【技术实现步骤摘要】
本专利技术涉及水环境健康监测，具体地，涉及一种使用智能移动终端快速预测水体叶绿素a的方法。
技术介绍
1、叶绿素a浓度与藻类的种类、数量等密切相关，是评价水体的富营养化程度的重要参数，可代表水体的初级生产力情况，常被作为浮游植物生物量的指标和计算浮游植物生产量的参数，成为富营养化湖泊水质监测中的一个重要生物学指标。同时，叶绿素a浓度与水质环境监测密切相关，当水体受到污染时，往往会出现水体富营养化的现象，使得水体中浮游植物大量繁殖从而导致叶绿素a含量迅速增加，因此监测水体中叶绿素a的含量对监测水体富营养化程度以及水体污染的防治具有重要的现实意义。而水体面临严峻的富营养化问题，如何快速、准确地测量得到水体中叶绿素a的含量进而分析水体污染状况，已经成为水质监测中的一个重要课题。
2、目前，叶绿素a传统监测方法包括野外采样监测、遥感监测、智能移动终端监测等。野外采样监测水体中叶绿素a的测定步骤主要包括水样的采集和保存、水样的浓缩、叶绿素a的提取以及叶绿素a浓度的测定，而常见的测定水样中叶绿素含量的方法有分光光度法、荧光光谱法、高效液相色谱法等。此类方法的缺点是需要耗费大量的人力、物力且无法实现大面积水域的同步测量。水质遥感监测技术是利用经验、半经验或物理分析等方法，选择合适的遥感波段数据，建立水质参数的遥感估测模型来反演水质中的水质参数浓度，与常规的野外采样监测方法相比，这一方法具有监测范围广、速度快、成本低和利于长期动态监测的优势。但是，经验法缺乏定量推导与物理依据，分析方法由于物理光学模型在建模过程中的必要性，客观存在公
3、因此，迫切需要提供一种能被广大群众接受的简单可靠且能够实时更新迭代提升精度的水质多参数量化方法。
技术实现思路
1、本专利技术的目的是提供一种使用智能移动终端快速预测水体叶绿素a的方法，该使用智能移动终端快速预测水体叶绿素a的方法简单可靠，成本低，提高了反演叶绿素a的速度与准确性，同时，空间分辨率高，不易受影响。
2、为了实现上述目的，本专利技术提供了一种使用智能移动终端快速预测水体叶绿素a的方法，该使用智能移动终端快速预测水体叶绿素a的方法包括：
3、步骤1、收集数据构建训练数据集，包括图片特征值收集和叶绿素a测量值收集；
4、步骤2、构建卷积神经网络反演模型框架；
5、步骤3、构建卷积神经网络叶绿素a预测模型。
6、优选地，步骤1中图片特征值收集包括使用带有数码相机的智能移动终端拍摄以十二色板为背景的水体图片，并将图片按十二色板和位置裁切作为特征值。
7、优选地，在步骤1中拍摄时将十二色板平放于水桶底部，将采水样倒入水桶，使用智能移动终端在水桶正上方垂直拍摄，再按照色块裁切图片，得到图片特征值收集结果；
8、其中，采水样水桶水深需为10-20cm，智能移动终端置于水面以上20-40cm处垂直拍摄水体；十二色板涉及从浅到深的11种绿色和白色，rgb值分别为[255,255,255]，[211,255,190]，[209,255,115]，[163,255 115]，[170,255,0]，[85,255,0]，[152,230，0]、[76,230,0]、[112,168,0]、[56,168,0]、[76,115,0]和[38,115,0]，潜在反映水体叶绿素a浓度信息的特征值为每个色块rgb三通道的像素值数组中值。
9、优选地，在步骤1中使用水质测量仪器测得的叶绿素a浓度，并将图片特征值与叶绿素a浓度成对存入数据集以构建训练数据集。
10、优选地，步骤2包括处理训练数据，生成初始参数空间，训练卷积神经网络反演模型并不断更新模型精确度。
11、优选地，生成初始参数空间包括设定线性参数和模型误差的分布空间，更新模型精确度为每次选取6张图像用于更新模型的图像数量。
12、优选地，在步骤3中，构建卷积神经网络叶绿素a预测模型包括拍摄图片预测叶绿素a浓度并给出预测值的不确定性，即按照图片要求拍摄图片取其特征值，输入模型获得叶绿素a浓度预测分布，取预测分布期望作为预测值，取预测分布方差作为预测值不确定性。
13、优选地，步骤3中还包括对卷积神经网络叶绿素a预测模型进行实时更新，即利用更多训练数据实时优化该预测模型。
14、优选地，更多训练数据为新采集的特征值和同步实测的叶绿素a浓度测量值构成的成对数据，当新的训练数据加入训练数据集后，再次整体训练一个最优的卷积神经网络预测模型模型。
15、优选地，将优化后的模型代替原模型预测叶绿素a浓度及不确定性，直至新训练数据加入训练数据集后将再次被代替，依此递推，完成模型的迭代优化。
16、根据上述技术方案，本专利技术通过智能手机拍摄十二色块背景板的水体图片，从各色块rgb三通道提取出特征值作为输入，先通过ysi水质测量仪测量叶绿素a浓度，并基于神经网络模型预测叶绿素a浓度，建立训练样本，通过交叉验证得到训练结果，并根据训练结果进行模型参数优化，提高预测精度。本专利技术在研究中依托卷积神经网络、地理学基础知识、gis手段以及反演预测模型将传统基于物理方式的叶绿素a测量方法通过仅数据驱动的智能手机拍摄实现，同时能够依托实测数据集的增多迭代提高水体叶绿素a浓度预测的精度，从而对水体水质识别提供一种更为高效简便的研究方法。
