基于人工神经网络和高分1号卫星反演水体悬浮泥沙的方法及其应用技术

本发明专利技术涉及一种基于人工神经网络和高分1号卫星反演水体悬浮泥沙的方法及其应用。本发明专利技术选用四层(含有双层隐含层)的人工神经网络模型，构建BP神经网络反演模型。建立训练样本集是利用神经网络进行反演的关键环节。本发明专利技术提高混浊水体悬浮泥沙反演的精度与拟合度。与其他机器学习算法(如随机森林模型、梯度提升回归树模型、支持向量机模型)相比，本发明专利技术所构建的BPNN神经网络模型对浑浊水体悬浮泥沙浓度反演的效果更佳。度反演的效果更佳。度反演的效果更佳。

【技术实现步骤摘要】
基于人工神经网络和高分1号卫星反演水体悬浮泥沙的方法及其应用


[0001]本专利技术涉及一种基于人工神经网络和高分1号卫星反演水体悬浮泥沙的方法及其应用。

技术介绍

[0002]悬浮泥沙是内陆及近岸Ⅱ类水体中重要的水质参数之一,它承载着水体中各种营养物质和污染物,水体透明度受其含量影响,进而不同深度水体的入射光的辐射量也受其影响,从而它影响着水生生物的生存环境
[1]。同时,对于河口地区来说,其周边滩涂的淤涨直接受到悬浮泥沙传输迁移的影响,滩涂围垦、码头、桥梁建设等工程也受其影响
[2]。因此,水体悬浮泥沙浓度及其时空分布格局对水生态环境、涉水工程、地貌的影响的研究有着重要意义。通过对实测站点采集的水样进行室内水质化学分析是常规化的水环境监测方法，这种方法耗时耗力且监测站点数目有限,因此无法完全反映水域状况,时间和空间上的连续性有所欠缺。
[0003]遥感技术具有获取信息的优势，能够宏观、实时、动态地监测广域范围水体环境状况,是水环境监测的重要手段。高分一号卫星(GF
‑
1)是中国高分辨率对地观测系统的第一颗卫星,它具有如下完美特点：(1)高空间与高时间分辨率相结合；(2)重复周期仅为4天。因此在监测水质变化方面具有极强的实用价值,其WFV传感器的空间分辨率为16米,高精度能够满足对悬浮泥沙进行反演的精度需要
[3]。
[0004]近些年的研究工作主要基于实测数据和遥感数据，数据分析后进行建模。李京基于准同步实测数据、AVHRR数据，得出AVHRR测定杭州湾悬浮泥沙浓度的精度高
[4]。李四海等深度利用AVHRR数据，以灰度法、斜率法、泥沙指数法建立长江口悬浮泥沙定量模式，结果表明，泥沙指数法对高浓度泥沙区更加合适
[5]。陈晓翔等结合FY
‑
1D遥感数据、准同步珠江口实测悬浮泥沙值，建立遥感估算模型，验证FY
‑
1D对于近海泥沙监测的适用性
[6]。刘王兵等通过分析杭州湾实测光谱数据和悬浮泥沙浓度的相关性，建立基于HJ
‑
CCDB4和B3比值的指数模型
[7]。程乾等根据实测数据模拟高分一号卫星数据，将其应用于杭州湾泥沙反演，得到的模型相关性高达0.8，反演效果良好
[8]。尽管目前相关反演技术比较成熟，但近岸水体光谱具有复杂性，建立的模型都有区域局限性，缺乏普适性。

