一种高光谱遥感敏感波段选择方式的评价方法和系统技术方案

本申请公开了一种高光谱遥感敏感波段选择方式的评价方法和系统。首先利用训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析，选择出目标敏感波段；再通过目标敏感波段的光谱曲线对目标区域的水质指标含量进行估计，得到目标估计值；最后，计算目标估计值和目标实测值的相关系数、均方根误差和相对误差，通过这三个参数中的至少一个对待评价波段选择神经网络模型进行评价。结合神经网络算法和相关系数等参数可以对各种波段选择方式进行客观评价，以供研究人员参考选择，提高高光谱遥感的精确性。高光谱遥感的精确性。高光谱遥感的精确性。

【技术实现步骤摘要】
一种高光谱遥感敏感波段选择方式的评价方法和系统


[0001]本申请涉及高光谱遥感
，特别涉及一种高光谱遥感敏感波段选择方式的评价方法和系统。

技术介绍

[0002]高光谱遥感是用很窄而连续的光谱通道对地物持续遥感成像的技术。高光谱遥感由于其高精度、多波段、信息量大等特点，在水库、湖泊等大面积水体区域得到了广泛应用，主要用于监测水体的水质。对于悬浮物浓度、浑度、透明度、叶绿素a等光敏参数，其监测效果较好，而对非光敏参数如总磷、总氮、氨氮、高锰酸钾指数等指标其监测效果不佳。因此，需要对高光谱遥感所获取的众多光谱波段图像中，选取最佳敏感波段进行水质监测。
[0003]目前研究者通常通过采样点处的光谱数据与采样的实测数据进行相关性分析来选择一个最佳敏感波段，对于其他高光谱遥感敏感波段选择方式没有较好的比较和评价方法。

