[发明专利]基于遗传神经网络模型的叶绿素a遥感反演方法和装置

权利要求书

1.一种基于遗传神经网络模型的叶绿素a遥感反演方法，其特征在于，应用于浑浊二类水体的叶绿素a的遥感反演，所述方法包括以下步骤：

获取实验区水域各个采样点的叶绿素a浓度，形成叶绿素a浓度数据集；

获取实验区水域各个采样点的光谱数据；

从所述叶绿素a浓度数据集随机选取2/3的数据，结合对应采样点的光谱数据，耦合遗传算法和人工神经网络算法建立遗传神经网络反演模型，利用遗传神经网络反演模型估算水体叶绿素a浓度，并通过增加水体叶绿素a的敏感性波段或重新率定模型的方式提高遗传神经网络反演模型的精度，使模型的精度达到预设的要求；

其中，模型精度评估的方法如下；

其中，R²为模型的拟合系数，n为所述叶绿素a浓度数据集采样点的个数，y_i和y'_i分别代表第i个采样点的叶绿素a浓度实测值和对应的模拟值，为y_i的平均值；

利用叶绿素a浓度数据集中剩余的数据，基于所述遗传神经网络反演模型，估算叶绿素a浓度模拟值，并按照以下方式计算残差预测偏差RPD、均方根误差RMSE和平均绝对误差MAE，所述残差预测偏差RPD、所述均方根误差RMSE和所述平均绝对误差MAE均需优于预设值，否则增加水体叶绿素a的敏感性波段或重新率定模型；

其中，RPD为残差预测偏差，RMSE为均方根误差，MAE为平均绝对误差，N为验证数据集中点的个数，y′_i和y_i分别为数据集中第i个采样点的预测值和实测值；

基于经过精度验证的叶绿素a反演模型，结合待评估区域水体的光谱数据，得到待评估区的叶绿素a浓度，并对比与实测叶绿素a浓度分布模式的一致性；

所述遗传神经网络反演模型包括人工神经网络单元、连接单元和遗传算法单元；

所述人工神经网络单元包括：

输入层，用于获取光谱数据中与实测叶绿素a浓度相关性高的诊断性光谱变量，所述光谱数据包括原始光谱波段、波段比值和光谱导数；

第一隐藏层，用于按照以下方式，对所述输入层的输出参数进行处理：

其中，H_j为第一隐藏层第j个节点的输出参数，S₁为第一激活函数，b₁为第一偏差值，Spec_i为输入层第i个节点的输出参数，为输入层第i个节点和第一隐藏层第j个节点之间的权重，k为迭代次数，n为节点数；

第二隐藏层，用于按照以下方式，对所述第一隐藏层的输出参数进行处理：

其中，HH_j为第二隐藏层第j个节点的输出参数，S₂为第二激活函数，b₂为第二偏差值，H_i为第一隐藏层第i个节点的输出参数，为第一隐藏层第i个节点和第二隐藏层第j个节点之间的权重，k为迭代次数，n为节点数；

输出层，用于按照以下方式，对所述第二隐藏层的输出参数进行处理：

其中，Chl-a_j为输出层第j个节点的输出参数，S₃为第三激活函数，为第二隐藏层第i个节点与输出层第j个节点之间的权重，HH_i为第二隐藏层第j个节点的输出参数，b₃为第三偏差值；

所述连接单元用于将所述神经网络单元输出的矩阵转换为矢量，并输入至遗传算法单元；

所述遗传算法单元包括：

编码单元，用于对所述矢量进行二进制编码；

初始化单元，用于对所述编码后的矢量进行种群初始化，得到多条染色体；

评估单元，用于利用适应度函数对所述多条染色体进行评价，若评价结果满足预设条件，则按照神经网络各层之间的神经元误差、权重和学习率，通过后向反馈对所述神经元各层的权重进行优化；若评价结果不满足预设条件，则对所述多条染色体进行交叉和变异，重新利用适应度函数进行评价。