【技术实现步骤摘要】
本专利技术涉及内陆湖泊水体环境监测，特别涉及内陆湖泊水体藻蓝素浓度测量，具体是指一种基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型和方法。
技术介绍
1、内陆湖泊水体富营养化的加剧往往引起蓝藻的异常生长，从而造成水华爆发，污染湖泊水质，严重影响了周边人口的用水安全。藻蓝素是蓝藻进行光合作用的重要色素，可作为蓝藻监测的标志性色素。因此，藻蓝素的遥感反演、模型定量估测是加强对水体藻蓝素高频、快速的监测的基础(马荣华,孔维娟,段洪涛等，基于modis影像估测太湖蓝藻暴发期藻蓝素含量[j].中国环境科学,2009(03):254-260)。而内陆水体光学特性复杂，使用高光谱以及多光谱等遥感技术快速定量估测内陆浑浊水体藻蓝素浓度成为一个难点(冯龙庆，基于高光谱遥感的太湖水体藻蓝素和cdom浓度估算模型研究[d].南京农业大学)。
2、目前遥感定量反演藻蓝素浓度的方法主要包括分析方法、半经验方法和经验方法，提取各种遥感数据包含的藻蓝素浓度信息，定量计算藻蓝素浓度。分析方法通过生物光学及辐射传输等物理模型定量反演藻蓝素浓度，需要明确水体的表观光学特性和固有光学特性等参数，而内陆湖泊水体组分及光学特性复杂，各种参数精确测量困难，因此反演结果精度普遍不高；半经验法通过借鉴分析方法的物理模型，用统计分析的方法确定部分运行参数来反演藻蓝素浓度，精度较好，得到了比较广泛的应用，但是构建的反演模型具有一定的时空局限性；经验法通过建立遥感数据和地面实测藻蓝素浓度之间的统计关系定量计算藻蓝素浓度，反演模型受时空局限性限制较大，可移植性较差。
3、以上三种方法在构建模型过程中大多采用固定位置的波段数据。而内陆湖泊水体组分、光学特性复杂，各个组分的特征波段相互叠加，各个组分已存在相互作用，导致了水体中藻蓝素特征波段的“漂移”现象，使得不同水体中藻蓝素特征波段无法准确确定。常用的双波段比值模型用于高浊度水体容易出现饱和现象，三波段参数不稳定，并且特征波段选择、确定困难，适用性受到一定的限制，因此需要针对内陆湖泊等高浑浊水体藻蓝素浓度反演的应用及需求作进一步改进。此外，大多数研究中使用的反演模型多为使用水体遥感遥感反射率中的特定波段，所构建的波段模型多为线性或者广义线性模型，仅仅考虑了特定波段信息与藻蓝素的线性效应关系，忽略了未选定的波段中包含的信息以及非线性效应，未能充分利用高波段分辨率的水体遥感反射率中所包含的藻蓝素浓度信息。因此，藻蓝素浓度的反演方法需要进一步改进和完善。
4、因此，希望提供一种内陆湖泊水体藻蓝素浓度遥感反演模型，其能够减小计算结果误差，提高水体藻蓝素浓度的反演模型精度。
技术实现思路
1、为了克服上述现有技术中的缺点，本专利技术的一个目的在于提供一种基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型，其能够减小计算结果误差，提高水体藻蓝素浓度的反演模型精度，适于大规模推广应用。
2、本专利技术的另一目的在于提供一种基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型，其设计巧妙，计算简便，易于实现，成本低，适于大规模推广应用。
3、本专利技术的另一目的在于提供一种基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演方法，其能够减小计算结果误差，提高水体藻蓝素浓度的反演精度，适于大规模推广应用。
4、本专利技术的另一目的在于提供一种基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演方法，其设计巧妙，操作简单方便，成本低，适于大规模推广应用。
5、为达到以上目的，在本专利技术的第一方面，提供一种基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型，其特点是，所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型为python语言的梯度提升回归模型，所述梯度提升回归模型的模型参数为：'min samples leaf'＝4,'max features'＝'log2','loss'＝'ls','max depth'＝19,'min weight fraction leaf'＝0.3803256822349142,'criterion'＝'mse','n iterno change'＝506,'min samples split'＝0.2912220268084832,'subsample'＝0.8498490888771387,'max leaf nodes'＝43,'ccp alpha'＝0.07517265061990244,'minimpurity decrease'＝0.07096489722082104,'nestimators'＝623,'tol'＝2.535504757041876,'validation fraction'＝0.03896014452689472,'alpha'＝0.712966111263942,'min impurity split'＝7.2769312672339925,'learning rate'＝0.19136036531327313。
6、较佳地，所述梯度提升回归模型采用内陆湖泊水体的数据集训练而成，所述数据集包括所述内陆湖泊水体的m个样点的水体遥感反射比和藻蓝素浓度，m个所述样点均匀分布在所述内陆湖泊水体上，所述水体遥感反射比为n个特征波段的水体遥感反射比。
7、更佳地，所述m为60，所述n个特征波段为751个特征波段，所述751个特征波段为从350nm波段至1100nm波段。
8、在本专利技术的第二方面，提供了一种基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演方法，其特点是，包括以下步骤：
9、(1)测量内陆湖泊水体的水体遥感反射比；
10、(2)测量所述内陆湖泊水体的藻蓝素浓度cpc：
11、(3)以所述水体遥感反射比为输入数据，采用python语言的梯度提升回归模型进行计算，获得反演值，根据所述反演值与所述藻蓝素浓度计算决定系数r2，改变所述梯度提升回归模型的模型参数的取值，r2的变化越大，说明所述模型参数的重要性越大，将所述模型参数按照所述重要性的大小由大到小进行排列构建模型参数调优秩次矩阵；
12、(4)以所述水体遥感反射比为所述输入数据，以所述藻蓝素浓度为输出结果，训练所述梯度提升回归模型，根据所述模型参数调优秩次矩阵依次对所述模型参数进行调优，获得所述模型参数的调优值；
13、(5)以所述水体遥感反射比为所述输入数据，以所述藻蓝素浓度为所述输出结果，采用所述的模型参数的调优值，训练所述梯度提升回归模型，待所述梯度提升回归模型训练结束后，获得基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型，使用save方法保存所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型，如果需要使用所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型，使用load方法加载所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型使用。
14、较佳地，在所述步骤(1)中，所述的测量内陆湖泊水体的水体遥感反射比的步本文档来自技高网...
