基于卫星高光谱图像的水质参数估计方法、设备及介质与流程

本发明涉及遥感、水环境监测和高光谱数据处理等。

背景技术：

1、高光谱遥感技术是一种通过获取连续的大量窄带光谱数据来获取地物光谱信息的技术。这种技术可以提供比传统多光谱遥感更丰富的光谱信息，能够更准确地反映地物的特征。目前，已有一些高光谱数据处理方法用于遥感领域和水环境检测领域。其中一种常见的方法是通过主成分分析(pca)等降维算法将高光谱数据降维，以减少数据维度和提高计算效率。另外，也有一些方法利用遥感数据和水质参数之间的相关性，通过统计学方法或回归分析建立模型，实现对水质参数的估计和预测。然而，现有的高光谱数据处理方法存在一些问题。首先，传统的降维算法在降维过程中可能会丢失一部分有用的信息，导致特征提取的不准确性。其次，现有的相关性分析方法通常仅考虑两个波段之间的相关性，忽略了多个波段之间的综合关系。此外，现有的人工神经网络反演模型可能存在过拟合问题，导致模型的泛化能力不强。因此，现有技术在高光谱数据处理和水质参数估计方面存在一些问题和限制，需要进一步改进和完善。

技术实现思路

1、为克服现有技术的不足，本发明提出一种基于卫星高光谱图像的水质参数估计方法、设备及介质。

2、为解决上述技术问题，本发明采用的技术方案是：

3、本发明首先提供一种基于卫星高光谱图像的水质参数估计方法，包括如下步骤：

4、采集目标区域和时段内的卫星高光谱影像和水质监测数据并对其进行融合；

5、确定降维波段范围，通过线性插值的方法对卫星高光谱遥感数据进行预处理，将卫星高光谱遥感数据删变至确定的波段范围；

6、设定决定系数阈值；分析删变后的高光谱数据中所有波长不同的两个波段对应的遥感反射率之间的相关关系，确定决定系数大于决定系数阈值的高相关性二波段数据集；

7、根据高相关性二波段不出现在同一水质参数的特征遥感波段中的原则，遍历并求解所有符合要求的综合遥感反射率；

8、采用人工神经网络方法遍历并建立目标水质参数与得到的综合遥感反射率之间的反演模型；

9、采用建立的反演模型，基于实时获取的卫星高光谱图，估计目标区域的水质参数。

10、采用建立的反演模型，基于实时获取的卫星高光谱图，估计目标区域的水质参数步骤，包括：

11、由基于建立的反演模型，确定出不同水质参数对应的水质参数特征遥感波段集；

12、从实时获取的卫星高光谱图中，提取对应水质参数的水质参数特征遥感波段集；

13、将提取的对应水质参数的水质参数特征遥感波段集输入到反演模型中，得到对应的水质参数。

14、作为优选的，所述的步骤1包括如下步骤：

15、步骤1-1：确定目标区域和时段，分别从提供卫星数据和水质数据分发服务的平台网站上采集目标区域和时段内的卫星高光谱影像和水质监测数据，设卫星高光谱影像共计nhy景，水质数据共计nwq组；

16、步骤1-2：设第i景卫星高光谱影像shi采样日期及时间为ti，其四个顶点分别为ai,bi,ci,di，四个顶点的经纬度分别为(lonai,latai)，(lonbi,latbi)，(lonci,latci)，(londi,latdi),设在采样时间ti对应日期采集的水质参数集为rwqi,该集合中水质参数组数量为ni，其中第j个水质参数组rwqi,j所在采样点ei,j的经纬度(lonei,j,latei,j),j∈{1,2,…,ni}，确定该采样点是否位于该景卫星高光谱数据内的方法为面积法，在ai,bi,ci,di构成的区域内ei,j分别与ai,bi,ci,di构成的四边形区域的各个边构成四个三角形，计算其面积分别为si,j,1、si,j,2、si,j,3和si,j,4，ai,bi,ci,di构成的四边形区域面积为si，若si小于上述四者之和，即证明该采样点位于该景数据中，将该组数据归集到选定水质参数集合swqi中，同时将该位置处高光谱曲线dhyi,j归集到高光谱数据集合thyi中，反之若大于则处于该景卫星高光谱数据之外；

