一种基于stacking集成模型的多光谱卫星遥感测深方法技术

本发明专利技术公开了一种基于stacking集成模型的多光谱卫星遥感测深方法，属于海洋遥感探测领域。该算法包括：获取待测水域的多光谱卫星影像及对应的实测样本数据集；建立stacking集成模型，包括第一层的基学习层和第二层的泛化层，所述基学习层包括多个基础学习器；将预处理后的所述多光谱卫星影像及所述实测样本数据集输入到stacking集成模型进行训练，获取所述待测水域的整体水深信息；并对其进行质量评估和水深制图。本发明专利技术所提出的将多个训练数据集和机器学习模型相结合的方法，在针对遥感影像估计水深方面是有效的，优于单一模型。与传统声学测深方法相比，具有成本更低、广泛性更强的优点。强的优点。强的优点。

【技术实现步骤摘要】
一种基于stacking集成模型的多光谱卫星遥感测深方法


[0001]本专利技术涉及海洋遥感探测领域，特别涉及一种基于stacking集成模型的多光谱卫星遥感测深方法。

技术介绍

[0002]水深是重要的地形要素，水深测量是获取海底信息的关键，水下地形是海洋建设管理和沿海环境监测的关键数据。通过水深测量，可以探测水下地形地貌、水下航道障碍物，为近海经济建设和军事斗争服务。
[0003]海洋水深作为重要的水文特征之一，一直是海洋调查与测绘中最为基础的一项工作，浅海水深测量一直是海洋调查测绘领域的难点。使用基于船只的声学回声探测绘制地图，这种方法能够沿横断面生成精确的点测量或深度剖面，但受到效率低、费用高和不易获取的限制。因浅海水域制约了航行安全，尤其是在超差较大区域，传统的船载声呐测深无法适用于近岸浅水水域，另一种替代方法是，结合实测水深数据和卫星遥感数据，以实测改进遥感水深的预测，并且随着光学传感器空间分辨率和光谱分辨率的提高而更为准确，其中空间分辨率高于30m的卫星图像，如Landsat卫星、SPOT和WorldView卫星的出现，使得机载卫星测深(Satellite Derived Bathymetry，SDB)已经渐渐成为可以实际应用的测深方式。
[0004]作为水深反演探测方法，当前已经开发了经验方法和基于物理的半经验方法，用于卫星测深研究。尽管底部反射率的变化和水柱光学特性的变化会影响精确的深度提取，但使用多个波段可以提高深度估计的稳健性。然而，仅仅基于多光谱传感器的测深在实际应用中仍存在问题。卫星测深需要一定卫星图像的监督训练数据，并且测深误差较大。因此需要结合实测数据，通过机器学习模型反演水深数据，来提高测深精度。
[0005]近些年来，国内外学者在利用机器学习模型对多光谱遥感进行水深反演的研究上做了多方面研究。当前前已有多列机器学习方法被应用在遥感水深反演上，张鹰、王艳娇等引入动量BP神经网络模型，反演长江口南港河段的水深，发现模型在5米以浅水域反演精度较高； Vanesa Mateo
‑
P
é
rez等使用支持向量机模型对Sentinel
‑
2遥感图像在西班牙的Luarca和Cand
á
s港口的水深进行计算，得出接近实测的反演结果；T atsuyukiSagaw等人使用随机森林机器学习和多时相卫星图像创建广义深度估计模型,使用Google Earth引擎分析了总共135幅 Landsat
‑
8图像和五个区域的大量训练测深数据。通过与参考测深数据的比较，评估了SDB的精度。五个试验区最终估计水深的均方根误差为1.41m，深度为0至20m,可见随机森林模型的计算适用于高透明度条件下的各种浅水区域；Hassan Mohamed利用最小二乘增强 (LSB)的集成学习拟合算法，从高分辨率卫星图像和生态测深仪的水深测量样本中计算浅水湖泊水深图的方法，并将其与主成分分析 (PCA)和广义线性模型(GLM)的回归方法做比较，可见集成学习算法相比单一模型有着更高的潜力。
[0006]现有的机器学习模型大多使用同一种分类器，或是多个相同来源的分类器共同集成，这种集成方法可以叫做同源集成。对于同源集成而言，有一个需要注意也十分重要的点：那就是相同来源的模型的误差是相关的，也就是引起每个模型误差的原因都是相同的，
各个模型引发误差的因素是比较相似的，那么通过组合仍然不能有效的提高模型的效果。又因为每个模型在不同水深范围都有其表现优秀的擅长领域，因此，很难找到一种机器学习模型适应所有的水深反演条件。

