绿素a反演模型,得到第三反演模型集合。步骤S109:利用决定系数和均方根误差作为评价标准,对第一反演模型集合、第二反演模型集合和第三反演模型集合中的每个反演模型进行精度估算,得到每个反演模型的估算精度。
其中,存储器11可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器10可以是一种集成电路芯片,具有信号处理能力。该处理器10可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图3所示的结构仅为示意,电子设备还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
实施例4
本发明提供一种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10执行时实现一种岩溶湿地水体叶绿素a反演的方法。例如实现:
步骤S101:获取目标水体的遥感影像数据、目标水体的对应采样点的高光谱测量结果数据、目标水体的水中叶绿素a的实测浓度值,上述遥感影像信息包括UAV多光谱影像和Planet多光谱影像。步骤S102:对符合预定波长范围要求的上述高光谱测量结果数据进行特征提取,得到对应的多种光谱特征;以及基于上述遥感影像数据计算传统水体指数、原始波段和波段组合,得到对应的多个特征波段组合。步骤S103:对上述光谱特征与上述实测浓度值进行波段相关分析,并基于分析结果对上述光谱特征进行特征优选,并根据特征优选的结果构建第一特征数据集;以及对上述特征波段组合与上述实测浓度值进行波段相关分析,并基于分析结果对上述光谱特征进行数据降维,并根据数据降维的处理结果构建第二特征数据集。步骤S104:对比目标水体与ENVI光谱库中的蒸馏水、含有叶绿素的沿岸海水,以及获取的内陆水体的光谱曲线,解析得到目标波长范围内的目标水体光谱反射特性。步骤S105:挑选光谱特征与实测浓度值的最大相关系数上述对应的光谱波段,并根据挑选的光谱波段作为最佳变量,构建目标水体的叶绿素a的一元线性回归反演模型,并评估该一元线性回归反演模型对目标水体的叶绿素a的反演精度。步骤S106:利用上述高光谱测量结果数据、上述第一特征数据集和上述实测浓度值,构建目标水体的叶绿素a的反演模型,得到第一反演模型集合,并估算不同平台光谱数据的反演精度。步骤S107:利用遥感影像信息和高光谱测量结果信息,以及第一特征数据集和第二特征数据集,生成两组特征数据集,用以构建多传感器加权整合数据的叶绿素a反演模型,得到第二反演模型集合。步骤S108:基于上述遥感影像数据和上述高光谱测量结果数据,进行构建迁移学习的叶绿素a反演模型,得到第三反演模型集合。步骤S109:利用决定系数和均方根误差作为评价标准,对第一反演模型集合、第二反演模型集合和第三反演模型集合中的每个反演模型进行精度估算,得到每个反演模型的估算精度。
上述功能如果以软件功能模块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,本申请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)执行本申请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:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本发明实施例旨在联合不同传感器、不同平台数据,揭示岩溶湿地水体的光学响应特征和遥感反演水体叶绿素a的敏感特征波段,并提出了两种多传感器整合策略和两种迁移学习框架,利用偏最小二乘算法和自适应集成算法估算岩溶湿地水体叶绿素a浓度。
另外,本发明基于实测的全谱段原位高光谱数据和多光谱影像的预处理生成高维数据集,对高光谱数据特征和多光谱影像特征数据集进行特征优选和数据降维,并获取岩溶湿地水体叶绿素a的敏感光谱特性,为进一步评估不同水质反演算法(模型)的性能提供了参数。
同时,开发了一种利用优选后的三种光谱的特征数据集,基于偏最小二乘回归算法构建单一传感器数据对水体叶绿素a的反演模型,估算岩溶湿地水体的叶绿素a浓度,再根据单一传感器反演精度,提出两种不同权重组合的多传感加权整合策略,定量估算多传感器整合数据对岩溶湿地水体叶绿素a的精度。