技术实现思路

[0004]本申请的目的在于提供一种高光谱遥感敏感波段选择方式的评价方法和系统，其能够改善上述问题。
[0005]本申请的实施例是这样实现的：一方面，本申请提供一种高光谱遥感敏感波段选择方式的评价方法，其包括：获取目标区域的高光谱图像，在高光谱图像中提取目标采样点的光谱曲线作为目标光谱曲线；通过训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析，选择出敏感波段作为目标敏感波段；通过所述目标敏感波段的所述目标光谱曲线，判断所述目标采样点的水质指标含量估计值作为目标估计值；计算所述目标估计值和目标实测值的相关系数、均方根误差和相对误差；通过所述相关系数的绝对值、所述均方根误差的绝对值和所述相对误差的绝对值中的至少一个参数对所述待评价波段选择神经网络模型进行评价。
[0006]可以理解，本申请公开了一种高光谱遥感敏感波段选择方式的评价方法。首先利用训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析，选择出目标敏感波段；再通过目标敏感波段的光谱曲线对目标区域的水质指标含量进行估计，得到目标估计值；最后，计算目标估计值和目标实测值的相关系数、均方根误差和相对误差，通过这三个参数中的至少一个对待评价波段选择神经网络模型进行评价。由于待评价波段选择神经网络模型进行评价是由待评价波段选择方式训练出来的，因此对待评价波段选择神经网络模型进行评价，也就是对待评价波段选择方式进行评价。结合神经网络算法和相关系数等参数可以对各种波段选择方式进行客观评价，以供研究人员参考选择，提高高光谱遥感的
精确性。
[0007]在本申请可选的实施例中，所述通过所述相关系数的绝对值、所述均方根误差的绝对值和所述相对误差的绝对值中的至少一个参数对所述待评价波段选择神经网络模型进行评价，包括：在所述相关系数大于第一阈值的情况下，判断所述待评价波段选择神经网络模型性能优异；在所述均方根误差小于第二阈值的情况下，判断所述待评价波段选择神经网络模型性能优异；在所述相对误差小于第三阈值的情况下，判断所述待评价波段选择神经网络模型性能优异。
[0008]其中，相关系数是用来衡量反演结果与实测值的相关性的，相关系数越大反演结果与实测值的相关性越好。因此在相关系数大于第一阈值的情况下，判断待评价波段选择神经网络模型性能优异。其中第一阈值的具体值可有技术人员根据具体情况设置，其目的是为了筛选出性能优异的波段选择神经网络模型。
[0009]其中，均方根误差是用来评价反演结果与实测值的接近程度的，均方根误差越小反演值与实测值越接近。因此均方根误差小于第二阈值的情况下，判断所述待评价波段选择神经网络模型性能优异。其中第二阈值的具体值可有技术人员根据具体情况设置，其目的是为了筛选出性能优异的波段选择神经网络模型。
[0010]其中，相对误差是用来分析各个测试数据的反演值与对应实测值的误差大小的，相对误差越小表明模型的稳定性好。因此相对误差小于第三阈值的情况下，判断所述待评价波段选择神经网络模型性能优异。其中第三阈值的具体值可有技术人员根据具体情况设置，其目的是为了筛选出性能优异的波段选择神经网络模型。
[0011]在本申请可选的实施例中，所述计算所述目标估计值和目标实测值的相关系数、均方根误差和相对误差，包括：通过下式计算所述目标估计值和所述目标实测值的所述相关系数：；通过下式计算所述目标估计值和所述目标实测值的均方根误差：；通过下式计算所述目标估计值和所述目标实测值的所述相对误差：；
其中，表示第i个所述目标采样点的所述目标实测值，表示第i个所述目标采样点的所述目标估计值，n表示所述目标采样点的个数，表示所有所述目标采样点的所述目标实测值的平均值，表示所有所述目标采样点的所述目标估计值的平均值。
[0012]在本申请可选的实施例中，所述方法还包括：获取目标区域中目标采样点的水质指标含量实测值作为所述目标实测值。
[0013]在本申请实施例中，可以对目标区域的多个采样点进行水质采样，并通过相关仪器检测出每个采样点的水质含量参数。其中，水质指标含量可以包括：悬浮物浓度、浑度、透明度、叶绿素a等光敏参数，以及总磷、总氮、氨氮、高锰酸钾指数等非光敏参数。
[0014]举例说明，可以通过浮游植物分类荧光仪对自然水体中的蓝藻、绿藻、硅/甲藻和隐藻进行分类，测量水样中蓝藻、绿藻、硅/甲藻和隐藻的叶绿素 a 含量（定量）和总叶绿素 a 含量。
[0015]在本申请可选的实施例中，在所述通过训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析，选择出目标敏感波段之前，所述方法还包括：获取所述目标区域的高光谱图像，在所述高光谱图像中提取多个训练采样点的光谱曲线作为训练光谱曲线；通过待评价波段选择方式在所述训练光谱曲线中选择出敏感波段作为训练敏感波段；通过多个所述训练光谱曲线和对应的所述训练敏感波段对神经网络模型进行神经网络训练，得到训练后的所述待评价波段选择神经网络模型。
