CN118196093A - 基于人工深度神经网络反演水体叶绿素a的方法 - Google Patents
基于人工深度神经网络反演水体叶绿素a的方法 Download PDFInfo
- Publication number
- CN118196093A CN118196093A CN202410611987.4A CN202410611987A CN118196093A CN 118196093 A CN118196093 A CN 118196093A CN 202410611987 A CN202410611987 A CN 202410611987A CN 118196093 A CN118196093 A CN 118196093A
- Authority
- CN
- China
- Prior art keywords
- chlorophyll
- neural network
- artificial
- concentration
- deep neural
- 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
- 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 114
- 229930002868 chlorophyll a Natural products 0.000 title claims abstract description 103
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 24
- 238000002835 absorbance Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 229930002875 chlorophyll Natural products 0.000 claims description 11
- 235000019804 chlorophyll Nutrition 0.000 claims description 11
- 239000003016 pheromone Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 210000000746 body region Anatomy 0.000 claims description 4
- 241000257303 Hymenoptera Species 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000002798 spectrophotometry method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 7
- 239000000523 sample Substances 0.000 description 7
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000005791 algae growth Effects 0.000 description 1
- 239000005422 algal bloom Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000001056 green pigment Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000012488 sample solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及基于人工深度神经网络反演水体叶绿素a的方法,属于水环境监督技术领域。通过实测和标准曲线计算获得多组叶绿素a浓度测值;根据采样点的位置以及该位置的遥感影像的波段值,建立不同采样点波段值与叶绿素a浓度测值的线性关系;利用线性关系模拟多组叶绿素a浓度作数据集,将训练集和对应遥感影像的波段值作为输入层,利用蚁群算法优化的初始权重和偏置,输入人工深度神经网络进行训练;利用损失值和优化函数对权重和偏置进行优化,训练完成得到网络模型。本发明方法具有并行处理能力、非线性、容错性、自适应性和自学习性等优势,可以有效提高水体叶绿素a数据拟合的精度,同时减少水体叶绿素a测量过程中的人力物力投入。
Description
技术领域
本发明涉及一种反演水体叶绿素a的方法,具体涉及一种基于人工深度神经网络反演水体叶绿素a的方法,属于水体参数反演和水环境监督技术领域。
背景技术
叶绿素a是存在于植物、藻类和某些细菌中的一些绿色色素分子,是进行光合作用所需的重要色素之一。水体中的叶绿素a是反映水生态环境污染状况的重要指标。当水体中的叶绿素a含量较高时,通常表明水体中存在大量植物和藻类生长,这可能是由于过度肥料、化学污染物、过度养殖、排放的废物或气候变化等因素所导致的。如果水体中的叶绿素含量过高,这意味着水体中的浮游植物密度过大,可能会导致水体富营养化,引起藻华爆发,影响水质。因此检测水体中的叶绿素a含量可以为水环境保护提供重要的信息。
一种常见的叶绿素a反演方法是利用遥感影像的特定波段来估算叶绿素a浓度。例如,当叶绿素a浓度增加时,其吸收峰的位置会出现“红移”现象,即向长波方向移动。这种特性使得某些遥感影像的特定波段对叶绿素a浓度敏感,从而可以用来估算其浓度。然而,叶绿素a浓度反演仍存在一些困难。首先,叶绿素a的动态变化机制非常复杂,其浓度受到多种因素的影响,如光照、温度、营养盐浓度等。这使得准确反演叶绿素a浓度变得困难。其次,遥感影像的质量也受到多种因素的影响,如云层、气溶胶、太阳高度角等,这些因素可能导致反演结果的不准确,特别是条件差、不易测量的区域。