技术实现思路

[0005]本专利技术的目的是提供一种基于人工神经网络和高分1号卫星反演水体悬浮泥沙浓度的方法，精确度高，实用性强，更加适宜于杭州湾混浊水体悬浮泥沙浓度的反演。
[0006]为实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于人工神经网络和高分1号卫星反演水体悬浮泥沙浓度的方法，包括以下步骤：
[0008]步骤一：实地测量
[0009]对水体进行野外采样，得到水面遥感反射率。所述水体为内陆及近岸Ⅱ类水体。
[0010]步骤二：数据预处理
[0011]对采集到的原始高分1号卫星遥感影像进行预处理，采用基于辐射传输模型的FLAASH图像大气校正法。
[0012]步骤三：算法架构与模型构建
[0013]近年来，应用人工神经网络算法是一大热点，它具有容错性强、求得最优解而不是精确解、自组织等优点，是地球物理反演领域的一颗新星
[9]。输入层、隐藏层、输出层是BP神经网络的基本组成，层与层间进行全连接，但每一层神经元间互不连接。隐藏层的特性决定着网络的性能，隐藏层层数的增加可以改善网络性能，然而过多隐藏层层数会造成过度拟合、网络收敛速度低等问题
[10]。鉴于人工神经网络的上述特点，本专利技术选用四层(含有双层隐含层)的人工神经网络模型，构建BP神经网络反演模型。建立训练样本集是利用神经网络进行反演的关键环节，这将直接影响反演精度和效率。本专利技术选取更多敏感的自变量，将波段组合的值与实测悬浮泥沙浓度带入选用的神经网络模型中(设置为2个隐含层和1个输出层)，经过训练，BP神经网络的具体参数设置最终得以确定。设置隐含层神经元个数非常重要，神经元个数太少会导致网络自由度不够，学习空间有欠缺；个数太多会导致训练过度。通过不断的训练和尝试才能得到BP神经网络的最终具体参数。
[0014]步骤四：精确度检验与评价
[0015]本专利技术最终依据决定系数(R2)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)三个指标确定最佳组合。最佳神经网络模型的R2为0.9398和0.9198，MAPE为0.34％和15.53％，RMSE为0.35和0.16M
‑1，结果表明该算法的性能可以用于反演杭州湾的悬浮泥沙浓度。
[0016]步骤五：与其他常用模型分析比较
[0017]评价BP神经网络模型在浑浊水体悬浮泥沙浓度反演中的优越性。分别选取普遍应用在水体悬浮泥沙反演的其他机器学习算法，如随机森林模型、梯度提升回归树模型以及支持向量机模型，对它们的反演精确度进行比较与评价。
[0018]步骤六：反演结果与分析
[0019]将训练后的BP神经网络模型应用于高分1号遥感影像(2019年8月21日)中，以估计杭州湾水体的悬浮泥沙浓度。
[0020]其中，步骤一所述的实地测量的步骤为：
[0021]记录每个样点的风速、风向、经纬度等信息。将水样低温冷藏，当天送至实验室。
[0022]采用干燥、烘烧、称重法(GB11901
‑
89标准)测定总悬浮物浓度，将Whatman GFF滤膜在105℃温度下烘干称重，过滤一定体积的水样在105℃温度下重新烘干称重，从而计算得到总悬浮物浓度
[11]。
[0023]在每个采样位置测量地表水光谱，光谱采集所使用的仪器为ASD fieldspec 4野外便携式光谱测量仪。水体光谱测量采用水面以上测量法，设置仪器观测平面与太阳入射平面的夹角为135
°
，仪器与水面法线方向的夹角为40
°
。将离水辐照亮度公式、水面入射辐照度公式进行代换得到水面遥感反射率。
[0024]步骤二所述的数据预处理的步骤为：采用基于辐射传输模型的FLAASH图像大气校正法。在ENVI软件中，运用FLAASH Atmospheric Correction工具，结合影像头文件信息，依
据水体的波谱曲线的反射及吸收特征，设定相关参数，对影像进行大气校准处理。
[0025]步骤三所述的算法架构与模型构建是指：基于神经网络模型的算法背景。选用含有双层隐含层的BP神经网络模型实现水体悬浮泥沙浓度的反演，为了建立具体模型，确定模型具体的参数设置，需要选取最敏感的反演因子，选取敏感自变量，将从以下几个步骤进行：
[0026]1)计算实测点对应的遥感数据的波段2和波段3两个单波段的值，以及它们的加减乘除组合，分别为:b2，b3，b2/b3，b3/b2，b2*b3，b2+b3，b2－b3，b3－b2，共两个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工神经网络和高分1号卫星反演水体悬浮泥沙的方法，其特征在于：包括以下步骤：步骤一：实地测量对水体进行野外采样，得到水面遥感反射率；步骤二：数据预处理对采集到的原始高分1号卫星遥感影像进行预处理；步骤三：算法架构与模型构建基于人工神经网络算法背景，构建BPNN模型；所述的算法架构与模型构建，选用的是含有双层隐含层的BP神经网络模型实现研究区域悬浮泥沙浓度的反演；通过选取最敏感的反演因子，构建具体模型以及确定BPNN模型具体的参数设置；步骤四：精确度检验与评价通过决定系数、均方根误差和平均绝对百分比误差三个指标确定最佳组合。2.根据权利要求1所述的方法，其特征在于，所述水体为内陆及近岸Ⅱ类水体。3.根据权利要求1所述的方法，其特征在于，步骤一所述的实地测量的步骤为：采样时记录每个样点的经纬度、风速、风向信息；将水样低温冷藏，并当天送到实验室；测定总悬浮物浓度；在每个采样位置测量地表水光谱；将离水辐照亮度公式、遥感反射率公式进行代换得到水面遥感反射率，通过计算各测量点的反射率，并获得反射率曲线图。4.根据权利要求1所述的方法，其特征在于，步骤二所述的数据预处理，采用的是基于辐射传输模型的FLAASH图像大气校正法；在ENVI软件中，运用其FLAASH Atmospheric Correction工具，依据植被以及水体的波谱曲线的反射以及吸收特征，结合影像头文件信息，设定相关参数，实现对影像的大气校准处理。5.根据权利要求1所述的方法，其特征在于，步骤三所述的算法架构与模型构建的步骤为：1)主要获取波段2和波段3的光谱反射率数据，来消除不敏感波段对建模带来的不良影响；2)计算实测点对应的遥感数据的波段2和波段3两个单波段的值，以及它们的加减乘除组合，分别为:b2，b3，b2/b3，b3/b2，b2*b3，b2+b3，b2－b3，b3－b2，共两个单波段和6个波段组合；3)对6个波段组合再进行两两相组合加减乘除运算，一共得到60个波段组合，加上之前的2个波段与6个波段组合，一共是68个波段和波段组合；4)求这68个波段及波段组合的值与实测悬浮泥沙浓度的相关系数，并找出相关性强的波段组合，所选取的...

【专利技术属性】
技术研发人员：程乾，吴星童，金则澎，毛峰，余述君，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：