[0016]可以理解，高光谱图像的波段多、信息量大，必然带来大量信息的冗余，因此非常有必要在高光谱图像中选择敏感波段进行进一步分高光谱遥感分析。经过训练的待评价波段选择神经网络模型可以模拟待评价波段选择方式对高光谱图像中任意采集点的光谱曲线进行敏感波段的提取。
[0017]在本申请可选的实施例中，所述方法还包括：获取所述目标区域中多个训练采样点的水质指标含量实测值作为训练实测值；所述通过待评价波段选择方式在所述训练光谱曲线中选择出敏感波段作为训练敏感波段，包括：对所述训练光谱曲线中的反射率进行数学变换，得到变换训练光谱曲线；通过各个波段的所述变换训练光谱曲线分别判断对应的所述训练采样点的水质指标含量估计值，作为训练估计值；计算所述训练估计值和对应所述训练实测值的相关系数，作为训练相关系数；选择最大的所述训练相关系数绝对值对应的波段作为所述训练敏感波段。
[0018]可以理解，上述待评价波段选择方式即为相关系数分析法。
[0019]在本申请可选的实施例中，所述对所述训练光谱曲线中的反射率进行数学变换，包括：对所述训练光谱曲线中的所述反射率进行求对数，得到所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高光谱遥感敏感波段选择方式的评价方法，其特征在于，包括：获取目标区域的高光谱图像，在高光谱图像中提取目标采样点的光谱曲线作为目标光谱曲线；通过训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析，选择出敏感波段作为目标敏感波段；通过所述目标敏感波段的所述目标光谱曲线，判断所述目标采样点的水质指标含量估计值作为目标估计值；计算所述目标估计值和目标实测值的相关系数、均方根误差和相对误差；通过所述相关系数的绝对值、所述均方根误差的绝对值和所述相对误差的绝对值中的至少一个参数对所述待评价波段选择神经网络模型进行评价。2.根据权利要求1所述的一种高光谱遥感敏感波段选择方式的评价方法，其特征在于，所述方法还包括：获取目标区域中目标采样点的水质指标含量实测值作为所述目标实测值。3.根据权利要求2所述的一种高光谱遥感敏感波段选择方式的评价方法，其特征在于，在所述通过训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析，选择目标出敏感波段之前，所述方法还包括：获取所述目标区域的高光谱图像，在所述高光谱图像中提取多个训练采样点的光谱曲线作为训练光谱曲线；通过待评价波段选择方式在所述训练光谱曲线中选择出敏感波段作为训练敏感波段；通过多个所述训练光谱曲线和对应的所述训练敏感波段对神经网络模型进行神经网络训练，得到训练后的所述待评价波段选择神经网络模型。4.根据权利要求3所述的一种高光谱遥感敏感波段选择方式的评价方法，其特征在于，所述方法还包括：获取所述目标区域中多个训练采样点的水质指标含量实测值作为训练实测值；所述通过待评价波段选择方式在所述训练光谱曲线中选择出敏感波段作为训练敏感波段，包括：对所述训练光谱曲线中的反射率进行数学变换，得到变换训练光谱曲线；通过各个波段的所述变换训练光谱曲线分别判断对应的所述训练采样点的水质指标含量估计值，作为训练估计值；计算所述训练估计值和对应所述训练实测值的相关系数，作为训练相关系数；选择最大的所述训练相关系数绝对值对应的波段作为所述训练敏感波段。5.根据权利要求4所述的一种高光谱遥感敏感波段选择方式的评价方法，其特征在于，所述对所述训练光谱曲线中的反射率进行数学变换，包括：对所述训练光谱曲线中的所述反射率进行求对数，得到所述反射率的对数；或者，对所述训练光谱曲线中的所述反射率进行求倒数，得到所述反射率的倒数；或者，对所述训练光谱曲线中的所述反射率进行求对数的倒数，得到所述反射率的对数的倒数；或者，对所述训练光谱曲线中的所述反射率进行求指数，得到所述反射率的指数。6.根据权利要求3所述的一种高光谱遥感敏感波段选择方式的评价方法，其特征在于，
所述方法还包括：获取所述目标区域中多个训练采样点的水质指标含量实测值作为训练实测值；所述通过待评价波段选择方式在所述训练光谱曲线中选择出敏感波段作为训练敏感波段，包括：对所述训练光谱曲线的波长范围内任意选出第一波段和第二波段，所述第一波段对应的反射率为第一反射率，所述第二波段对应的反射率为第二反射率；对所述第一反射率和所述第二反射率进行数学计算，得到合并反射率；列出所述训练光谱曲线的波长范围内所有所述合并反射率的组合，形成双波段组合训练光谱曲线；通过各个波段的所述双波段组合训练光谱曲线分别判断对应的所述训练采样点的水质指标含量估计值，...

【专利技术属性】
技术研发人员：刘梅，原居林，周聃，
申请(专利权)人：浙江省淡水水产研究所，
类型：发明
国别省市：