一种基于遥感数据的水体叶绿素浓度反演方法

本发明涉及水体叶绿素浓度测定，尤其涉及一种基于遥感数据的水体叶绿素浓度反演方法。

背景技术：

1、叶绿素浓度是水体生态环境健康状况的重要指标，常用于监测水质、藻类水华等。现有的水质监测技术中，对叶绿素浓度等水体中的生态环境参数进行精确测量的需求日益增加。传统的叶绿素浓度测量方法包括野外采样与实验室分析，但这些方法费时费力且难以实现对大范围水域的持续监测。而遥感技术能够通过卫星、航空等遥感数据获取大范围地表信息，随着遥感技术在水体监测中的广泛应用，现有技术中出现了基于遥感数据的叶绿素浓度反演方法。这些方法结合了如高光谱、多光谱、无人机机载高光谱等遥感数据，以提高叶绿素浓度反演的准确性和鲁棒性。

2、公开号为cn112504979a、公开日为2021年3月16日的专利申请公开了一种基于高光谱遥感的水体叶绿素浓度反演方法及装置，其基于高光谱遥感数据建立叶绿素浓度反演模型，利用反演模型对目标区域进行叶绿素浓度的反演。遥感数据通常由遥感传感器采集获取，遥感传感器采集的遥感数据的数据量庞大，包括来自不同波段的光谱信息，其中许多波段均包含冗余信息。上述专利申请在基于高光谱遥感数据建立、训练反演模型之前，没有对相关的数据进行降维处理，庞大的数据会影响反演模型建立、训练的效率，而波段中冗余信息则会降低模型的精度，因此上述专利申请无法满足大范围高精度的叶绿素浓度反演工作。

技术实现思路

1、本发明的目的在于提供一种基于遥感数据的水体叶绿素浓度反演方法，以解决上述背景技术提出的技术问题。

2、本发明所解决的技术问题可以采取以下方案来实现：

3、一种基于遥感数据的水体叶绿素浓度反演方法，包括步骤s1：获取目标区域若干采样站点的叶绿素浓度实测值，从基于目标采样高光谱遥感影像获取的与各采样站点对应的像元光谱曲线中获取第一像元光谱曲线及与各第一像元光谱曲线对应的特征波段反射率；

4、s2：使用主成分分析法对与各第一像元光谱曲线对应的特征波段反射率进行降维处理；

5、s3：基于降维后的与各第一像元光谱曲线对应的特征波段反射率以及与各第一像元光谱曲线对应的叶绿素浓度实测值进行初始模型构建及训练，获得包括线性回归模型、随机森林回归模型、偏最小二乘回归模型的初始模型；

6、s4：基于线性回归模型、随机森林回归模型、偏最小二乘回归模型获得组合模型，将组合模型作为最终的叶绿素浓度反演模型；

7、s5：基于所述叶绿素浓度反演模型对所述目标区域的高光谱遥感影像进行叶绿素浓度的反演。

8、进一步的：步骤s4中，所述基于线性回归模型、随机森林回归模型、偏最小二乘回归模型获得组合模型，具体包括：将线性回归模型、随机森林回归模型、偏最小二乘回归模型用加权的方式组合起来，得到组合模型。

9、进一步的：所述组合模型的表达式为：；

10、其中是组合模型的反演值,是线性回归模型的预测结果，是随机森林回归模型的预测结果，是偏最小二乘回归模型的预测结果，a、b、c分别是线性回归模型、随机森林回归模型、偏最小二乘回归模型的权重系数，且a+b+c=1、0<a<1、0<b<1、0<c<1。

11、进一步的：通过优化算法确定组合模型的最佳权重系数a、b、c。

12、进一步的：所述优化算法用于最小化目标函数，所述目标函数为基于与第一像元光谱曲线对应的叶绿素浓度实测值以及与各第一像元光谱曲线对应的叶绿素浓度的反演值之间的均方根误差，当优化至均方根误差取最小值时a、b、c的取值即为组合模型的最佳权重系数。