最后,本发明还提出了一种新颖的基于多传感器迁移学习的水体叶绿素a反演方法,通过8种影像特征组合方案,分别验证ASD实测高光谱迁移到UAV平台、ASD实测高光谱+UAV影像迁移到星载Planet平台反演水体叶绿素a浓度的可行性。并定量评估多传感器整合和迁移学习方法对岩溶湿地水体叶绿素a的反演精度,探究不同传感器、不同平台数据对岩溶湿地水体叶绿素a的反演可行性及未来发展,以此来反映遥感技术获取桂林会仙喀斯特国际重要湿地其水体光学响应特征,实现其水体叶绿素a浓度反演,为帮助指导岩溶湿地的保护和恢复工作提供依据。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种岩溶湿地水体叶绿素a反演的方法,其特征在于,包括以下步骤:
步骤S101:获取目标水体的遥感影像数据、目标水体的对应采样点的高光谱测量结果数据、目标水体的水中叶绿素a的实测浓度值,所述遥感影像信息包括UAV多光谱影像和Planet多光谱影像;
步骤S102:对符合预定波长范围要求的所述高光谱测量结果数据进行特征提取,得到对应的多种光谱特征;以及基于所述遥感影像数据计算传统水体指数、原始波段和波段组合,得到对应的多个特征波段组合;
步骤S103:对所述光谱特征与所述实测浓度值进行波段相关分析,并基于分析结果对所述光谱特征进行特征优选,并根据特征优选的结果构建第一特征数据集;以及对所述特征波段组合与所述实测浓度值进行波段相关分析,并基于分析结果对所述光谱特征进行数据降维,并根据数据降维的处理结果构建第二特征数据集;
步骤S104:对比目标水体与ENVI光谱库中的蒸馏水、含有叶绿素的沿岸海水,以及获取的内陆水体的光谱曲线,解析得到目标波长范围内的目标水体光谱反射特性;
步骤S105:挑选光谱特征与实测浓度值的最大相关系数所述对应的光谱波段,并根据挑选的光谱波段作为最佳变量,构建目标水体的叶绿素a的一元线性回归反演模型,并评估该一元线性回归反演模型对目标水体的叶绿素a的反演精度;
步骤S106:利用所述高光谱测量结果数据、所述第一特征数据集和所述实测浓度值,构建目标水体的叶绿素a的反演模型,得到第一反演模型集合,并估算不同平台光谱数据的反演精度;
步骤S107:利用遥感影像信息和高光谱测量结果信息,以及第一特征数据集和第二特征数据集,生成两组特征数据集,用以构建多传感器加权整合数据的叶绿素a反演模型,得到第二反演模型集合;
步骤S108:基于所述遥感影像数据和所述高光谱测量结果数据,进行构建迁移学习的叶绿素a反演模型,得到第三反演模型集合;
步骤S109:利用决定系数和均方根误差作为评价标准,对第一反演模型集合、第二反演模型集合和第三反演模型集合中的每个反演模型进行精度估算,得到每个反演模型的估算精度。
2.如权利要求1所述的岩溶湿地水体叶绿素a反演的方法,其特征在于,所述对符合预定波长范围要求的所述高光谱测量结果数据进行特征提取,得到对应的多种光谱特征,包括:
选取400~1000nm范围的所述高光谱测量结果数据,从中提取出多种光谱特征,包括:原始光谱(R)、一阶导数(RFD)、二阶导数(RSD)、倒数对数(RTL)、倒数对数的一阶导数(RTLFD)、倒数对数的二阶导数(RTLSD)以及平方根(R1/2)。
3.如权利要求1所述的岩溶湿地水体叶绿素a反演的方法,其特征在于,所述对所述光谱特征与所述实测浓度值进行波段相关分析,包括:
基于公式计算得到所述光谱特征与所述实测浓度值之间的相关系数ρ(X,Y),其中,X表示光谱特征,Y表示实测浓度值;所述基于分析结果对所述光谱特征进行特征优选,包括:筛除相关系数小于0.5的光谱特征;
所述对所述特征波段组合与所述实测浓度值进行波段相关分析,并基于分析结果对所述光谱特征进行数据降维,包括:
从多个特征波段组合中剔除与水体叶绿素a的低于第一相关性阈值的波段组合,并利用剩余的波段组合进行叶绿素a估算模型训练,根据模型训练的精度剔除高于第二相关性阈值的波段组合,并再次训练模型和进行相关性波段剔除,依次循环直到该模型具有预定的训练精度为止。
4.如权利要求1所述的岩溶湿地水体叶绿素a反演的方法,其特征在于,所述利用所述高光谱测量结果数据、所述第一特征数据集和所述实测浓度值,构建目标水体的叶绿素a的反演模型,包括:
基于公式Yi=β+β1X1+β2X2+…+βiXi,构建第一偏最小二乘模型进行定量评估所述遥感影像数据和所述高光谱测量结果数据对目标水体的叶绿素a的反演性能,其中,自变量Xi为第一特征数据集和第二特征数据集中对应的光谱特征,因变量Yi为目标水体的水中叶绿素a的实测浓度值,β是估算的加权回归系数,i是指对应的光谱特征。
5.如权利要求1所述的岩溶湿地水体叶绿素a反演的方法,其特征在于,所述构建迁移学习的叶绿素a反演模型,包括基于公式 进行构建,其中DS表示源域,TS表示源域任务,DT表示目标域,TT表示目标域任务。
