[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

说明书

本发明涉及一种基于遗传神经网络模型的叶绿素a遥感反演方法和装置，通过利用实验区水域的实测叶绿素a浓度和光谱数据，耦合遗传算法和人工神经网络两种机器学习算法，建立用于获取水体叶绿素a浓度的遗传神经网络反演模型，再根据反演模型和光谱数据求算待评估区域叶绿素a浓度的模拟值。由于利用遗传算法改进了人工神经网络在非线性回归过程中的后向反馈，所估算出的叶绿素a浓度更接近全局最优解，叶绿素a浓度预测值与实测值保持了较高的一致性。同时，由于考虑了波段比值、光谱导数等多种敏感性光谱特征，所述遗传神经网络反演模型具有较好的鲁棒性和空间可移植性，非常适合于物质组成和光学特征复杂的浑浊二类水体。

技术领域

本发明涉及水色遥感、高光谱遥感和地理信息技术领域，尤其是涉及一种基于遗传神经网络模型的叶绿素a遥感反演方法和装置。

背景技术

水体中的叶绿素a会通过改变水环境的初级生产力和富营养化程度来危害水生生物，在估算浮游植物生物量和富营养化中起着重要作用。

估算水体叶绿素a浓度，分析其时空变化特征及其主要驱动因素，对水体富营养化引发的沉水植物的消减、蓝藻水华的频发、初级生产力和微生物生物量的增加、生物多样性的下降以及养分循环和利用效率的加快等水生态系统异常问题的研究和治理具有重要意义。

当前，获取水体叶绿素a浓度的方法主要有两种。一种是通过手持便携式水质监测仪器(ALGAE-Wader手持式藻类检测仪、YSI6600多参数水质检测仪等)在现场直接测量，或者将将水样带回实验室通过紫外可见光光度计等仪器进行化验分析，这种传统实验测量方法测得的叶绿素a浓度精度较高，但只能测量个别水质断面的数据，且费时费力，一些行船较为困难的地区难以获得实时的数据，无法实现大面积、空间连续的水质监测数据。另一种是基于水体的光谱反射特征，利用遥感影像和反演模型来估算叶绿素a浓度，该方法可以实大面积、快速的水体叶绿素a浓度监测；然而，由于水体的复杂成分组成和光学特征，现有的叶绿素a浓度遥感反演方法的准确性和可移植性较低，特别是应用于浑浊二类水体区域的叶绿素a浓度估算过程中，例如内陆水库、湖泊，以及河口等区域。

发明内容

鉴于上述情况，本申请实施例提供了一种精度更高、可移植性更强的基于遗传神经网络模型的叶绿素a遥感反演方法和装置。

第一方面，本申请实施例提供了一种基于遗传神经网络模型的叶绿素a遥感反演方法，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；