【技术实现步骤摘要】
本专利技术涉及机器学习，具体为基于半监督光学分类的叶绿素a浓度反演方法。
技术介绍
1、叶绿素a广泛存在与藻类之中，不仅反映了水体中浮游植物的光合作用水平，而且也是评估水体水质状况的重要指标。因此，进行叶绿素a浓度监测对防治水体富营养化、保证流域生态可持续开发及利用具有重要意义。
2、ⅱ类水体的光学特性非常复杂，会受到藻类、悬浮物以及有色溶解有机物等的共同影响。同时，水体的光学特性还具有明显的区域和季节特征，如果使用统一的模型反演ⅱ类水体的叶绿素a浓度，可能会无法适应不同时间及不同研究区域，导致反演结果不准确。此时，需要一种分类方法来区分水体环境，并为给定的水体环境条件选择更合适的算法，对水体进行高精度的叶绿素a浓度反演。目前，基于遥感反射率的大小和光谱特征发展出了很多水体光学分类方法，如层次聚类、k-means聚类、光谱形状分类等。但目前仍存在一定的问题，利用无监督分类方法进行水体分类，导致分类结果的解释性比较差，影响水体的主导因子不确定；利用相关特征结合阈值进行水体分类，存在确定的阈值受到人为主观因素的影响。
技术实现思路
1、本专利技术的目的在于提供基于半监督光学分类的叶绿素a浓度反演方法，以解决上述
技术介绍
中提出的问题。
2、为了解决上述技术问题，本专利技术提供如下技术方案：
3、基于半监督光学分类的叶绿素a浓度反演方法，本方法进行ⅱ类水体chl-a遥感反演，包括如下步骤：
4、s100、数据预处理：采集研究区内的实测高光谱数
5、s200、进行基于半监督的光学分类：利用若干种水体光学分类方法对样本数据进行分类；接着采用摩尔投票法，对若干种分类方法的分类结果进行统计，以确定样本的分类结果；接着，将分类结果投票数最高的样本数据作为标记样本，其他样本数据作为未标记样本；
6、最后，利用fcm聚类算法和随机森林分类器构建半监督分类模型，对标记样本和未标记样本进行分类；
7、s300、优选各类型水体chl-a反演模型：根据各类型水体的光学特性及生物组分特点，进行优化模型，分别反演chl-a；
8、s400、构建chl-a加权混合反演模型：基于半监督的样本分类结果，计算出每个类别的质心光谱，利用光谱角度距离度量实测光谱数据与分类结果的质心光谱的权重；
9、s500、对研究区水体chl-a浓度反演：将分类反演结果进行加权融合，得到最终结果，完成ⅱ类水体chl-a遥感反演产品。
10、根据步骤s100，水体光谱采样时要天气晴朗，水面平静，水体光谱采集时在同一个实验点位测量十次；同步在光谱测量点位水面下20～30cm处采集水样，使用实验室l5s紫外可见分光光度计测定样本chl-a。
11、对研究区野外实验实测光谱数据使用viewspecpro软件做数据预处理，通过观察同一个点位k组数据的稳定性，去除k组数据中波动偏离正常范围的异常值后再做均值计算，通过下式计算各点位水体反射率rrs，绘制出实测水体光谱曲线图：
12、
13、其中，lw为离水辐亮度，ed(0+)为水面总入射辐照度，lw的计算公式如下：
14、lw＝lsw-r*lsky
15、其中，lsw为离水总辐射度，lsky为天空漫反射光辐亮度，r为气水界面对天空光的反射率；
16、ed(0+)的计算公式如下：
17、
18、其中，lp为标准灰板的辐亮度，ρρ为标准灰板的反射率。
19、根据步骤s200，目前光学分类方法众多，本专利技术选取了其中典型的几个分类方法来进行分类，综合考虑这些方法的分类结果，最终确定认同度较高的样本及其水体类型作为标记样本。选取若干个光学分类方法进行分类，步骤如下：
20、s201、利用三波段比值490nm、560nm、665nm将实测数据进行分类操作，具体公式如下：
21、br1＝rrs(490)/rrs(560)
22、br2＝rrs(665)/rrs(560)
23、其中，rrs(i)为波段i的遥感反射率，br1≥a为清澈水体，br1<a且br2≥b为藻类主导型水体，br1<a且br2＜b为中间型水体，其中a和b是正小数；
24、s202、采用ci(672)及ci(555)指数将实测数据进行分类操作，具体公式如下：
25、ci(672)＝rrs(672)-[rrs(488)+(672-488)/(751-488)×(rrs(751)-rrs(488))]
26、≈rrs(672)-[0.3rrs(488)+0.7rrs(751)]
27、ci(555)＝rrs(555)-[rrs(488)+(555-488)/(751-488)×(rrs(751)-rrs(488))]
28、≈rrs(555)-[0.25rrs(488)+0.75rrs(751)]
29、其中，ci(672)<c为藻类主导型水体，ci(672)≥c且ci(555)＜d且rrs(555)≥e为悬浮物主导型水体，ci(672)≥c且ci(555)≥d且rrs(555)＜e为中间型水体，其中c、d、e是正小数；
30、s203、采用ntd675指标对实测高光谱数据进行分类操作，具体公式如下：
31、
32、其中，nrrs(λ)是指波长λ相较于rrs(675)归一化的rrs，根据nrrs(λ)按照不同的阈值将水域分为三种类型；ntd675>f为藻类主导型水体，0<ntd675<f为中间型水体，ntd675<0为悬浮物主导型水体，其中f是正小数；
