一种叶绿素a遥感反演方法、装置、系统以及存储介质制造方法及图纸

本发明专利技术提供一种叶绿素a遥感反演方法、装置、系统以及存储介质，属于色素处理领域，方法包括：S1：从SeaBASS验证系统中获取多个叶绿素a浓度，并从中分辨率成像光谱仪中获取多个卫星传感器测量值；S2：分别将各个叶绿素a浓度及各个卫星传感器测量值进行匹配得到卫星原位匹配对集合；S3：对卫星原位匹配对集合进行分析筛选得到筛选后匹配对样本集合；S4：按照预设比例将筛选后匹配对样本集合划分为匹配对训练子集合以及匹配对测试子集合。本发明专利技术解决了现有叶绿素a反演算法输入特征和训练样本的不足，且反演精度易受扩展特征质量的影响的问题，还解决了人工构造扩展的缺点以及噪声不耐受及反演结果不丰富的问题。受及反演结果不丰富的问题。受及反演结果不丰富的问题。

【技术实现步骤摘要】
一种叶绿素a遥感反演方法、装置、系统以及存储介质


[0001]本专利技术主要涉及色素处理
，具体涉及一种叶绿素a遥感反演方法、装置、系统以及存储介质。

技术介绍

[0002]叶绿素a(Chla)是浮游植物中的主要色素。这对于确定浮游植物生物量至关重要，浮游植物生物量用于估计水体的营养状态。参考现有科学文献中叶绿素a浓度反演的研究，传统Chla反演算法无法将Chla与悬浮颗粒物(SPM)和有色溶解有机物(CDOM)区分开来，这导致这些水成分不变的不确定性。机器学习也被用于构建跨水体类型的Chla反演算法，其中多层感知机(MLP)、高斯过程回归(GPR)、支持向量回归(SVR)、随机森林回归(RFR)已证明在反演Chla方面具有潜力。但是，目前基于CNN算法对不同营养级的Chla反演的方法尚未开展研究。