6.如权利要求5所述的岩溶湿地水体叶绿素a反演的方法,其特征在于,所述构建迁移学习的叶绿素a反演模型时,包括:
将所述高光谱测量结果数据迁移到UAV平台,以及将所述高光谱测量结果数据和UAV多光谱影像迁移到星载Planet平台。
7.如权利要求1所述的岩溶湿地水体叶绿素a反演的方法,其特征在于,所述步骤S109包括:
利用公式分别对第一反演模型集合、第二反演模型集合和第三反演模型集合中的每个反演模型进行精度估算,其中,R2为决定系数,RMSE为均方根误差,n为样本数,ρi为采样点水样i的实测叶绿素a浓度值,ρi′是预测叶绿素a浓度值,/>是实测叶绿素a浓度平均值。
8.一种岩溶湿地水体叶绿素a反演的系统,其特征在于,包括:
数据获取模块,被配置为:获取目标水体的遥感影像数据、目标水体的对应采样点的高光谱测量结果数据、目标水体的水中叶绿素a的实测浓度值,所述遥感影像信息包括UAV多光谱影像和Planet多光谱影像;
特征计算模块,被配置为:对符合预定波长范围要求的所述高光谱测量结果数据进行特征提取,得到对应的多种光谱特征;以及基于所述遥感影像数据计算传统水体指数、原始波段和波段组合,得到对应的多个特征波段组合;
特征预选模块,被配置为:对所述光谱特征与所述实测浓度值进行波段相关分析,并基于分析结果对所述光谱特征进行特征优选,并根据特征优选的结果构建第一特征数据集;以及对所述特征波段组合与所述实测浓度值进行波段相关分析,并基于分析结果对所述光谱特征进行数据降维,并根据数据降维的处理结果构建第二特征数据集;
反射特性分析模块,被配置为:对比目标水体与ENVI光谱库中的蒸馏水、含有叶绿素的沿岸海水,以及获取的内陆水体的光谱曲线,解析得到目标波长范围内的目标水体光谱反射特性;
敏感光谱分析模块,被配置为:挑选光谱特征与实测浓度值的最大相关系数所述对应的光谱波段,并根据挑选的光谱波段作为最佳变量,构建目标水体的叶绿素a的一元线性回归反演模型,并评估该一元线性回归反演模型对目标水体的叶绿素a的反演精度;
单一传感器反演模块,被配置为:利用所述高光谱测量结果数据、所述第一特征数据集和所述实测浓度值,构建目标水体的叶绿素a的反演模型,得到第一反演模型集合,并估算不同平台光谱数据的反演精度;
加权反演模块,被配置为:利用遥感影像信息和高光谱测量结果信息,以及第一特征数据集和第二特征数据集,生成两组特征数据集,用以构建多传感器加权整合数据的叶绿素a反演模型,得到第二反演模型集合;
迁移学习反演模块,被配置为:基于所述遥感影像数据和所述高光谱测量结果数据,进行构建迁移学习的叶绿素a反演模型,得到第三反演模型集合;
反演精度估算模块,被配置为:利用决定系数和均方根误差作为评价标准,对第一反演模型集合、第二反演模型集合和第三反演模型集合中的每个反演模型进行精度估算,得到每个反演模型的估算精度。
9.一种电子设备,其特征在于,包括至少一个处理器、至少一个存储器和数据总线;其中:所述处理器与所述存储器通过所述数据总线完成相互间的通信;所述存储器存储有被所述处理器执行的程序指令,所述处理器调用所述程序指令以执行如权利要求1-7任一项所述的方法。
10.一种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1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310854780.5A CN116911183A (zh) | 2023-07-12 | 2023-07-12 | 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310854780.5A CN116911183A (zh) | 2023-07-12 | 2023-07-12 | 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116911183A true CN116911183A (zh) | 2023-10-20 |
Family