13、进一步的：目标函数接受一组权重系数作为初始输入值，a、b、c的初始输入值均为1/3。

14、进一步的：所述方法还包括：

15、s6：从像元光谱曲线中获取第二像元光谱曲线，基于各第二像元光谱曲线获取与第二像元光谱曲线对应的特征波段反射率；

16、s7：使用主成分分析算法对与各第二像元光谱曲线对应的特征波段反射率进行降维处理；

17、s8：基于降维后的与各第二像元光谱曲线对应的特征波段反射率以及所述叶绿素浓度反演模型计算获得与各所述第二像元光谱曲线对应的叶绿素浓度的反演值；

18、s9：基于与所述第二像元光谱曲线对应的叶绿素浓度实测值以及与各第二像元光谱曲线对应的叶绿素浓度的反演值，对所述叶绿素浓度反演模型进行验证。

19、进一步的：步骤s1还包括如下步骤：对获取的与各第一像元光谱曲线对应的特征波段反射率的值进行去噪处理。

20、本发明基于遥感数据的水体叶绿素浓度反演方法，在构建、训练叶绿素浓度反演模型之前，利用主成分分析算法对来源于高光谱遥感数据的特征波段反射率数据进行降维处理，主成分分析算法在降维遥感数据的同时能够筛选出信息量较强的波段，从而改进遥感数据处理和分析的效率和准确性，进而提高了叶绿素浓度反演模型建立、训练的效率及精确性。

技术特征：

1.一种基于遥感数据的水体叶绿素浓度反演方法，包括步骤s1：获取目标区域若干采样站点的叶绿素浓度实测值，从基于目标采样高光谱遥感影像获取的与各采样站点对应的像元光谱曲线中获取第一像元光谱曲线及与各第一像元光谱曲线对应的特征波段反射率；

2.根据权利要求1所述的基于遥感数据的水体叶绿素浓度反演方法，其特征在于：步骤s4中，所述基于线性回归模型、随机森林回归模型、偏最小二乘回归模型获得组合模型，具体包括：将线性回归模型、随机森林回归模型、偏最小二乘回归模型用加权的方式组合起来，得到组合模型。

3.根据权利要求2所述的基于遥感数据的水体叶绿素浓度反演方法，其特征在于：所述组合模型的表达式为：；

4.根据权利要求3所述的基于遥感数据的水体叶绿素浓度反演方法，其特征在于：通过优化算法确定组合模型的最佳权重系数a、b、c。

5.根据权利要求4所述的基于遥感数据的水体叶绿素浓度反演方法，其特征在于：所述优化算法用于最小化目标函数，所述目标函数为基于与第一像元光谱曲线对应的叶绿素浓度实测值以及与各第一像元光谱曲线对应的叶绿素浓度反演值之间的均方根误差，当优化至均方根误差取最小值时，a、b、c的取值即为组合模型的最佳权重系数。

6.根据权利要求5所述的基于遥感数据的水体叶绿素浓度反演方法，其特征在于：目标函数接受一组权重系数作为初始输入值，a、b、c的初始输入值均为1/3。

7.根据权利要求1所述的基于遥感数据的水体叶绿素浓度反演方法，其特征在于：所述方法还包括：

8.根据权利要求1所述的基于遥感数据的水体叶绿素浓度反演方法，其特征在于：步骤s1还包括如下步骤：对获取的与各第一像元光谱曲线对应的特征波段反射率的值进行去噪处理。

技术总结
本发明涉及一种基于遥感数据的水体叶绿素浓度反演方法，使用主成分分析算法对与各第一像元光谱曲线对应的特征波段反射率进行降维处理；基于降维后的与各第一像元光谱曲线对应的特征波段反射率以及与各第一像元光谱曲线对应的叶绿素浓度实测值进行初始模型构建及训练，获得包括线性回归模型、随机森林回归模型、偏最小二乘回归模型的初始模型；基于初始模型获得组合模型，将组合模型作为最终的叶绿素浓度反演模型。本发明利用主成分分析算法对来源于高光谱遥感数据的特征波段反射率数据进行降维处理，在降维遥感数据的同时能够筛选出信息量较强的波段，从而提高了叶绿素浓度反演模型建立、训练的效率及精确性。

技术研发人员：王志国,王楠,杜强,马帅
受保护的技术使用者：内蒙古工业大学
技术研发日：
技术公布日：2024/2/1