17、本专利技术的其他特征和优点将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，所述使用智能移动终端快速预测水体叶绿素a的方法包括：
2.根据权利要求1所述的使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，步骤1中图片特征值收集包括使用带有数码相机的智能移动终端拍摄以十二色板为背景的水体图片，并将图片按十二色板和位置裁切作为特征值。
3.根据权利要求2所述的使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，在步骤1中拍摄时将十二色板平放于水桶底部，将采水样倒入水桶，使用智能移动终端在水桶正上方垂直拍摄，再按照色块裁切图片，得到图片特征值收集结果；
4.根据权利要求3所述的使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，在步骤1中使用水质测量仪器测得的叶绿素a浓度，并将图片特征值与叶绿素a浓度成对存入数据集以构建训练数据集。
5.根据权利要求1所述的使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，步骤2包括处理训练数据，生成初始参数空间，训练卷积神经网络反演模型并不断更新模型精确度。
6.根据权利要求5所述的
7.根据权利要求6所述的使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，在步骤3中，构建卷积神经网络叶绿素a预测模型包括拍摄图片预测叶绿素a浓度并给出预测值的不确定性，即按照图片要求拍摄图片取其特征值，输入模型获得叶绿素a浓度预测分布，取预测分布期望作为预测值，取预测分布方差作为预测值不确定性。
8.根据权利要求6所述的使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，步骤3中还包括对卷积神经网络叶绿素a预测模型进行实时更新，即利用更多训练数据实时优化该预测模型。
9.根据权利要求8所述的使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，更多训练数据为新采集的特征值和同步实测的叶绿素a浓度测量值构成的成对数据，当新的训练数据加入训练数据集后，再次整体训练一个最优的卷积神经网络预测模型模型。
10.根据权利要求9所述的使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，将优化后的模型代替原模型预测叶绿素a浓度及不确定性，直至新训练数据加入训练数据集后将再次被代替，依此递推，完成模型的迭代优化。
...【技术特征摘要】
1.一种使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，所述使用智能移动终端快速预测水体叶绿素a的方法包括：
2.根据权利要求1所述的使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，步骤1中图片特征值收集包括使用带有数码相机的智能移动终端拍摄以十二色板为背景的水体图片，并将图片按十二色板和位置裁切作为特征值。
3.根据权利要求2所述的使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，在步骤1中拍摄时将十二色板平放于水桶底部，将采水样倒入水桶，使用智能移动终端在水桶正上方垂直拍摄，再按照色块裁切图片，得到图片特征值收集结果；
4.根据权利要求3所述的使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，在步骤1中使用水质测量仪器测得的叶绿素a浓度，并将图片特征值与叶绿素a浓度成对存入数据集以构建训练数据集。
5.根据权利要求1所述的使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，步骤2包括处理训练数据，生成初始参数空间，训练卷积神经网络反演模型并不断更新模型精确度。
6.根据权利要求5所述的使用智能移动终端快速预测水体叶绿素a的方法，其特征在于，生成初始参数空间包括...
【专利技术属性】
技术研发人员：齐凌艳，曹馨语，吴凤文，尹涵，王正昕，姜信哲，于梦欣，侯婉，董婷，吴楠，
申请(专利权)人：安徽师范大学，
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。