为提高叶绿素a浓度反演精度,研究者们已经提出一些改进方法。例如,利用多源遥感数据融合技术,结合不同遥感影像的优点,提高反演精度。此外,还有一些机器学习算法被引入到叶绿素a浓度反演中,如支持向量机、随机森林等,这些算法可以利用历史数据训练模型,从而提高反演精度。叶绿素a浓度反演技术已经取得了一定的成果,但仍需要进一步研究和改进,以提高反演精度和稳定性。
发明内容
本发明的目的是提供一种基于人工深度神经网络反演水体叶绿素a的方法,通过融合遥感影像和深度学习网络模型,提高水体叶绿素a的反演精度,为水生态保护提供数据支撑。
本发明采取的技术方案为:
基于人工深度神经网络反演水体叶绿素a的方法,包括步骤如下:
S1. 确定水体叶绿素a采样点,从不同采样点采集的水样中提取叶绿素并利用分光光度法测叶绿素a浓度,绘制吸光度值和相应的叶绿素a浓度的关联标准曲线,测定不同样品的吸光度根据标准曲线计算出样品中叶绿素a的含量,通过实测和计算获得多组叶绿素a浓度测值;
S2. 下载所测水体区域的遥感影像数据,根据采样点的位置以及该位置的遥感影像的波段值,将各采样点对应的遥感影像波段值作为x坐标,各采样点的叶绿素a浓度测值作为y坐标,建立不同波段值与叶绿素a浓度之间的线性关系式, 取这些线性关系式中相关系数R²最大的作为最终的波段值与叶绿素a浓度的线性关系式;
S3. 根据波段值与叶绿素a浓度之间的线性关系式模拟多组叶绿素a浓度作数据集,划分训练集和测试集,将训练集和对应遥感影像的波段值作为输入层,利用蚁群算法优化的初始权重和偏置,输入人工深度神经网络进行训练,在输出层得到模拟的叶绿素a浓度;
S4. 利用模拟得到的叶绿素a浓度与叶绿素a浓度测值计算损失函数,利用损失值和优化函数对权重和偏置进行优化,最终得到训练完成的人工深度神经网络;
S5. 将测试集数据输入到训练好的最优网络模型中测试,得到的网络模型即为叶绿素a的反演模型,输入水域范围遥感影像计算出该水域的水体叶绿素a浓度。
上述方法中,步骤S3中模拟1000组叶绿素a作为训练集,另存为csv文件。
步骤S3中用蚁群算法优化人工深度神经网络参数的步骤为:
(1)读取遥感影像波段数据和叶绿素a测值,初始化人工深度神经网络的结构与蚁群算法的参数;
(2)计算解空间的维度,初始化蚂蚁位置与最高信息素;
(3)根据蚂蚁的位置,计算信息素含量;
(4)计算最高信息素,更新最优的个体位置;
(5)按概率转移和更新蚂蚁位置;
(6)执行步骤(3)-(5)的循环体,达到终止代数;
(7)取出优化后的最佳蚂蚁位置坐标,赋给人工神经网络,得到最优的初始权重和偏置;
(8)优化后的人工神经网络进行训练与测试。
步骤S4中采用均方根误差损失函数来计算过程值与真实值以及输出结果与真实值之间的误差,均方根误差损失函数如下公式所示:
,
其中:y i为预测结果,y为真实结果,n为训练集数据个数;
两个损失函数加和的计算如下公式所示:
,
其中,L 1表示网络中间损失函数,为过程值与真实值的误差;L 2表示网络最后损失函数,为输出结果与真实值的误差。
步骤S4所述的优化函数为Adam算法,计算每个参数的自适应学习率。
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所述的基于人工深度神经网络反演水体叶绿素a的方法的步骤。
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所述的基于人工深度神经网络反演水体叶绿素a的方法。
本发明的有益效果是:
(1)采用优化的人工深度神经网络算法可以自动学习和提取遥感影像中的深层特征,而无需人工设计特征提取方法,这种自动特征提取的能力使得算法可以更加准确地捕捉到叶绿素a浓度的细微变化,从而提高反演精度;通过大量的训练数据可以学习到复杂的非线性映射关系,从而更加准确地反演出叶绿素a的浓度,与传统的基于物理模型的反演方法相比,该算法可以更好地处理遥感影像中的噪声和干扰信息,提高反演精度;
(2)采用正反馈机制,使得权重和偏置逼近最优解,避免了优化算法、查找表法和机器学习方法消耗大量计算机运算资源、计算维度大、适用区域小的劣势;
(3)本发明方法具有并行处理能力、非线性、容错性、自适应性和自学习性等优势,可以有效提高水体叶绿素a数据拟合的精度,同时减少水体叶绿素a测量过程中的人力物力投入,对于条件差、不易测量的区域具有很好的适用性。
附图说明
图1为本发明方法的流程图;
图2为本发明方法训练阶段过程图;
图3为本发明实施例的反演效果图,其中a-h为不同月份的反演效果。
具体实施方式
下面结合具体实施例进一步说明本发明。
实施例1:基于人工深度神经网络反演水体叶绿素a的方法,包括步骤(如图1)如下:
S1. 确定水体叶绿素a采样点,从不同采样点采集的水样中提取叶绿素并利用分光光度法测叶绿素a浓度,绘制吸光度值和相应的叶绿素a浓度的关联标准曲线,测定不同样品的吸光度根据标准曲线计算出样品中叶绿素a的含量,通过实测和计算获得多组叶绿素a浓度测值:
(1)制备叶绿素提取液
从采集的水样中提取叶绿素,将采集的水样过滤,以去除悬浮颗粒物。然后将过滤后的水样溶液用乙醇进行提取,使水中的叶绿素溶解在乙醇中。提取液的浓度可以根据具体实验要求进行调整。
(2)测定叶绿素提取液的吸光度