技术实现思路

[0007]针对现有的技术缺陷，本专利技术提出使用Stacking的集成方法，针对不同的模型进行不同的加权输出，这样可以发挥各个模型的特性，得到更好的反演结果。
[0008]为了达到上述目的，本专利技术提供了一种基于stacking集成模型的多光谱卫星遥感测深方法，包括如下步骤：
[0009](1)获取待测水域的多光谱卫星影像及对应的实测样本数据集，针对所述多光谱卫星影像进行预处理；针对所述实测样本数据集划分为训练集和验证集；
[0010](2)建立stacking集成模型，所述stacking集成模型有两层，包括第一层的基学习层和第二层的泛化层，所述基学习层包括多个基础学习器；
[0011](3)将预处理后所述多光谱卫星影像及所述实测样本数据集输入到stacking集成模型进行训练，获取所述待测水域的整体水深信息；
[0012](4)针对所述待测水域的整体水深信息进行质量评估和水深制图。
[0013]进一步的，所述针对所述多光谱卫星影像进行预处理包括：辐射校正、几何配准以及耀斑消除。
[0014]进一步的，所述基学习层的多个基础学习器包括：随机森林、支持向量机、GBDT以及神经网络四种水深反演机器学习模型。
[0015]进一步的，所述泛化层的学习器为MARS多重自适应回归样条算法。
[0016]进一步的，所述stacking集成模型的训练方法包括：
[0017](2.1)将预处理后所述多光谱卫星影像及所述训练集数据输入到所述基学习层的多个基础学习器进行水深反演机器学习，其结果作为所述基学习层的输出；
[0018](2.2)使用所述验证集数据针对所述基学习层的输出进行验证评估；
[0019](2.3)将所述基学习层的输出作为所述泛化层的训练数据集进行训练，并使用所述验证集数据进行验证评估，获取所述待测水域的整体水深信息。
[0020]本专利技术还提供了一种基于stacking集成模型的多光谱卫星遥感测深装置，包括：
[0021]预处理模块：用于获取待测水域的多光谱卫星影像及对应的实测样本数据集，针对所述多光谱卫星影像进行预处理；针对所述实测样本数据集划分为训练集和验证集；
[0022]集成模型建模模块：用于建立stacking集成模型，所述stacking 集成模型包括第一层的基学习层和第二层的泛化层，所述基学习层包括多个基础学习器；
[0023]水深计算模块：用于将预处理后所述多光谱卫星影像及所述实测样本数据集输入到stacking集成模型进行训练，获取所述待测水域的水深信息；
[0024]评估及制图模块：用于针对所述待测水域的整体水深信息进行质量评估和水深制图。
[0025]本专利技术还提供了一种设备，包括存储器、处理器以及存储在存储器中并能在存储器上执行的计算机程序，所述处理器执行计算机程序时实现上述基于stacking集成模型的多光谱卫星遥感测深方法。
[0026]本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述基于 stacking集成模型的多光谱卫星遥感测深方法。
[0027]本专利技术的有益效果：
[0028]本专利技术所提出的将多个训练数据集和机器学习模型相结合的方法，在针对遥感影像估计水深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于stacking集成模型的多光谱卫星遥感测深方法，其特征在于，包括如下步骤：(1)获取待测水域的多光谱卫星影像及对应的实测样本数据集，针对所述多光谱卫星影像进行预处理；针对所述实测样本数据集划分为训练集和验证集；(2)建立stacking集成模型，所述stacking集成模型有两层，包括第一层的基学习层和第二层的泛化层，所述基学习层包括多个基础学习器；(3)将预处理后所述多光谱卫星影像及所述实测样本数据集输入到stacking集成模型进行训练，获取所述待测水域的整体水深信息；(4)针对所述待测水域的整体水深信息进行质量评估和水深制图。2.根据权利要求1所述的基于stacking集成模型的多光谱卫星遥感测深方法，其特征在于，所述针对所述多光谱卫星影像进行预处理包括：辐射校正、几何配准以及耀斑消除。3.根据权利要求1所述的基于stacking集成模型的多光谱卫星遥感测深方法，其特征在于，所述基学习层的多个基础学习器包括：随机森林、支持向量机、GBDT以及神经网络四种水深反演机器学习模型。4.根据权利要求1所述的基于stacking集成模型的多光谱卫星遥感测深方法，其特征在于，所述泛化层的学习器为MARS多重自适应回归样条算法。5.根据权利要求1所述的基于stacking集成模型的多光谱卫星遥感测深方法，其特征在于，所述stacking集成模型的训练方法包括：(2.1)将预处理后所述多光谱卫星影像及所述训练集数据输入所述基学习层的多个基础学习器进行水深反演机器学习，其结果作为所述基学习层的输出；(2.2)使用所述验...

【专利技术属性】
技术研发人员：沈蔚，陈沐崟，王家琦，郝李华，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：