17、步骤1-3：分别按照步骤1-2中所述方法计算各组水质参数对应的采样点是否位于第i景卫星影像地理位置中，归集水质参数选定数据集swqi和高光谱数据集合thyi，并计算该数据集中水质参数组个数，即位于该景数据中采样点的数目numi；

18、步骤1-4：分别按照步骤1-3中所述方法计算位于各景卫星高光谱影像中水质采样点的数目，删去包含水质采样点数目为0的卫星高光谱影像，并进一步筛选，最后剩余卫星高光谱影像对应的选定水质参数集合swq和高光谱数据集合thy，实现二者的融合，两集合中包含的数据的数目均为num。

19、作为优选的，所述的步骤3包括如下步骤：

20、步骤3-1：确定删变后的高光谱数据中各个波段的遥感反射率对应的波长集合为{λ1，λ2，...，λns}，ns为高光谱数据中包含的波段数目，确定决定系数阈值

21、步骤3-2：r(λi)和r(λj)分别表示高光谱数据集合thy中波长为λi和λj的波段的遥感反射率，首先另i＝1,j＝i+1，采用如下公式计算二者之间的决定系数r2：

22、

23、若则将二波段(λi，λj)归集到高相关性二波段数据集s中；

24、步骤3-3：另j＝j+1，判断是否j≤ns，若结果为“是”，则重复步骤3-2，若结果为“否”，则另i＝i+1；

25、步骤3-4：判断是否i≤ns，若结果为“是”则重复步骤3-2和步骤3-3，若结果为“否”，则结束。

26、作为优选的，所述的步骤4包括如下步骤：

27、步骤4-1：根据高相关性的两个波段不出现在同一波段组合中的原则，计算波段组合中可包含的波段数目的最大值nbmax；

28、步骤4-2：自波长集合{λ1，λ2，...，λns}中分别选出的第i，j，...，和z个波长，组成第ci个波长组合：

29、

30、其中i≠j≠，...，≠z，i∈{1，2，3，...，n-nb+1}，j∈{2，3，...，n-nb+2}，且z∈{nb，nb+1，nb+2，...，ns}，ci∈{1，2，3，...，nc}，nb为在波长组台中包含的波段的个数，且nb∈{1，2，3，...，nbmax}，nc为自波长集合中选出的包含nb个波段的可组成的波长组合数目的最大值

31、步骤4-3：自波长组合中选定任意二波段波长组合(λii，λjj)，其中ii≠jj，且

32、步骤4-4：判断是否(λii，λjj)属于步骤3中确定的高相关性二波段数据集s，若结果为“否”，则重复步骤4-2和步骤4-3，若结果为“是”，则计算综合遥感反射率其中f(·)为函数。

33、步骤4-5：遍历完成后得到的包含不同波段数的综合遥感率数据集na为所有符合要求的综合遥感反射率的个数。

34、本发明还提供一种电子设备，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行上述提供的水质参数估计方法。

35、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行上述提供的水质参数估计方法。

36、本发明的有益效果是：

37、1.本发明水质参数估计方法中用于训练反演模型的数据为卫星高光谱的降维数据，可以快速准确地确定不同水质参数的特征遥感波段，相比传统的降维算法，本方法能够更准确地提取特征信息，降低了特征提取的不准确性。

38、2.本发明方法通过分析不同波段数据集中两两不同波长对应的遥感发射率之间的相关性，选取决定系数大的两波段汇总至高相关性二波段数据集中。相比现有的相关性分析方法，本发明方法考虑了多个波段之间的综合关系，提高了特征波段的准确性和相关性。

39、3.本发明方法通过人工神经网络建立特定波段组合和目标水质参数的人工神经网络反演模型，可以有效地估计和预测水质参数。相比现有的人工神经网络反演模型，本方法可以避免过拟合问题，提高了模型的泛化能力。

40、4.本发明方法根据要遥感监测的水质参数和可包含的波段数目最大值，形成满足目标水质参数的监测精度要求的多光谱特征遥感波段集。相比现有技术，本发明方法可以更精确地确定特征波段，提高了水质参数的监测精度。综上所述，与现有技术相比，本发明技术方案具有更准确、更精确、更可靠的特征提取和水质参数估计能力，提高了遥感领域和水环境检测领域的数据处理和监测精度。