[发明专利]一种湖库水质反演及可视化评价方法

权利要求书

1.一种湖库水质反演及可视化评价方法，其特征在于，包括以下步骤：

步骤1、获取湖库区不同时相的卫星影像_；

步骤2、调用大气校正模块Sen2Cor对Sentinel系列卫星影像进行大气校正；

步骤3、将经过大气校正之后的卫星影像的投影坐标统一转换为WGS84投影坐标；

步骤4、通过输入实测水质样点的坐标数据和取得的水样在实验室测定的实际水质参数数据，根据采样点坐标数据提取步骤3中对应时相卫星影像不同波段的反射率数据；

步骤5、用步骤4中的实测样点水质参数数据和对应时相卫星影像不同波段的反射率数据作为输入数据，采用深度学习中的神经网络算法进行模型的训练，训练时选择ReLU函数作为模型的激活函数；

步骤6、采用K折交叉验证方法进行模型训练与精度验证；

步骤7、选择已经经过步骤2大气校正的卫星影像作为待预测水质的影像，并输入湖库水体边界的矢量数据作为掩膜边界，利用通过步骤6精度验证的一组水质反演参数，以待测影像不同波段反射率数据作为模型输入，进行湖库水质参数反演，根据实测水质参数不同，分别对不同的参数进行训练和反演；

步骤8、利用步骤7反演的湖库水体水质参数结果，对整个湖库水体进行水质评价，并以可视化图像展示；

所述步骤2调用大气校正模块Sen2Cor对Sentinel系列卫星影像进行大气校正包括：

步骤21、利用大气校正模块Sen2Cor对Sentinel系列卫星影像进行辐射定标，将卫星影像每一波段的像元DN值转化为大气顶层辐射亮度值或反射率值；

步骤22、利用大气校正模块将大气顶层辐射亮度值或反射率值还原为地表真实反射率值，并高保真地恢复地物波谱信息；

所述步骤5中的神经网络算法具体包括：

步骤51、选择卫星影像与实测水质参数相关的波段的反射率数据作为输入数据，输入神经网络输入层的每个节点；

步骤52、设定隐含层层数以及每一层隐含层神经元个数，在测试的过程中不断调整隐含层层数以及每一层隐含层神经元个数以取得最佳效果，输入层的每个节点都要与的隐藏层每个节点做点对点的计算，计算过程为：初始特征X₁,X₂,X₃以及偏移值+1从输入层的节点输入后，经过权重w0,w1,w2,w3和激活函数f的计算，从输出层的节点输出；

初始特征X₁,X₂,X₃对应步骤51中不同波段的反射率数据；权重w0,w1,w2,w3，即参数，是特征的缩放倍数；

计算公式为：

其中，W表示权重向量，x为输入的波段反射率数据，b为初始阈值，函数f称为激活函数；

步骤53、特征经过缩放和偏移后全部累加起来，经过一次激活运算然后再输出，模型选用的激活函数为ReLU，公式为：

f(h_W,b(x))＝max(h_W,b(x),0)

其中，x为输入的波段反射率数据，ReLU激活函数的作用是如果计算出的值小于0，就让它等于0，否则保持原来的值不变；

步骤54、隐藏层每个节点中计算的数值再通过网络计算，以相同的方式传播到输出层；

所述步骤6中的K折交叉验证方法具体包括：

步骤61、将实测水质参数数据与对应的不同波段的反射率数据拆分为K份，取其中的K-1份作为模型的训练集输入步骤5中进行模型的参数训练，1份作为模型精度验证的验证集，取验证集对应点位的卫星影像不同波段的反射率数据作为输入数据，利用所述训练集训练获得的水质数据模拟参数对验证集的水质参数进行模拟计算，计算结果和验证集中的真值进行比较，并以均方误差作为其损失函数，判断并记下本次训练模型的准确率，损失函数为平均绝对误差MAE：

其中y_i是验证集中的实测值，而y_i'为神经网络给出的预测值，K为折数；

步骤62、在K份中取另外的K-1份做训练集，1份做验证集，再次得到一个模型的准确率，依次循环，直到所有K份都做过1次验证集，也即验证集名额循环了一圈，交叉验证的过程就结束，循环次数可通过调参设置；

步骤63、计算K次准确率的均值，经过循环计算，取准确率最高的一次训练出来的参数作为最终水质模拟参数。