【技术保护点】
1.一种基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型，其特征在于，所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型为Python语言的梯度提升回归模型，所述梯度提升回归模型的模型参数为：'min samples leaf'＝4,'maxfeatures'＝'log2','loss'＝'ls','max depth'＝19,'min weight fraction leaf'＝0.3803256822349142,'criterion'＝'mse','n iter no change'＝506,'min samplessplit'＝0.2912220268084832,'subsample'＝0.8498490888771387,'max leaf nodes'＝43,'ccp alpha'＝0.07517265061990244,'min impurity decrease'＝0.07096489722082104,'n estimators'＝623,'tol'＝2.535504757041876,'validationfraction'＝0.03896014
2.如权利要求1所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型，其特征在于，所述梯度提升回归模型采用内陆湖泊水体的数据集训练而成，所述数据集包括所述内陆湖泊水体的m个样点的水体遥感反射比和藻蓝素浓度，m个所述样点均匀分布在所述内陆湖泊水体上，所述水体遥感反射比为n个特征波段的水体遥感反射比。
3.如权利要求2所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型，其特征在于，所述m为60，所述n个特征波段为751个特征波段，所述751个特征波段为从350nm波段至1100nm波段。
4.一种基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演方法，其特征在于，包括以下步骤：
5.如权利要求4所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演方法，其特征在于，在所述步骤(1)中，所述的测量内陆湖泊水体的水体遥感反射比的步骤具体包括：
6.如权利要求5所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演方法，其特征在于，在所述步骤(1)中，所述测量采用便携式地物光谱仪进行，所述便携式地物光谱仪采用视场角为25°的镜头，所述测量采用水面以上的测定方法，所述的水面以上的测定方法的观测几何的设置为：Фv＝135°，v＝40°，所述标准板是反射率为10％的标准白板。
7.如权利要求4所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演方法，其特征在于，在所述步骤(2)中，所述的测量所述内陆湖泊水体的藻蓝素浓度CPC的步骤具体包括：
8.如权利要求7所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演方法，其特征在于，在所述步骤(2)中，所述滤纸为Whatman GF/F滤纸，所述冷冻在冰箱中-20℃进行，所述冷冻的时间为8小时，所述藻蓝素萃取液是磷酸盐缓冲液，所述冷藏在所述冰箱中进行，所述冷藏的时间为30分钟。
9.如权利要求4所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演方法，其特征在于，在所述步骤(3)中，所述模型参数调优秩次矩阵为：
10.如权利要求9所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演方法，其特征在于，在所述步骤(4)中，所述的模型参数的调优值为：
11.如权利要求4所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演方法，其特征在于，在所述步骤(1)中，所述的测量内陆湖泊水体的水体遥感反射比的步骤具体为测量所述内陆湖泊水体的m个样点的所述水体遥感反射比，m个所述样点均匀分布在所述内陆湖泊水体上，所述水体遥感反射比为n个特征波段的水体遥感反射比；在所述步骤(2)中，所述的测量所述内陆湖泊水体的藻蓝素浓度CPC的步骤具体为测量该m个所述样点的所述藻蓝素浓度CPC。
12.如权利要求11所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演方法，其特征在于，在所述步骤(1)中，所述m为60，所述n个特征波段为751个特征波段，所述751个特征波段为从350nm波段至1100nm波段。
...【技术特征摘要】
1.一种基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型，其特征在于，所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型为python语言的梯度提升回归模型，所述梯度提升回归模型的模型参数为：'min samples leaf'＝4,'maxfeatures'＝'log2','loss'＝'ls','max depth'＝19,'min weight fraction leaf'＝0.3803256822349142,'criterion'＝'mse','n iter no change'＝506,'min samplessplit'＝0.2912220268084832,'subsample'＝0.8498490888771387,'max leaf nodes'＝43,'ccp alpha'＝0.07517265061990244,'min impurity decrease'＝0.07096489722082104,'n estimators'＝623,'tol'＝2.535504757041876,'validationfraction'＝0.03896014452689472,'alpha'＝0.712966111263942,'min impuritysplit'＝7.2769312672339925,'learning rate'＝0.19136036531327313。
2.如权利要求1所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型，其特征在于，所述梯度提升回归模型采用内陆湖泊水体的数据集训练而成，所述数据集包括所述内陆湖泊水体的m个样点的水体遥感反射比和藻蓝素浓度，m个所述样点均匀分布在所述内陆湖泊水体上，所述水体遥感反射比为n个特征波段的水体遥感反射比。
3.如权利要求2所述的基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演模型，其特征在于，所述m为60，所述n个特征波段为751个特征波段，所述751个特征波段为从350nm波段至1100nm波段。
4.一种基于梯度提升算法的内陆湖泊水体藻蓝素浓度遥感反演方法，其特征在于，包括以下步骤：
5.如权利要求4所述的基于梯度提升算法的内陆湖泊水...
【专利技术属性】
技术研发人员：姜晓剑，朱元励，汪伟，吴莹莹，杨文杰，李卓，任海芳，
申请(专利权)人：淮阴师范学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。