33、s204、采用波段反射率比值的分类方法，具体公式如下：
34、s1＝[rrs(g)-rrs(650)]/(g-650)
35、s2＝[rrs(650)-rrs(nir)]/(650-nir)
36、其中，rrs(g)表示绿波段中反射率最大的值，rrs(nir)表示近红波段中反射率最大的值；利用s1和s2两个斜率的值和关系将分为三类；s2＞0为藻类主导型水体，s1＜s2≤0为中间型水体，s2≤s1＜0为悬浮物主导型水体。
37、采用摩尔投票法，对步骤s201-s204的光学分类方法的分类结果进行统计，最终确定样本的分类结果；同时，将分类结果投票数最高的样本数据作为标记样本，其他样本数据作为未标记样本；本专利技术根据光学分类方法的分类结果结合ⅱ类水域的实际情况，确定水体分为三类，类型一为藻类主导型水体，类型二为中间型水体，类型三为悬浮物主导型水体。
38、基于标记样本和未标记样本的数据，利用fcm聚类算法和随机森林分类器实现半监督算法；
本文档来自技高网...【技术保护点】
1.基于半监督光学分类的叶绿素a浓度反演方法，其特征在于：本方法进行Ⅱ类水体Chl-a遥感反演，包括如下步骤：
2.根据权利要求1所述的基于半监督光学分类的叶绿素a浓度反演方法，其特征在于：根据步骤S100，对研究区野外实验实测光谱数据使用ViewSpecPro软件做数据预处理，通过观察同一个点位k组数据的稳定性，去除k组数据中波动偏离正常范围的异常值后再做均值计算，通过下式计算各点位水体反射率Rrs，绘制出实测水体光谱曲线图：
3.根据权利要求1所述的基于半监督光学分类的叶绿素a浓度反演方法，其特征在于：根据步骤S200，选取若干个光学分类方法进行分类，步骤如下：
4.根据权利要求3所述的基于半监督光学分类的叶绿素a浓度反演方法，其特征在于：采用摩尔投票法，对步骤S201-S204的光学分类方法的分类结果进行统计，最终确定样本的分类结果；同时，将分类结果投票数最高的样本数据作为标记样本，其他样本数据作为未标记样本；本专利技术根据光学分类方法的分类结果结合Ⅱ类水域的实际情况，确定水体分为三类，类型一为藻类主导型水体，类型二为中间型水体，类型三为
5.根据权利要求4所述的基于半监督光学分类的叶绿素a浓度反演方法，其特征在于：基于标记样本和未标记样本的数据，利用FCM聚类算法和随机森林分类器实现半监督算法；
6.根据权利要求1所述的基于半监督光学分类的叶绿素a浓度反演方法，其特征在于：根据步骤S300，采用决定系数和均方根误差作为评价指标，选取适合各类型水体的Chl-a反演模型，具体计算公式如下：
7.根据权利要求1所述的基于半监督光学分类的叶绿素a浓度反演方法，其特征在于：根据步骤S400，根据实测高光谱数据的分类结果，计算各个类别光谱的光谱均值；利用光谱角度距离度量实测光谱数据与各类型水体的质心光谱之间相似性，计算公式如下：
8.根据权利要求1或6所述的基于半监督光学分类的叶绿素a浓度反演方法，其特征在于：根据步骤S400，光谱角度距离表征了实测光谱数据与质心光谱的相似度，相似度越高，SAD越小，反之则越大；进一步将SAD转换为权重，使得相似度越高，W值越大，反之则越小；计算公式如下：
9.根据权利要求1所述的基于半监督光学分类的叶绿素a浓度反演方法，其特征在于：根据步骤S500，通过分类得到的各类型水体质心光谱及经过预处理后的实测光谱数据，利用光谱角度距离计算权重，使用加权混合模型对研究区水体Chl-a浓度进行反演。
...【技术特征摘要】
1.基于半监督光学分类的叶绿素a浓度反演方法，其特征在于：本方法进行ⅱ类水体chl-a遥感反演，包括如下步骤：
2.根据权利要求1所述的基于半监督光学分类的叶绿素a浓度反演方法，其特征在于：根据步骤s100，对研究区野外实验实测光谱数据使用viewspecpro软件做数据预处理，通过观察同一个点位k组数据的稳定性，去除k组数据中波动偏离正常范围的异常值后再做均值计算，通过下式计算各点位水体反射率rrs，绘制出实测水体光谱曲线图：
3.根据权利要求1所述的基于半监督光学分类的叶绿素a浓度反演方法，其特征在于：根据步骤s200，选取若干个光学分类方法进行分类，步骤如下：
4.根据权利要求3所述的基于半监督光学分类的叶绿素a浓度反演方法，其特征在于：采用摩尔投票法，对步骤s201-s204的光学分类方法的分类结果进行统计，最终确定样本的分类结果；同时，将分类结果投票数最高的样本数据作为标记样本，其他样本数据作为未标记样本；本发明根据光学分类方法的分类结果结合ⅱ类水域的实际情况，确定水体分为三类，类型一为藻类主导型水体，类型二为中间型水体，类型三为悬浮物主导型水体。
5.根据权利要求4所述的基于半监督光学分类的叶绿素a浓度反演...
【专利技术属性】
技术研发人员：赵起超，陈雯玥，金永涛，唐瑞尹，王宝玉，臧文乾，韩文龙，
申请(专利权)人：北华航天工业学院，
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。