取一定量的叶绿素提取液,放入分光光度计的比色皿中,选择适当的波长进行测定。一般来说叶绿素a在波长范围400-700 nm内具有较强的吸光度,其中波长最大的吸光峰位于约665 nm处。因此,常用665 nm处的吸光度来表示叶绿素a的含量。根据分光光度计的操作手册,进行测量并记录吸光度值。
(3)绘制标准曲线并计算样品中叶绿素a的含量
为了确定叶绿素a的含量,需要绘制一条标准曲线。首先,制备不同浓度的叶绿素a溶液,分别测定其吸光度。然后,将所得的吸光度值和相应的叶绿素a浓度进行关联,绘制标准曲线。通过测定样品的吸光度,可以根据标准曲线计算出样品中叶绿素a的含量。
S2. 下载所测水体区域的遥感影像数据,根据采样点的位置以及该位置的遥感影像的波段值,将各采样点对应的遥感影像波段值作为x坐标,各采样点的叶绿素a浓度测值作为y坐标,建立不同波段值与叶绿素a浓度之间的线性关系式, 取这些线性关系式中相关系数R²最大的作为最终的波段值与叶绿素浓度的线性关系式:
在地理空间数据云网站上下载所测水体区域的Landsat 8遥感影像数据。实地布设采样点,根据采样点的位置以及Landsat 8影像的波段值,建立波段值与叶绿素浓度的线性关系。
S3. 根据波段值与叶绿素a浓度之间的线性关系式模拟多组叶绿素a浓度作数据集,划分训练集和测试集,将训练集和对应遥感影像的波段值作为输入层,利用蚁群算法优化的权重和偏置,输入人工深度神经网络进行训练,在输出层得到模拟的叶绿素a浓度:
根据波段值与叶绿素a浓度之间的关系模拟1000组叶绿素a浓度作为数据集,另存为csv文件,作为输入层。标准化处理,将标准化处理之后的数据集按照7:3随机分为训练集、测试集。
搭建网络,提取网络中的权重和偏置元素,构成蚂蚁种群的路径坐标。因为蚂蚁到达食物源的路径越短,则路径上的信息素含量越高,所以将均方误差作为蚂蚁的适应度值。最终蚂蚁种群确定的最短路径作为最优的初始权重和偏置参数,再赋给人工深度神经网络,进行测试和训练。
用蚁群算法优化人工深度神经网络参数的步骤为:
(1)读取遥感影像波段数据和叶绿素a测值,初始化人工深度神经网络的结构与蚁群算法的参数;
(2)计算解空间的维度,初始化蚂蚁位置与最高信息素;
(3)根据蚂蚁的位置,计算信息素含量;
(4)计算最高信息素,更新最优的个体位置;
(5)按概率转移和更新蚂蚁位置;
(6)执行步骤(3)-(5)的循环体,达到终止代数;
(7)取出优化后的最佳蚂蚁位置坐标,赋给人工神经网络,得到最优的初始权重和偏置;
(8)优化后的人工神经网络进行训练与测试。
人工深度神经网络包括输入层、隐藏层和输出层构成,利用蚁群算法优化的权重和偏置,将训练集和遥感影像波段值作为输入层,利用蚁群算法优化的权重和偏置,对输入层的波段信息进行训练,在输出层得到模拟的叶绿素a。
将根据线性关系式获得的模拟数据进行标准化处理,转为无量纲的数据,有利于加快梯度下降求最优解的速度。标准化过程如下公式所示:
,
利用训练集数据对网络进行训练,输入层包括6个神经元,分别对应传感器的6个波段,输出层只有一个神经元,对应叶绿素a。输入6个波段变量进行网络计算,经过试错法多次实验最终确定蚁群算法优化的人工深度神经网络的结构是12-12-12-36-12-12-12-6,即每一层的节点数量,共八层。
S4. 利用模拟得到的叶绿素a与叶绿素a浓度测值计算损失函数,利用损失值和优化函数对权重和偏置进行优化,最终得到训练完成的人工深度神经网络:
采用均方根误差损失函数来计算过程值与真实值以及输出结果与真实值之间的误差,均方根误差损失函数如下公式所示:
,
其中:y i为预测结果,y为真实结果,n为训练集数据个数。
两个损失函数加和的计算公式如下所示:
,
其中,L 1表示网络中间损失函数,为过程值与真实值的误差;L 2表示网络最后损失函数,为输出结果与真实值的误差。经过多次实验,权重a和b确定为0.3和0.7。
优化函数采用Adam算法即自适应时刻估计方法(daptive Moment Estimation),能计算每个参数的自适应学习率。通过Adam优化可以获取较高的计算效率和较低的内存需求。
S5. 将测试集数据输入到训练好的最优网络模型中测试,得到的网络模型即为叶绿素a的反演模型,输入水域范围的遥感影像计算出该水域的水体叶绿素a浓度。
实施例2:本实施例提供实现本发明方法的硬件设备。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实施例1所述的基于人工深度神经网络反演水体叶绿素a的方法的步骤。
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实施例1所述的基于人工深度神经网络反演水体叶绿素a的方法。
以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围﹐凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于人工深度神经网络反演水体叶绿素a的方法,其特征是,包括步骤如下:
S1. 确定水体叶绿素a采样点,从不同采样点采集的水样中提取叶绿素并利用分光光度法测叶绿素a浓度,绘制吸光度值和相应的叶绿素a浓度的关联标准曲线,测定不同样品的吸光度根据标准曲线计算出样品中叶绿素a的含量,通过实测和计算获得多组叶绿素a浓度测值;
S2. 下载所测水体区域的遥感影像数据,根据采样点的位置以及该位置的遥感影像的波段值,将各采样点对应的遥感影像波段值作为x坐标,各采样点的叶绿素a浓度测值作为y坐标,建立不同波段值与叶绿素a浓度之间的线性关系式, 取这些线性关系式中相关系数R²最大的作为最终的波段值与叶绿素a浓度的线性关系式;