ID=88367641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310854780.5A Pending CN116911183A (zh) | 2023-07-12 | 2023-07-12 | 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911183A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117451639A (zh) * | 2023-12-21 | 2024-01-26 | 内蒙古工业大学 | 一种基于遥感数据的水体叶绿素浓度反演方法 |
-
2023
- 2023-07-12 CN CN202310854780.5A patent/CN116911183A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117451639A (zh) * | 2023-12-21 | 2024-01-26 | 内蒙古工业大学 | 一种基于遥感数据的水体叶绿素浓度反演方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113834787A (zh) | 一种中小河道劣ⅴ类水体水质识别与量化方法 | |
CN111597756A (zh) | 一种基于无人机多光谱数据的水质参数反演方法 | |
CN113866102B (zh) | 一种基于光谱的土壤健康调查监测方法 | |
CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN116911183A (zh) | 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质 | |
CN115690632A (zh) | 一种内陆河流水体的水环境监测方法 | |
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 | |
CN115586140A (zh) | 一种基于遥感数据的湖泊污染物检测方法、系统及其存储介质 | |
Zhou et al. | Developing a PCA–ANN model for predicting chlorophyll a concentration from field hyperspectral measurements in Dianshan Lake, China | |
CN114049525A (zh) | 气体种类和浓度识别的融合神经网络系统、装置与方法 | |
CN111879709A (zh) | 湖泊水体光谱反射率检验方法及装置 | |
CN114112941A (zh) | 基于支持向量回归的航空高光谱水体富营养化评价方法 | |
CN113052153A (zh) | 遥感反射率影像的检验方法、装置、电子设备及存储介质 | |
Li et al. | Global estimation of phytoplankton pigment concentrations from satellite data using a deep-learning-based model | |
CN114019082B (zh) | 一种土壤有机质含量监测方法和系统 | |
CN115015120B (zh) | 一种傅里叶红外光谱仪及其温漂在线校正方法 | |
CN116399836A (zh) | 基于交替梯度下降算法的串扰荧光光谱分解方法 | |
CN115656063A (zh) | 基于高光谱数据的目标污染物含量分析方法及装置 | |
Boudaghpour et al. | Estimating chlorophyll-A concentration in the Caspian Sea from MODIS images using artificial neural networks | |
CN113722990B (zh) | 基于植被指数三维矩阵的叶片干物质含量反演方法及系统 | |
CN116908115B (zh) | 高光谱水质反演方法、装置、电子设备和存储介质 | |
CN117648537B (zh) | 基于超光谱技术的大气污染实时监测方法及系统 | |
CN111222455B (zh) | 波长的选择方法、装置、计算设备及计算机存储介质 | |
Mitchell et al. | Optical inversions of the water column based on glider measurements |
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 |