[发明专利]反演亚热带浅水湖泊悬浮颗粒物浓度的基于DSFs的SVR模型

说明书

技术领域

本发明属于遥感版权保护领域，具体涉及一种针对亚热带浅水湖泊悬浮颗粒浓度反演的基于DSFs的SVR模型。

背景技术

现有的悬浮物反演模型通常利用可见光波段的遥感反射率反演悬浮颗粒物浓度，在近岸水体和大洋水体中应用的很广泛，且效果很好。但由于内陆浑浊水体和大洋水体不同，这些算法应用于内陆浑浊水体中的精度并不很高。

支持向量机(SVM)就是在统计学习理论基础上发展出的一种新的通用学习方法，其优势主要体现在以下方面：(1)它是专门针对有限样本情况下的，得到的目标是全局最优解；(2)它可将实际问题通过非线性变换转换到高维的特征空间，在高维特征空间中构造线性判别函数，降低了算法的复杂度；(3)SVM优化目标同时考虑了经验风险和置信范围的最小化，使得结构风险最小，从而保证其具有较好的推广能力。

发明内容

本发明通过分析初始波长的位置选择和迭代优化，确定湖泊水体中悬浮颗粒物浓度对应的最佳光谱限定因子(DSFs)，并建立支持向量机回归模型(SVR)反演亚热带浅水湖泊悬浮颗粒物浓度。

为实现上述目的，本发明采取的技术方案包括以下几个过程：

反演亚热带浅水湖泊悬浮颗粒物浓度的基于DSFs的SVR模型，其建立包括以下过程：

(1)分析建模样本的曲线特征，结合测量得到的湖泊悬浮颗粒物浓度，对比找出对悬浮物浓度敏感的响应波段；

(2)将用于建立模型的各波段处的遥感反射率和对应的悬浮物浓度作为SVR模型的训练样本，其中遥感反射率值为输入项，悬浮物浓度为输出项，对应的公式为：

X＝(R_rs(λ₁)，R_rs(λ₂)，R_rs(λ₃)，...)，Y＝TSM

，其中X表示SVR的输入项，Rrs(λ)表示在波长λ处的遥感反射率；λ₁，λ₂，λ₃…分别为遥感反射率与悬浮物浓度相关度较高的特征波段，其中λ的个数根据步骤(1)的分析结果进行确定；

(3)建立基于径向量的核函数SVR模型，并根据多次测试结果确定最佳的(C，σ)组合，其中C为惩罚系数，即对误差的宽容度，这个值越高，说明越不能容忍出现误差；而σ是选择径向基函数作为核函数后，该函数自带的一个参数，隐含地决定了数据映射到新的特征空间后的分布；训练得到精度最高的SVR模型，再用于悬浮颗粒物浓度的反演。

支持向量机模型表现出较好的拟合精度和预测误差。通过对验证样本和以往实验积累的数据分析表明：本发明建立的支持向量机模型具有较低的预测误差，其对太湖水体Chla浓度的估算也具有一定的普适性。

附图说明

图1是纯水和非水物质在400～900nm波段范围内对水体总吸收系数的贡献率图。其中a_t代表了总吸收系数；a_w代表纯水的吸收系数；a_t-w代表非水物质(包括CDOM，浮游植物色素，以及非色素颗粒物)的吸收系数。其中对于吸收系数贡献率a_t-w:a_t和a_w:a_t的曲线，中间的那条显示的是样本集的平均水平，而两边的曲线是平均值±SD的结果。

图2是2007年的太湖水体几个典型样本的主要的固有光学特性曲线图。固有光学特性包括CDOM的吸收系数(a_cdom)，浮游植物色素的吸收系数(a_ph)，而纯水的吸收系数(a_w)和悬浮颗粒物的后向散射系数(b_bp)遥感反射率曲线共有三条，其中中间一条显示的是遥感反射率的平均值，两边的曲线是平均值±SD的结果。

具体实施例

本发明采用如下技术思路：首先确定根据分析得到合适的相应波段，接着利用样本训练SVR模型，选择最佳的(C，σ)，以获得的精度最高的SVR模型，并用于反演亚热带浅水湖泊的悬浮颗粒物浓度。