S3. 根据波段值与叶绿素a浓度之间的线性关系式模拟多组叶绿素a浓度作数据集,划分训练集和测试集,将训练集和对应遥感影像的波段值作为输入层,利用蚁群算法优化的初始权重和偏置,输入人工深度神经网络进行训练,在输出层得到模拟的叶绿素a浓度;
S4. 利用模拟得到的叶绿素a浓度与叶绿素a浓度测值计算损失函数,利用损失值和优化函数对权重和偏置进行优化,最终得到训练完成的人工深度神经网络;
S5. 将测试集数据输入到训练好的最优网络模型中测试,得到的网络模型即为叶绿素a的反演模型,输入水域范围遥感影像计算出该水域的水体叶绿素a浓度。
2.根据权利要求1所述的基于人工深度神经网络反演水体叶绿素a的方法,其特征是,步骤S3中模拟1000组叶绿素a作为训练集。
3.根据权利要求1所述的基于人工深度神经网络反演水体叶绿素a的方法,其特征是,步骤S3中用蚁群算法优化人工深度神经网络参数的步骤为:
(1)读取遥感影像波段数据和叶绿素a测值,初始化人工深度神经网络的结构与蚁群算法的参数;
(2)计算解空间的维度,初始化蚂蚁位置与最高信息素;
(3)根据蚂蚁的位置,计算信息素含量;
(4)计算最高信息素,更新最优的个体位置;
(5)按概率转移和更新蚂蚁位置;
(6)执行步骤(3)-(5)的循环体,达到终止代数;
(7)取出优化后的最佳蚂蚁位置坐标,赋给人工神经网络,得到最优的初始权重和偏置;
(8)优化后的人工神经网络进行训练与测试。
4.根据权利要求1所述的基于人工深度神经网络反演水体叶绿素a的方法,其特征是,步骤S4中采用均方根误差损失函数来计算过程值与真实值以及输出结果与真实值之间的误差,均方根误差损失函数如下公式所示:
,
其中:y i为预测结果,y为真实结果,n为训练集数据个数;
两个损失函数加和的计算如下公式所示:
,
其中,L 1表示网络中间损失函数,为过程值与真实值的误差;L 2表示网络最后损失函数,为输出结果与真实值的误差。
5.根据权利要求1所述的基于人工深度神经网络反演水体叶绿素a的方法,其特征是,步骤S4所述的优化函数为Adam算法,计算每个参数的自适应学习率。
6.一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权利要求1-5任一项所述的基于人工深度神经网络反演水体叶绿素a的方法的步骤。
7.一种计算机设备,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权利要求1-5任一项所述的基于人工深度神经网络反演水体叶绿素a的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410611987.4A CN118196093A (zh) | 2024-05-17 | 2024-05-17 | 基于人工深度神经网络反演水体叶绿素a的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410611987.4A CN118196093A (zh) | 2024-05-17 | 2024-05-17 | 基于人工深度神经网络反演水体叶绿素a的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118196093A true CN118196093A (zh) | 2024-06-14 |
Family
ID=91398622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410611987.4A Pending CN118196093A (zh) | 2024-05-17 | 2024-05-17 | 基于人工深度神经网络反演水体叶绿素a的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118196093A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115661661A (zh) * | 2022-11-09 | 2023-01-31 | 安徽大学 | 一种针对稀疏站点数据的叶绿素a浓度遥感反演方法 |
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 |
US20240096092A1 (en) * | 2021-01-29 | 2024-03-21 | Agriculture Victoria Services Pty Ltd. | Systems and Methods for Automated Hyperspectral Vegetation Index Derivation for High-Throughput Plant Phenotyping |
CN117825286A (zh) * | 2024-01-04 | 2024-04-05 | 滁州学院 | 一种基于遥感影像的湖泊水体叶绿素a浓度的反演方法 |
-
2024
- 2024-05-17 CN CN202410611987.4A patent/CN118196093A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20240096092A1 (en) * | 2021-01-29 | 2024-03-21 | Agriculture Victoria Services Pty Ltd. | Systems and Methods for Automated Hyperspectral Vegetation Index Derivation for High-Throughput Plant Phenotyping |
