基于自优化机器学习的多源遥感城市河流水质监测方法技术

本发明专利技术属于卫星遥感数据和无人机数据处理技术领域，具体涉及一种基于自优化机器学习的多源遥感城市河流水质监测方法，本发明专利技术以“如何利用机器学习方法，解决简单地面点数据与遥感数据之间复杂的非线性关系这一非常重要的问题”为核心，通过特征增强和特征重要度排序方法进一步提高输入模型的波段组合。同时，将无人机反演结果作为真实水质浓度以此来扩充卫星反演的样本数量和质量，提高卫星影像反演质量的同时弥补了无人机反演水质时范围受限的问题；从少量样本下利用模拟退火算法自动优化机器学习的众多参数，减少了模型的训练时间，实现了顾及空间映射机制的多源遥感水质反演新方法。反演新方法。反演新方法。

【技术实现步骤摘要】
基于自优化机器学习的多源遥感城市河流水质监测方法


[0001]本专利技术属于卫星遥感数据和无人机数据处理
，具体涉及一种基于自优化机器学习的多源遥感城市河流水质监测方法。

技术介绍

[0002]遥感技术因其覆盖范围广、连续观测、成本低等特点目前已被广泛应用于不同类型水域的水质状况监测，遥感技术具有时效性强、监测范围宽等优点，结合实测水质数据，可用于水质参数的定量反演，弥补了传统水质监测的局限性，能长期、大规模地反映的水质时空分布规律。随着遥感技术的不断发展，基于遥感的水质监测已经从定性分析发展到定量分析。
[0003]传统的横截面水质监测主要采用单点监测的方法获取采样点的水质参数浓度。虽然该方法可以准确检测各种水质指标的浓度，但耗时费力，且无法在使用后中追踪污染源。无人机具有低成本、灵活、低空飞行等特点，随着无人机技术的快速发展，无人机航拍技术已广泛应用于国家生态环境保护、矿产资源调查、海洋环境监测、土地利用调查、自然灾害评估、作物监测和产量评估等领域。无人机搭载的高分辨率多光谱相机可以在不受云层影响的情况下提取小微水体的高质量光本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自优化机器学习的多源遥感城市河流水质监测方法，其特征在于：包括以下步骤：步骤一、多源遥感水质监测数据获取以及预处理；步骤二、基于敏感波段和波段组合的特征选择；步骤三、基于空间映射机制的信息传递；步骤四、基于参数自动优化的机器学习算法构建水质反演模型。2.根据权利要求1所述的基于自优化机器学习的多源遥感城市河流水质监测方法，其特征在于，步骤一中，在实地采样化学分析水质监测和遥感理论认识的基础上，利用机器学习、实测水质数据、无人机遥感影像和卫星遥感影像。3.根据权利要求2所述的基于自优化机器学习的多源遥感城市河流水质监测方法，其特征在于，进一步实现包括如下步骤：1)确定表征水体污染关键指标，结合影像过境时间获取多时相的水质实测数据；2)多旋翼无人机搭载多光谱相机对监测水域进行影像采集，同时获取采样时间内的卫星影像数据，并对遥感数据进行预处理；3)提取采样点对应遥感影像光谱信息，结合水质实测数据构建水质反演数据集。4.根据权利要求1所述的基于自优化机器学习的多源遥感城市河流水质监测方法，其特征在于，步骤二中，根据水质实测数据和提取的光谱反射率，通过分析光谱反射率和水质参数浓度间的关系，确定敏感波段，构建多种和水质参数浓度相关性高的波段组合；并通过python代码实现特征重要度排序，最终根据排序选择最优特征作为模型的输入变量。5.根据权利要求1所述的基于自优化机器学习的多源遥感城市河流水质监测方法，其特征在于，步骤四中，采用空间映射的方法，将低维采样点数据映射到高维无人机多光谱图像上，再将无人机图像的反演结果映射到低分辨率GF
‑
1C图像上。6.根据权利要求1所述的基于自优化机器学习的多源遥感城市河流水质监测方法，其特征在于，卫星数据样本的构建步骤如下:1)选择...

【专利技术属性】
技术研发人员：王彪，潘成荣，徐升，吴艳兰，钱贞兵，杨辉，秦军，
申请(专利权)人：安徽省生态环境监测中心安徽省重污染天气预报预警中心，
类型：发明
国别省市：