[发明专利]一种结合预分类与机器学习的叶绿素a浓度反演方法

权利要求书

1.一种结合预分类与机器学习的叶绿素a浓度反演方法，其特征在于，包括如下步骤：

S1、实地采集二类水体表面的反射率数据，同步采集该二类水体的叶绿素a浓度值；

S2、对反射率数据进行预分类；

S3、求取不同分类数目下的误差平方和，根据误差平方和找出分类效果最佳的分类数目，将其作为真实聚类数目K；

S4、将采集的所有反射率数据分成K类；

S5、对K类反射率数据在不同尺度下进行连续小波变换，得到每一类的小波系数；

S6、将每类小波系数与步骤S1实测的叶绿素a浓度值进行相关性分析，从中筛选出相关系数大于预设阈值的小波系数；

S7、将筛选后的各类小波系数分别进行支持矢量回归建模，并进行超参数优化，最终各类小波系数都对应得到以小波系数为自变量，叶绿素a浓度为因变量的叶绿素a浓度反演模型；

S8、对于待测的二类水体，实地采集其表面的反射率数据，计算该数据与步骤S4中K种不同类别的质心之间的欧式距离，选择其中欧式距离最小的类别为该数据所属类别，再按照步骤S5进行连续小波变换，将得到的小波系数输入所属类别对应的叶绿素a浓度反演模型进行预测，得到该二类水体的叶绿素a浓度；

欧式距离计算公式：

其中，X为待测二类水体反射率数据，x_i为不同波长的反射率，C_i为第i个类别，m_i为第i个类别下的质心，dist代表欧式距离。

2.根据权利要求1所述的结合预分类与机器学习的叶绿素a浓度反演方法，其特征在于，利用光谱仪采集水体表面的反射率数据，利用高效液相色谱仪、荧光光度计或分光光度计采集二类水体的叶绿素a浓度。

3.根据权利要求2所述的结合预分类与机器学习的叶绿素a浓度反演方法，其特征在于，光谱仪的光谱测量波长范围为400～900nm。

4.根据权利要求1所述的结合预分类与机器学习的叶绿素a浓度反演方法，其特征在于，在步骤S2中，采用K-means方法对反射率数据进行非监督分类。

5.根据权利要求1所述的结合预分类与机器学习的叶绿素a浓度反演方法，其特征在于，在步骤S2中，反射率数据分为N类，N的取值范围设置为[1，10]；

在步骤S3中，求取不同分类数目下的误差平方和，根据误差平方和找出分类效果最佳的分类数目，将其作为真实聚类数目K，具体为：

对不同N值划分的类别计算误差平方和SSE：

其中，C_i是第i个类别；p是C_i中的样本点；m_i是C_i的质心；SSE用于表示聚类效果的好坏；

然后以N值作为横坐标，SSE作为纵坐标，利用计算得到的SSE绘制手肘图，从手肘图中找出肘部系数对应的类别数目，将该类别数目作为真实聚类数K。

6.根据权利要求1所述的结合预分类与机器学习的叶绿素a浓度反演方法，其特征在于，连续小波变换的方式包括但不限于MEXH小波基函数。

7.根据权利要求1所述的结合预分类与机器学习的叶绿素a浓度反演方法，其特征在于，筛选出相关系数大于预设阈值的小波系数，是指筛选出相关系数排在前1％的小波系数。

8.根据权利要求1所述的结合预分类与机器学习的叶绿素a浓度反演方法，其特征在于，超参数优化方法包括但不限于网格搜索法、随机搜索法和贝叶斯优化法。

9.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1至8中任一项所述的结合预分类与机器学习的叶绿素a浓度反演方法。

10.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1至8中任一项所述的结合预分类与机器学习的叶绿素a浓度反演方法。