CN115661661A (zh) * | 2022-11-09 | 2023-01-31 | 安徽大学 | 一种针对稀疏站点数据的叶绿素a浓度遥感反演方法 |
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 |
CN117825286A (zh) * | 2024-01-04 | 2024-04-05 | 滁州学院 | 一种基于遥感影像的湖泊水体叶绿素a浓度的反演方法 |
Non-Patent Citations (3)
Title |
---|
NICOLA J. WOOD 等: "A Simple and Non-destructive Method for Chlorophyll Quantification of Chlamydomonas Cultures Using Digital Image Analysis", 《FRONTIERS IN BIOENGINEERING AND BIOTECHNOLOGY》, 21 July 2020 (2020-07-21), pages 1 - 14 * |
张玉超;钱新;钱瑜;刘建萍;孔繁翔;: "基于机器学习方法的太湖叶绿素a定量遥感研究", 环境科学, no. 05, 15 May 2009 (2009-05-15), pages 75 - 82 * |
朱婧婧;王庆;战超;刘亚龙;董程;王红艳;: "基于反演因子筛选下的BP神经网络模型在水体叶绿素a含量反演中的可行性研究――以太湖为例", 鲁东大学学报(自然科学版), no. 03, 15 July 2018 (2018-07-15), pages 71 - 78 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Machine learning-based inversion of water quality parameters in typical reach of the urban river by UAV multispectral data | |
Chang et al. | Artificial intelligence approaches to predict growth, harvest day, and quality of lettuce (Lactuca sativa L.) in a IoT-enabled greenhouse system | |
CN114626512A (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
CN109308544B (zh) | 基于对比散度-长短期记忆网络的蓝藻水华预测方法 | |
CN109214591B (zh) | 一种木本植物地上生物量预测方法及系统 | |
CN110569605A (zh) | 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
CN107271372A (zh) | 一种苹果叶片叶绿素遥感估测方法 | |
CN114140403A (zh) | 一种基于卷积神经网络的植物叶片病害检测方法 | |
CN114417740B (zh) | 一种深海养殖态势感知方法 | |
CN112903606A (zh) | 一种基于无人机高光谱的红树林生态恢复力评估方法 | |
CN115497067A (zh) | 一种苗圃巡检智能车的路径识别与规划方法 | |
CN115270042A (zh) | 一种适用于植被碳储量的计量方法 | |
CN108334977B (zh) | 基于深度学习的水质预测方法及系统 | |
Lin et al. | Data-driven modeling for crop growth in plant factories | |
CN114140695A (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
WO2022032874A1 (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
CN118196093A (zh) | 基于人工深度神经网络反演水体叶绿素a的方法 | |
Monica et al. | Soil NPK prediction using enhanced genetic algorithm | |
Mu et al. | PIRT: A physics-informed red tide deep learning forecast model considering causal-inferred predictors selection | |
CN117011694A (zh) | 一种基于级联循环网络的林木生长参数预测方法 | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
CN112949182B (zh) | 耦合地表土壤含水量的区域尺度最大气孔导度的计算方法 | |
CN116229288A (zh) | 基于无人机多光谱影像的城市河道tsm浓度反演方法 | |
CN110352832A (zh) | 基于Spark的MLR模型红富士苹果树精准灌溉方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |