本申请涉及环境监测与环境保护,尤其涉及一种卫星遥感和集成学习的水质反演方法、设备及存储设备。
背景技术:
1、
2、随着遥感技术的迅速发展,特别是高分辨率卫星的数量不断增加,使得遥感影像数据能够应用于大范围和长期的水质监测。水质遥感反演的基本思想是首先利用经验水质监测数据和相应的遥感图像数据建立回归模型,然后对模型经过适当的验证,遥感卫星图像可以提供高精度插值,更有效地生成空间上明确的水质图,所以这种方法消耗更少的时间、人力和财政投入,对于具有有限的原位取样的地方湖泊水库水质监测对于水环境质量评价优化、污染事件发现及溯源具有重要的应用价值。
3、基于多光谱遥感影像的水质反演依赖于水质监测数据和相应的遥感图像数据建立的回归模型,目前应用的建模方法大多采用简单线性回归算法或机器学习算法,现有的技术方案主要是,将多光谱遥感影像中采样点对应像素的光谱波段值或波段组合作为自变量,采样点的水质参数浓度值作为因变量(响应量),分别作为回归模型的输入与输出,对模型进行训练,主要存在以下问题:
4、样本获取成本高是遥感水质反演中的一个挑战,制作水质反演样本库需要进行卫星影像与水质采样数据的时空匹配,这个过程需要高度专业化的知识和技能,耗时耗力。另外,现场水质采样的成本也相对较高,并且可用的数据相对稀少。由于时空匹配的要求和成本限制,常规的获得具有高质量和丰富样本的水质反演样本库方式存在成本高且水质采样数据准确性较差的问题。
5、地表水中水质参数的浓度数值较低,仅使用单一机器学习器的水质反演模型,信息挖掘能力和泛化性较低,针对内陆湖库的水质长时序变化动态遥感监测方面存在很大的局限。即,传统的采用经验法或单一机器学习方法的水质反演模型无法满足当前实际应用的需要。
技术实现思路
1、本申请的目的在于解决传统的采用经验法或单一机器学习方法的水质反演模型无法满足当前实际应用的需要的技术问题,提供一种卫星遥感和集成学习的水质反演方法、设备及存储设备。
2、本申请的上述目的是通过以下技术方案得以实现的:
3、一种卫星遥感和集成学习的水质反演方法,该方法包括:
4、s1:获取目标水域的各个水质采样数据,所述水质采样数据包括:水质数据和地理位置数据;
5、s2:获取遥感影像数据;
6、s3:根据各个所述水质采样数据以及所述遥感影像数据,构建水质反演数据集;
7、s4:根据所述水质反演数据集,构建集成学习回归模型并对所述集成学习回归模型进行训练;
8、s5:获取待测遥感影像数据;
9、s6:根据训练后的所述集成学习回归模型以及所述待测遥感影像数据,确定所述目标水域的水质参数浓度的二维空间分布图。
10、一种存储设备,存储设备存储指令及数据用于实现一种卫星遥感和集成学习的水质反演方法。
11、一种卫星遥感和集成学习的水质反演设备,包括:处理器及存储设备;处理器加载并执行存储设备中的指令及数据用于实现一种卫星遥感和集成学习的水质反演方法。
12、本申请提供的技术方案带来的有益效果是:
13、1、本发明以半自动化的±5天时间窗口星地匹配及通过水质采样点处精确的地理位置数据在多光谱遥感影像中得到像素值的地表反射率,有效提升训练样本获取效率。通过此双重匹配策略,不仅加强了训练样本在时空维度上的覆盖,而且降低了样本获取成本。
14、同时,结合波段组合与水体指数两种特征,选取对水质参数敏感的光谱波段,从而减少光谱信息冗余所引起的反演误差,不仅提高数据效能,同时也有助于提升水质反演的准确性。
15、2、本发明在多光谱遥感水质反演中引入了集成学习stacking的策略,通过构建集成学习回归模型并融合多个基学习器的预测结果相较于单一的基学习器的预测结果,数据更加精确,减小了数据的误差;显著提升了遥感水质反演的精度和模型泛化性能。
1.一种卫星遥感和集成学习的水质反演方法,其特征在于方法包括以下步骤:
2.如权利要求1的一种卫星遥感和集成学习的水质反演方法,其特征在于,步骤s3包括:
3.如权利要求2的一种卫星遥感和集成学习的水质反演方法,其特征在于,所述对所述遥感影像数据进行预处理的步骤,包括:
4.如权利要求2的一种卫星遥感和集成学习的水质反演方法,其特征在于,步骤s4包括:
5.如权利要求4的一种卫星遥感和集成学习的水质反演方法,其特征在于,步骤s44包括:
6.如权利要求1的一种卫星遥感和集成学习的水质反演方法,其特征在于,步骤s6包括:
7.一种存储设备,其特征在于:存储设备存储指令及数据用于实现权利要求1~6的任意一种卫星遥感和集成学习的水质反演方法。
8.一种卫星遥感和集成学习的水质反演设备,其特征在于:包括:处理器及存储设备;处理器加载并执行存储设备中的指令及数据用于实现权利要求1~6的任意一种卫星遥感和集成学习的水质反演方法。