技术实现思路

[0003]本专利技术所要解决的技术问题是针对现有技术的不足，提供一种叶绿素a遥感反演方法、装置、系统以及存储介质。
[0004]本专利技术解决上述技术问题的技术方案如下：一种叶绿素a遥感反演方法，包括如下步骤：
[0005]S1：从SeaBASS验证系统中获取多个叶绿素a浓度，并从中分辨率成像光谱仪中获取多个卫星传感器测量值；
[0006]S2：分别将各个所述叶绿素a浓度及各个所述卫星传感器测量值进行匹配，得到各个所述叶绿素a浓度的卫星原位匹配对，并构成卫星原位匹配对集合；
[0007]S3：对所述卫星原位匹配对集合进行分析筛选，得到筛选后匹配对样本集合；
[0008]S4：按照预设比例将所述筛选后匹配对样本集合划分为匹配对训练子集合以及匹配对测试子集合；
[0009]S5：构建一维卷积神经网络以及支持向量机回归模型，利用所述匹配对训练子集合以及所述匹配对训练子集合中各个所述卫星原位匹配对所对应的叶绿素a浓度，对所述一维卷积神经网络以及所述支持向量机回归模型进行训练，得到训练后一维卷积神经网络以及训练后支持向量机回归模型；
[0010]S6：通过所述训练后一维卷积神经网络以及所述训练后支持向量机回归模型，对所述匹配对测试子集合中各个所述卫星原位匹配对进行预测，得到所述匹配对测试子集合中各个所述卫星原位匹配对所对应叶绿素a浓度的预测值；
[0011]S7：根据所述匹配对训练子集合中各个所述卫星原位匹配对所对应的叶绿素a浓度以及所述匹配对测试子集合中各个所述卫星原位匹配对所对应叶绿素a浓度的预测值，对所述训练后一维卷积神经网络以及所述训练后支持向量机回归模型进行目标反演模型的分析，得到目标反演模型；
[0012]S8：导入待处理遥感卫星反射率数据，通过所述目标反演模型对所述待处理遥感卫星反射率数据进行反演处理，得到叶绿素a遥感反演结果。
[0013]本专利技术解决上述技术问题的另一技术方案如下：一种叶绿素a遥感反演装置，包括：
[0014]参数获取模块，用于从SeaBASS验证系统中获取多个叶绿素a浓度，并从中分辨率成像光谱仪中获取多个卫星传感器测量值；
[0015]数据匹配模块，用于分别将各个所述叶绿素a浓度及各个所述卫星传感器测量值进行匹配，得到各个所述叶绿素a浓度的卫星原位匹配对，并构成卫星原位匹配对集合；
[0016]筛选分析模块，用于对所述卫星原位匹配对集合进行分析筛选，得到筛选后匹配对样本集合；
[0017]匹配对划分模块，用于按照预设比例将所述筛选后匹配对样本集合划分为匹配对训练子集合以及匹配对测试子集合；
[0018]模型训练模块，用于构建一维卷积神经网络以及支持向量机回归模型，利用所述匹配对训练子集合以及所述匹配对训练子集合中各个所述卫星原位匹配对所对应的叶绿素a浓度，对所述一维卷积神经网络以及所述支持向量机回归模型进行训练，得到训练后一维卷积神经网络以及训练后支持向量机回归模型；
[0019]模型测试模块，用于通过所述训练后一维卷积神经网络以及所述训练后支持向量机回归模型，对所述匹配对测试子集合中各个所述卫星原位匹配对进行预测，得到所述匹配对测试子集合中各个所述卫星原位匹配对所对应叶绿素a浓度的预测值；
[0020]目标反演模型分析模块，用于根据所述匹配对训练子集合中各个所述卫星原位匹配对所对应的叶绿素a浓度以及所述匹配对测试子集合中各个所述卫星原位匹配对所对应叶绿素a浓度的预测值，对所述训练后一维卷积神经网络以及所述训练后支持向量机回归模型进行目标反演模型的分析，得到目标反演模型；
[0021]遥感反演结果获得模块，用于导入待处理遥感卫星反射率数据，通过所述目标反演模型对所述待处理遥感卫星反射率数据进行反演处理，得到叶绿素a遥感反演结果。
[0022]基于上述一种叶绿素a遥感反演方法，本专利技术还提供一种叶绿素a遥感反演系统。
[0023]本专利技术解决上述技术问题的另一技术方案如下：一种叶绿素a遥感反演系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的叶绿素a遥感反演方法。
[0024]基于上述一种叶绿素a遥感反演方法，本专利技术还提供一种计算机可读存储介质。
[0025]本专利技术解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的叶绿素a遥感反演方法。
[0026]本专利技术的有益效果是：通过将叶绿素a浓度及卫星传感器测量值的匹配得到卫星原位匹配对集合，对卫星原位匹配对集合的分析筛选得到筛选后匹配对样本集合，按照预设比例将筛选后匹配对样本集合划分为匹配对训练子集合以及匹配对测试子集合，利用匹配对训练子集合以及匹配对训练子集合中的叶绿素a浓度对一维卷积神经网络以及支持向量机回归模型的训练得到训练后一维卷积神经网络以及训练后支持向量机回归模型，通过训练后一维卷积神经网络以及训练后支持向量机回归模型对卫星原位匹配对的预测得到
预测值，根据叶绿素a浓度以及预测值对训练后一维卷积神经网络以及训练后支持向量机回归模型的目标反演模型分析得到目标反演模型，通过目标反演模型对待处理遥感卫星反射率数据的反演处理得到叶绿素a遥感反演结果，填补了基于CNN的算法在营养水平上反演Chla的不足，避免了将基于OWT的反演算法结合起来，以建立不同水体类型的叶绿素a统一反演模型的需要，解决了现有叶绿素a反演算法输入特征和训练样本的不足，且反演精度易受扩展特征质量的影响的问题，还解决了人工构造扩展的缺点以及噪声不耐受及反演结果不丰富的问题。
