[發(fā)明專利]反演亞熱帶淺水湖泊懸浮顆粒物濃度的基于DSFs的SVR模型

無效

• 申請?zhí)枺?/td>: 201110337527.X
• 申請日: 2011-10-31
• 公開（公告）號: CN102507403A
• 公開（公告）日: 2012-06-20
• 發(fā)明（設(shè)計）人: 孫德勇;李云梅
• 申請（專利權(quán)）人: 南京師范大學
• 主分類號: G01N15/06
• 分類號: G01N15/06;G06K9/62
• 代理公司: 南京知識律師事務(wù)所 32207
• 代理人: 汪旭東

技術(shù)領(lǐng)域

本發(fā)明屬于遙感版權(quán)保護領(lǐng)域，具體涉及一種針對亞熱帶淺水湖泊懸浮顆粒濃度反演的基于DSFs的SVR模型。

背景技術(shù)

現(xiàn)有的懸浮物反演模型通常利用可見光波段的遙感反射率反演懸浮顆粒物濃度，在近岸水體和大洋水體中應(yīng)用的很廣泛，且效果很好。但由于內(nèi)陸渾濁水體和大洋水體不同，這些算法應(yīng)用于內(nèi)陸渾濁水體中的精度并不很高。

支持向量機(SVM)就是在統(tǒng)計學習理論基礎(chǔ)上發(fā)展出的一種新的通用學習方法，其優(yōu)勢主要體現(xiàn)在以下方面：(1)它是專門針對有限樣本情況下的，得到的目標是全局最優(yōu)解；(2)它可將實際問題通過非線性變換轉(zhuǎn)換到高維的特征空間，在高維特征空間中構(gòu)造線性判別函數(shù)，降低了算法的復雜度；(3)SVM優(yōu)化目標同時考慮了經(jīng)驗風險和置信范圍的最小化，使得結(jié)構(gòu)風險最小，從而保證其具有較好的推廣能力。

發(fā)明內(nèi)容

本發(fā)明通過分析初始波長的位置選擇和迭代優(yōu)化，確定湖泊水體中懸浮顆粒物濃度對應(yīng)的最佳光譜限定因子(DSFs)，并建立支持向量機回歸模型(SVR)反演亞熱帶淺水湖泊懸浮顆粒物濃度。

為實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案包括以下幾個過程：

反演亞熱帶淺水湖泊懸浮顆粒物濃度的基于DSFs的SVR模型，其建立包括以下過程：

(1)分析建模樣本的曲線特征，結(jié)合測量得到的湖泊懸浮顆粒物濃度，對比找出對懸浮物濃度敏感的響應(yīng)波段；

(2)將用于建立模型的各波段處的遙感反射率和對應(yīng)的懸浮物濃度作為SVR模型的訓練樣本，其中遙感反射率值為輸入項，懸浮物濃度為輸出項，對應(yīng)的公式為：

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

，其中X表示SVR的輸入項，Rrs(λ)表示在波長λ處的遙感反射率；λ₁，λ₂，λ₃…分別為遙感反射率與懸浮物濃度相關(guān)度較高的特征波段，其中λ的個數(shù)根據(jù)步驟(1)的分析結(jié)果進行確定；

(3)建立基于徑向量的核函數(shù)SVR模型，并根據(jù)多次測試結(jié)果確定最佳的(C，σ)組合，其中C為懲罰系數(shù)，即對誤差的寬容度，這個值越高，說明越不能容忍出現(xiàn)誤差；而σ是選擇徑向基函數(shù)作為核函數(shù)后，該函數(shù)自帶的一個參數(shù)，隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布；訓練得到精度最高的SVR模型，再用于懸浮顆粒物濃度的反演。

支持向量機模型表現(xiàn)出較好的擬合精度和預測誤差。通過對驗證樣本和以往實驗積累的數(shù)據(jù)分析表明：本發(fā)明建立的支持向量機模型具有較低的預測誤差，其對太湖水體Chla濃度的估算也具有一定的普適性。

附圖說明

圖1是純水和非水物質(zhì)在400～900nm波段范圍內(nèi)對水體總吸收系數(shù)的貢獻率圖。其中a_t代表了總吸收系數(shù)；a_w代表純水的吸收系數(shù)；a_t-w代表非水物質(zhì)(包括CDOM，浮游植物色素，以及非色素顆粒物)的吸收系數(shù)。其中對于吸收系數(shù)貢獻率a_t-w:a_t和a_w:a_t的曲線，中間的那條顯示的是樣本集的平均水平，而兩邊的曲線是平均值±SD的結(jié)果。

圖2是2007年的太湖水體幾個典型樣本的主要的固有光學特性曲線圖。固有光學特性包括CDOM的吸收系數(shù)(a_cdom)，浮游植物色素的吸收系數(shù)(a_ph)，而純水的吸收系數(shù)(a_w)和懸浮顆粒物的后向散射系數(shù)(b_bp)遙感反射率曲線共有三條，其中中間一條顯示的是遙感反射率的平均值，兩邊的曲線是平均值±SD的結(jié)果。

具體實施例

本發(fā)明采用如下技術(shù)思路：首先確定根據(jù)分析得到合適的相應(yīng)波段，接著利用樣本訓練SVR模型，選擇最佳的(C，σ)，以獲得的精度最高的SVR模型，并用于反演亞熱帶淺水湖泊的懸浮顆粒物濃度。