一种结合差分学习率与光谱几何特征的遥感水质反演方法技术

本发明专利技术公开一种结合差分学习率与光谱几何特征的遥感水质反演方法，包括：收集各站点的卫星影像，并得到各站点的遥感反射率；从地表水数据库中导出地表水监测站点信息和水质指标信息数据；剔除明显异常的站点遥感反射率，并构建遥感反射率曲线集合；剔除水质指标异常值；通过各站点遥感反射率曲线计算其光谱几何特征数据，将特征数据合并为特征矩阵，将特征矩阵划分为训练集和测试集；将剔除水质指标异常值后的水质指标作为待拟合数据集合并为输出集，将输出集划分为训练输出集和测试输出集；构建机器学习模型，将训练集输入模型进行训练，得到训练好的模型；将测试集放入训练好的模型中进行测试，经过评估评价后，将最优模型进行线上部署。模型进行线上部署。模型进行线上部署。

A remote sensing water quality inversion method combining differential learning rate and spectral geometric characteristics

【技术实现步骤摘要】
一种结合差分学习率与光谱几何特征的遥感水质反演方法


[0001]本专利技术涉及水环境遥感监测
，具体涉及一种结合差分学习率与光谱几何特征的遥感水质反演方法。

技术介绍

[0002]随着工农业的迅速发展和城镇化进程不断加快，我国总用水量明显上升，废水排放量也显著增加，给地表水的自净过程带来沉重的负担，特别是城市内河，水质恶化迅猛，对社会经济发展、城市环境景观和人类身体健康均造成了严重影响。
[0003]近年来，内陆水体的监测和治理得到了越来越多的重视。湖泊和河流的监测不仅帮助我们更好地理解环境变化对淡水生态系统的影响，而且能够为环境预测提供丰富的信息。我国淡水资源严重缺乏，水污染降低了水资源质量，进一步加剧了水资源的紧缺，但只有很少一部分水域持续定期进行监测。因此，提高内陆水体监测的范围和频率成为当前的迫切需求。目前，大多数的内陆水体监测还是基于实地观测。常规的水体监测需要在水域中布置大量的监测点，通过对采取的水样进行实验室分析得到水质的时空分布信息。尽管实地测量能够提供更精细(物种尺度)的信息，但是其耗时耗力，受到天气和水文条件的限制，难以完成长时间的连续观测，而且分布不均的采样点可能引起很大的观测误差。遥感技术具有实时、范围广、周期观测等特点，具有传统监测手段无法比拟的优势，符合当前形势下内陆水体监测的需求，具有极大的应用潜力和价值。
[0004]目前，已由大量的研究验证了人工神经网络、RBF神经网络、支持向量机、随机森林等方法在水质反演中的可行性，并且表现出了一定的优势，大大提高了反演精度。但由于采样数据少，样本量小，构建的神经网络模型结构简单，且容易出现过拟合现象，导致模型结果高方差，泛化能力弱。充分利用现有数据，发掘数据特征，改进网络学习策略成为机器学习方法在水质反演应用中的跨越障碍的重要路径，也是实现遥感在水质监测中的广泛应用的关键问题。