附图说明
[0027]图1为本专利技术实施例提供的一种叶绿素a遥感反演方法的流程示意图；
[0028]图2为本专利技术实施例提供的另一种叶绿素a遥感反演方法的流程示意图；
[0029]图3为本专利技术实施例提供的一种叶绿素a遥感反演装置的模块框图。
具体实施方式
[0030]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种叶绿素a遥感反演方法，其特征在于，包括如下步骤：S1：从SeaBASS验证系统中获取多个叶绿素a浓度，并从中分辨率成像光谱仪中获取多个卫星传感器测量值；S2：分别将各个所述叶绿素a浓度及各个所述卫星传感器测量值进行匹配，得到各个所述叶绿素a浓度的卫星原位匹配对，并构成卫星原位匹配对集合；S3：对所述卫星原位匹配对集合进行分析筛选，得到筛选后匹配对样本集合；S4：按照预设比例将所述筛选后匹配对样本集合划分为匹配对训练子集合以及匹配对测试子集合；S5：构建一维卷积神经网络以及支持向量机回归模型，利用所述匹配对训练子集合以及所述匹配对训练子集合中各个所述卫星原位匹配对所对应的叶绿素a浓度，对所述一维卷积神经网络以及所述支持向量机回归模型进行训练，得到训练后一维卷积神经网络以及训练后支持向量机回归模型；S6：通过所述训练后一维卷积神经网络以及所述训练后支持向量机回归模型，对所述匹配对测试子集合中各个所述卫星原位匹配对进行预测，得到所述匹配对测试子集合中各个所述卫星原位匹配对所对应叶绿素a浓度的预测值；S7：根据所述匹配对训练子集合中各个所述卫星原位匹配对所对应的叶绿素a浓度以及所述匹配对测试子集合中各个所述卫星原位匹配对所对应叶绿素a浓度的预测值，对所述训练后一维卷积神经网络以及所述训练后支持向量机回归模型进行目标反演模型的分析，得到目标反演模型；S8：导入待处理遥感卫星反射率数据，通过所述目标反演模型对所述待处理遥感卫星反射率数据进行反演处理，得到叶绿素a遥感反演结果。2.根据权利要求1所述的叶绿素a遥感反演方法，其特征在于，所述步骤S3的过程包括：按照多个预设叶绿素a浓度区间，将从SeaBASS网站验证系统中获取的所有所述叶绿素a浓度的卫星原位匹配对划分为多个类别；其中，每个所述类别中包括至少一个卫星原位匹配对；分别从所有所述类别的卫星原位匹配对所对应的卫星传感器测量值中，筛选出大于或者等于预设判断值的卫星传感器测量值，并将筛选出的卫星传感器测量值所对应的卫星原位匹配对作为筛选后匹配对样本，并集合所有所述筛选后匹配对样本得到筛选后匹配对样本集合。3.根据权利要求1所述的叶绿素a遥感反演方法，其特征在于，所述步骤S5的过程包括：S51：构建一维卷积神经网络，基于SVR支持向量机回归算法构建支持向量机回归模型，所述一维卷积神经网络包括全连接层和多个卷积层；S52：分别对所述匹配对训练子集合中各个所述卫星原位匹配对进行归一化处理，得到归一化卫星原位匹配对；S53：通过所述全连接层分别对各个所述归一化卫星原位匹配对进行数据增强，得到增强后卫星原位匹配对；S54：通过多个所述卷积层分别对各个所述增强后卫星原位匹配对进行特征提取，得到训练匹配特征；S55：通过所述支持向量机回归模型，分别对所述匹配对训练子集合中各个所述卫星原
位匹配对所对应的叶绿素a浓度以及训练匹配特征进行拟合建模，得到与各个所述卫星原位匹配对所对应的叶绿素a浓度的拟合值；S56：根据所述匹配对训练子集合中所有所述卫星原位匹配对所对应的叶绿素a浓度以及叶绿素a浓度的拟合值进行评估指标的分析，得到第一决定系数以及第一损失值；S57：根据所述第一损失值分别对所述一维卷积神经网络以及所述支持向量机回归模型进行参数更新；S58：参数更新后返回循环执行S52
‑
S57，直至达到预设迭代次数，则分别将最后一次参数更新后的一维卷积神经网络以及支持向量机回归模型作为训练后一维卷积神经网络以及训练后支持向量机回归模型。4.根据权利要求3所述的叶绿素a遥感反演方法，其特征在于，所述步骤S55的过程包括：分别将所述匹配对训练子集合中各个所述卫星原位匹配对所对应的训练匹配特征进行对数变换，得到训练匹配特征对数变换值；通过所述支持向量机回归模型，分别对所述匹配对训练子集合中各个所述卫星原位匹配对所对应的叶绿素a浓度以及训练匹配特征对数变换值进行拟合，得到与各个所述卫星原位匹配对所对应的叶绿素a浓度的拟合值。5.根据权利要求3所述的叶绿素a遥感反演方法，其特征在于，所述步骤S56的过程包括：基于第一式，根据所述匹配对训练子集合中所有所述卫星原位匹配对所对应的叶绿素a浓度以及叶绿素a浓度的拟合值进行第一决定系数的计算，得到第一决定系数，所述第一式为：基于第二式，根据所述匹配对训练子集合中所有所述卫星原位匹配对所对应的叶绿素a浓度以及叶绿素a浓度的拟合值进行第一损失值的计算，得到第一损失值，所述第二式为：其中，R2为第一决定系数，MAE为第一损失值，mean为均值函数，M
i
为所述匹配对训练子集合中第i个所述卫星原位匹配对所对应的叶绿素a浓度，E
i
为所述匹配对训练子集合中第i个所述卫星原位匹配对所对应的叶绿素a浓度的拟合值，n为所述匹配对训练...

【专利技术属性】
技术研发人员：范冬林，何宏昌，曾优，付波霖，康传利，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：