详情

原文传递卫星遥感和集成学习的水质反演方法、设备及存储设备

专利名称：	卫星遥感和集成学习的水质反演方法、设备及存储设备
摘要：	本申请提供了一种卫星遥感和集成学习的水质反演方法，包括：获取目标水域的各个水质采样数据，获取遥感影像数据，根据各个水质采样数据以及遥感影像数据，构建水质反演数据集，根据水质反演数据集，通过集成学习策略构建集成学习回归模型并对集成学习回归模型进行训练，获取待测遥感影像数据，根据训练后的集成学习回归模型以及待测遥感影像数据，确定目标水域的水质参数浓度的二维空间分布图。本申请的有益效果：通过星地时空匹配数据，降低了水质反演数据集获取的成本；通过集成学习策略提高了集成学习回归模型的精度和泛化性。
专利类型：	发明专利
国家地区组织代码：	湖北;42
申请人：	中国地质大学(武汉)
发明人：	杨小红;黄振辉;刘新龙
专利状态：	有效
申请日期：	2023-08-07T00:00:00+0800
发布日期：	2023-11-14T00:00:00+0800
申请号：	CN202310990767.2
公开号：	CN117054436A
代理机构：	武汉知产时代知识产权代理有限公司
代理人：	程泽
分类号：	G01N21/95;G01N21/88;G01N21/01;G01N21/25;G01N21/55;G06N3/08;G;G01;G06;G01N;G06N;G01N21;G06N3;G01N21/95;G01N21/88;G01N21/01;G01N21/25;G01N21/55;G06N3/08
申请人地址：	430000 湖北省武汉市洪山区鲁磨路388号
主权项：	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： 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； S2：获取遥感影像数据； 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； 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； S5：获取待测遥感影像数据； 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。 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： S31：对所述遥感影像数据进行预处理； S32：根据所述地理位置数据，确定所述遥感影像数据中对应的像素点的波段值； S33：将所述波段值与所述水质数据进行匹配，生成各个波段水质参数浓度数据； S34：获取波段组合数据，并将所述波段组合数据添加至各个所述波段水质参数浓度数据，构建所述水质反演数据集。 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：将所述遥感影像数据的数字值转换为辐射量值；获取大气传输模型；根据所述大气传输模型以及所述遥感影像数据中的大气信息数据，矫正所述遥感影像数据。 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： S41：根据不同比例将所述水质反演数据集随机拆分为训练集以及测试集； S42：根据所述水质数据中的水质参数浓度以及所述遥感影像数据的波段值进行Pearson相关性分析，确定敏感波段，并获取敏感波段值； S43：通过集成学习中的Stacking策略构建所述集成学习回归模型，将所述敏感波段值作为所述集成学习回归模型的输入变量，将所述敏感波段对应的所述水质数据的水质参数浓度作为所述集成学习回归模型的输出变量； S44：通过所述训练集以及所述测试集对所述集成学习回归模型进行训练。 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： S44a：获取各个基学习器以及元学习器； S44b：采用k折交叉验证的方法，将所述训练集随机划分成k份大小一样且互斥的子集合； S44c：通过各个所述基学习器对所述k个子集合进行迭代训练，生成k次预测结果； S44d：计算所述k次预测结果的平均值，确定平均预测结果； S44e：将所述平均预测结果作为所述元学习器的输入训练特征以及元学习器的输入测试特征； S44f：通过所述元学习器，确定预测水质参数浓度； S44g：获取真实水质参数浓度，通过所述测试集对所述基学习器以及所述元学习器进行评估，计算所述预测水质参数浓度与真实水质参数浓度的误差； S44h：根据所述误差，对所述集成学习回归模型进行调整，确定训练后的所述集成学习回归模型。 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： S61：对所述待测遥感影像数据进行预处理； S62：根据制图需求，使用水体提取算法提取水体区域； S63：根据预处理后的待测遥感影像数据，计算所述水体区域中每个像素的敏感波段值； S64：对每个所述像素的敏感波段值进行特征工程处理； S65：将特征工程处理后的每个所述像素的敏感波段值输入所述集成学习回归模型，生成每个像素的水质参数预测值； S66：将所述水质参数预测值映射待灰度值，生成所述目标水域的水质参数浓度的二维空间分布图。 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。