[发明专利]一种基于多源遥感和机器学习的水环境监测方法

权利要求书

1.一种基于多源遥感和机器学习的水环境监测方法，其特征在于，包括以下步骤：

S01：获取研究水体历史时间序列水质监测站点数据并进行预处理；

S02：获取研究区域历史时间序列多源卫星遥感影像，经处理、解析，融合得到多源历史卫星遥感数据；

S03：将所述S01预处理后研究水体历史时间序列水质监测站点数据及所述S02选定区域的多源历史遥感数据进行时空融合，形成水质反演数据集并进行预处理；

S04：基于所述S03预处理后水质反演数据集，利用机器学习算法反演水质参数，经性能评估择优选取水质反演模型；

S05：基于所述S04建立的水质反演模型对研究区域多源实时卫星遥感数据进行反演，得到监测指标值，并根据相关标准规范对超标指标进行预警，实现对近岸海域赤潮等水环境污染事件实时监测与预警。

2.根据权利要求1所述的一种基于多源遥感和机器学习的水环境监测方法，其特征在于，所述S01的具体方法为：

S11：获取研究水体历史时间序列水质监测站点数据；

S12：筛选表征水体污染关键指标，得到监测水体实际水质参数；

S13：提取监测水体实际水质参数监测时间与站点经纬度，即水质数据时间和空间分布情况。

3.根据权利要求1所述的一种基于多源遥感和机器学习的水环境监测方法，其特征在于，所述S02的具体方法为：

S21：根据所述S13中水质数据时空分布情况，挑选多种可覆盖该区域卫星遥感产品，获取其历史时间序列卫星遥感影像；

S22：剔除质量较差或缺失的研究区域历史时间序列多源卫星遥感影像，对频谱范围相同的研究区域历史时间序列多源卫星遥感影像波段进行去重；

S23：对研究区域历史时间序列多源卫星遥感影像进行大气校正，消除云层对反射率的影响；

S24：通过Python代码读取处理后研究区域历史时间序列多源卫星遥感影像，解析文件中所有波段数据；

S25：根据多源历史卫星遥感数据的时间属性，将多源历史卫星遥感数据各波段进行融合，得到选定区域高时间分辨率多源历史卫星遥感数据。

4.根据权利要求1所述的一种基于多源遥感和机器学习的水环境监测方法，其特征在于，所述S03的具体方法为：

S31：利用所述S12中监测水体实际水质参数与所述S25中多源历史卫星遥感数据的时空属性，进行时空融合匹配，形成水质反演数据集；

S32：对水质反演数据集中异常值、缺失值进行处理并对各项参数进行归一化操作；

S33：将预处理后的水质反演数据集划分为训练集、验证集和测试集并进行交叉验证。

5.根据权利要求1所述的一种基于多源遥感和机器学习的近岸海域水环境监测方法，其特征在于，所述S04的具体方法为：

S41：利用所述S33中训练集数据，将训练集数据中多源历史卫星遥感数据作为模型输入；

S42：将训练集数据中监测水体实际水质参数作为模型输出；

S43：使用多种机器学习算法进行模型训练；

S44：利用所述S33中验证集数据，对水质反演模型进行优化，确定网络结构，合理设置模型结构中的超参数、激活函数、隐藏层层数；

S45：利用所述S33中测试集数据，使用优化后的水质反演模型输出预测值，对其总体性能进行评价；

S46：根据所述总体性能选取相对最优水质反演模型。

6.根据权利要求1所述的一种基于多源遥感和机器学习的近岸海域水环境监测方法，其特征在于，所述S05的具体方法为：

S51：利用所述S02中多源卫星遥感数据融合方法，将研究区域多源实时卫星遥感影像进行处理，得到多源实时卫星遥感数据；

S52：将多源实时卫星遥感数据作为模型输入，导入到所述S46中择优选取的水质反演模型中，得到对应位置的水质反演结果；

S53：根据得到的监测指标值和相关标准规范，对超标指标进行预警，实现对近岸海域赤潮等水环境污染事件实时监测与预警。