基于SSA-XGBOOST算法的高光谱遥感水质叶绿素a反演方法技术

本发明专利技术公开了一种基于SSA‑XGBOOST算法的高光谱遥感水质叶绿素a反演方法，包括以下步骤：获取监测区域的水体高光谱数据及水质叶绿素a浓度数据；根据高光谱数据计算水体遥感反射比后进行预处理，并与水质叶绿素a浓度数据进行相关性分析；根据相关性分析结果，筛选出最优特征波段或组合波段；根据最优特征波段或组合波段构建极限梯度提升算法模型；利用麻雀搜索算法对极限梯度提升算法的模型参数进行寻优，获取最优极限梯度提升算法模型并进行精度验证。本发明专利技术对高光谱数据进行预处理，筛选出最优特征波段或组合波段，构建了基于SSA‑XGBOOST算法的高精度模型，实现了水质叶绿素a的快速准确预测，精度高、普适性强。

【技术实现步骤摘要】

本专利技术属于水质监测评价，具体涉及一种基于ssa-xgboost算法的高光谱遥感水质叶绿素a反演方法。

技术介绍

1、叶绿素a浓度是表征水体富营养化程度的重要指标，能够用于判断湖库藻类浓度状态及水华的发生情况。目前，叶绿素a的监测方式主要分为传统实验室监测和遥感监测两种。叶绿素a的传统实验室监测采用先进行化学试剂萃取、再离心分离、最后用分光光度仪提取吸光度的方法，遥感监测则主要通过对获取的光谱数据进行建模反演的方法，相比较而言，遥感监测方法省时省力，成本低且免化学试剂的污染。

2、近年来随着遥感监测技术的快速发展，其在水质监测领域的应用越来越广泛，且监测的水质指标也越来越多。高光谱遥感因其具有较高的光谱分辨率，在可见光和近红外波段足以探测出水体中组分的吸收和散射特征，很大程度上提高了遥感水质定量反演的精度。但高光谱数据的波段冗余度较高，包含信息量较大，且光谱信息容易受到环境因素和背景噪声等的干扰影响，同时水质参数与高光谱数据之间的关系又很复杂，很多机器学习算法又具有各自的适用范围和优缺点，在实际应用过程中特别是适于浑浊水体的高精度反演模型较难本文档来自技高网...

【技术保护点】

1.一种基于SSA-XGBOOST算法的高光谱遥感水质叶绿素a反演方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于SSA-XGBOOST算法的高光谱遥感水质叶绿素a反演方法，其特征在于，获取监测区域的水体高光谱数据及水质叶绿素a浓度数据，包括：

3.根据权利要求1所述的基于SSA-XGBOOST算法的高光谱遥感水质叶绿素a反演方法，其特征在于，水体遥感反射比计算公式为：

4.根据权利要求1所述的基于SSA-XGBOOST算法的高光谱遥感水质叶绿素a反演方法，其特征在于，所述进行预处理，包括：对计算的水体遥感反射比分别进行归一化、一阶微分、...

【技术特征摘要】

1.一种基于ssa-xgboost算法的高光谱遥感水质叶绿素a反演方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于ssa-xgboost算法的高光谱遥感水质叶绿素a反演方法，其特征在于，获取监测区域的水体高光谱数据及水质叶绿素a浓度数据，包括：

3.根据权利要求1所述的基于ssa-xgboost算法的高光谱遥感水质叶绿素a反演方法，其特征在于，水体遥感反射比计算公式为：

4.根据权利要求1所述的基于ssa-xgboost算法的高光谱遥感水质叶绿素a反演方法，其特征在于，所述进行预处理，包括：对计算的水体遥感反射比分别进行归一化、一阶微分、两两比值、四波段模型计算。

5.根据权利要求4所述的基于ssa-xgboost算法的高光谱遥感水质叶绿素a反演方法，其特征在于，将四种预处理结果分别与水质叶绿素a浓度数据进行相关性分析，所述相关性分析方法为pearson相关性分析。

6.根据权利要求4所述的...

【专利技术属性】
技术研发人员：贾瑞宝，李祥，王明泉，陈发明，刘帅，马中雨，宋武昌，孙韶华，
申请(专利权)人：山东省城市供排水水质监测中心，
类型：发明
国别省市：