技术实现思路

[0005]针对现有技术中存在的上述问题，本专利技术提供一种结合差分学习率与光谱几何特征的遥感水质反演方法，该方法包括以下步骤：
[0006]S1、收集各站点的卫星影像，对收集到的卫星影像进行辐射定标，计算出辐射亮度，通过辐射亮度计算出表观反射率，再通过表观反射率计算出遥感反射率；从地表水数据库中导出地表水监测站点信息和水质指标信息数据；
[0007]S2、剔除明显异常的站点遥感反射率，并构建遥感反射率曲线集合；剔除水质指标异常值；
[0008]S3、通过各站点遥感反射率曲线计算其光谱几何特征数据，将光谱几何特征数据合并为每一列为一个特征，每一行为一个样本的m*n的特征矩阵，将特征矩阵划分为训练集和测试集；将剔除水质指标异常值后的水质指标作为待拟合数据集合并为输出集，将输出
集划分为训练输出集和测试输出集；
[0009]S4、构建机器学习模型，将训练集输入模型进行训练，得到训练好的模型；
[0010]S5、将测试集放入训练好的模型中进行测试，结果用平均相对误差、均方根误差和决定系数来评估评价，将最优模型进行线上部署。
[0011]作为本专利技术进一步地改进，步骤S1包含的子步骤包括：数据收集、数据初选、数据清洗、数据匹配和数据集成。
[0012]步骤S1中关于地表水数据预处理的子步骤包括：地表水数据导出、地表水数据初选、地表水数据数据清洗和地表水数据数据集成。
[0013]步骤S1关于卫星数据预处理的子步骤包括：辐射定标、大气校正、几何校正、地理配准、影像融合、影像镶嵌和水域提取。
[0014]步骤S1中关于空间匹配与信息提取的子步骤包括：空间矢量化、坐标匹配、波段值提取、信息整理与归档。
[0015]作为本专利技术进一步地改进，步骤S2中异常值剔除主要包括：使用狄克逊检验法筛选剔除水质指标异常值，使用光谱匹配法剔除明显异常的站点遥感反射率，并根据剔除异常值后的站点遥感反射率构建遥感反射率曲线集合。
[0016]步骤S2光谱匹配法计算光谱距离的公式为：
[0017][0018]式中，D
i2
为光谱距离，Rrs
lut
(λ
i
)为标准光谱曲线数据，Rrs
pixel
(λ
i
)为样点获取的遥感反射率，λ
i
取值为400～900nm，i为卫星波段数。
[0019]作为本专利技术进一步地改进，步骤S2光谱匹配法计算光谱最小距离的公式为：
[0020][0021]式中，为光谱平均距离，n为站点的数量。
[0022]作为本专利技术进一步地改进，步骤S3中各站点遥感反射率曲线的光谱几何特征数据包括：光谱曲线面积、光谱曲线角度、光谱曲线方向、光谱曲线斜率比和光谱曲线投影长度；
[0023]光谱曲线面积计算公式为：f
area
＝∫f(λ
i
)ΔλdΔλ，式中Δλ为波长间隔，f(λ
i
)为波长λ
i
处的遥感反射率，λ
i
为i卫星波段数对应的波长；
[0024]光谱曲线角度计算公式为：其中i，j，k＝{1,2,3,4}且i≠j≠k；i，j，k为卫星波段数；λ
i
、λ
j
和λ
k
为不同卫星波段数对应的波长；Rrs
i
、Rrs
j
和Rrs
k
为不同卫星波段数对应的遥感反射率；
[0025]光谱曲线方向计算公式为：其中i，j＝{1,2,3,4}且i≠j；
[0026]光谱曲线斜率比计算公式为：其中，i,j,k＝{1,2,3,4}且i≠j≠k，式中Δλ为波长间隔，Δλ
i,j
为i和j卫星波段数对应的波长间隔，Δλ
k,i
为i和k卫星波段数对应的波长间隔；
[0027]光谱曲线投影长度计算公式为：f
prj
＝Rrs
i
‑
Rrs
j
，其中i，j＝{1,2,3,4}且i≠j。
[0028]作为本专利技术进一步地改进，步骤S4中构建的机器学习模型主要根据隐含层层数设置不同的学习率，各层差分学习率根据下式计算：
[0029]η
i
＝η0/(1
‑
i
×
α)
[0030]式中，i为隐含层层数，η
i
为第i层的学习率，η0为第一层的学习率，α为学习率变化率。
[0031]作为本专利技术进一步地改进，步骤S5中模型评价指标计算公式分别如下：
[0032]平均相对误差：
[0033]均方根误差：
[0034]决定系数：
[0035][0036][0037][0038]式中，为预测值，为观测值的平均值，y
i
为观测值，n为测试集数。根据三个评价指标选择反演效果最好的一种模型，并将最好的模型应用于水质遥感反演与监测。...

【技术保护点】

【技术特征摘要】
1.一种结合差分学习率与光谱几何特征的遥感水质反演方法，其特征在于，所述方法包括以下步骤：S1、收集各站点的卫星影像，对收集到的卫星影像进行辐射定标，计算出辐射亮度，通过辐射亮度计算出表观反射率，再通过表观反射率计算出遥感反射率；从地表水数据库中导出地表水监测站点信息和水质指标信息数据；S2、剔除明显异常的站点遥感反射率，并构建遥感反射率曲线集合；剔除水质指标异常值；S3、通过各站点遥感反射率曲线计算其光谱几何特征数据，将光谱几何特征数据合并为每一列为一个特征，每一行为一个样本的m*n的特征矩阵，将特征矩阵划分为训练集和测试集；将剔除水质指标异常值后的水质指标作为待拟合数据集合并为输出集，将输出集划分为训练输出集和测试输出集；S4、构建机器学习模型，将训练集输入模型进行训练，得到训练好的模型；S5、将测试集放入训练好的模型中进行测试，结果用平均相对误差、均方根误差和决定系数来评估评价，将最优模型进行线上部署。2.根据权利要求1所述的一种结合差分学习率与光谱几何特征的遥感水质反演方法，其特征在于，在所述步骤S2中，使用狄克逊检验法剔除水质指标异常值，使用光谱匹配法剔除明显异常的站点遥感反射率；所述步骤S2光谱匹配法计算光谱距离的公式为：式中，D
i2
为光谱距离，Rrs
lut
(λ
i
)为标准光谱曲线数据，Rrs
pixel
(λ
i
)为样点获取的遥感反射率，λ
i
取值为400～900nm，i为卫星波段数；所述步骤S2光谱匹配法计算光谱最小距离的公式为：式中，为光谱平均距离，n为站点的数量。3.根据权利要求1所述的一种结合差分学习率与光谱几何特征的遥感水质反演方法，其特征在于，所述步骤S3中遥感反射率曲线的光谱几何特征数据包括：光谱曲线面积、光谱曲线角度、光谱曲线方向、光谱曲线斜率比和光谱曲线投影长度；光谱曲线面积计算公式为：f
area
＝∫f(λ<...

【专利技术属性】
技术研发人员：尹治平，吴磊，孙世山，李玉虎，
申请(专利权)人：苏州深蓝空间遥感技术有限公司，
类型：发明
国别省市：