[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

说明书

本发明公开了一种结合预分类与机器学习的叶绿素a浓度反演方法，包括先实地采集二类水体表面的反射率数据及水体的叶绿素a浓度值；然后对反射率数据进行预分类，求取不同分类数目下的误差平方和，根据误差平方和确定真实聚类数目K；再将采集的反射率数据分成K类，并在不同尺度下进行连续小波变换，得到每一类的小波系数；将各类小波系数与实测的叶绿素a浓度值进行相关性分析，筛选出相关系数大于预设阈值的小波系数；接着将筛选出的各类小波系数进行支持矢量回归建模，并进行超参数优化，最终得到叶绿素a浓度反演模型，模型可用来根据反射率的小波系数反演出二类水体的叶绿素a浓度。本发明能够实现二类水体叶绿素a浓度高精度反演。

技术领域

本发明涉及二类水体叶绿素a浓度反演技术领域，特别涉及一种结合预分类与机器学习的叶绿素a浓度反演方法。

背景技术

我国水域范围广阔，河口、近海、内陆湖泊是典型的二类水体。在对二类水体进行水质评估时，通常需要检测水中的叶绿素a浓度，叶绿素a是反映水体富营养化的一个重要指标。

目前，由于二类水体构成情况十分复杂，水体光学特性变换的成因也有着较大的差异，同时水体的光学特性还具有明显的区域和季节特征，如果用统一的模型来反演二类水体的叶绿素a浓度，可能会无法适应不同时间及不同研究区域，导致反演结果不准确，所以对二类水体进行高精度的叶绿素a浓度反演一直是人们面临的巨大挑战。

发明内容

本发明的第一目的在于克服现有技术的缺点与不足，提供一种结合预分类与机器学习的叶绿素a浓度反演方法，该方法能够实现二类水体叶绿素a浓度高精度反演。

本发明的第二目的在于提供一种存储介质。

本发明的第三目的在于提供一种计算设备。

本发明的第一目的通过下述技术方案实现：一种结合预分类与机器学习的叶绿素a浓度反演方法，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为该类别下的质心，dist代表欧式距离。

优选的，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。

更进一步的，光谱仪的光谱测量波长范围为400～900nm。