[發明專利]基于分類與回歸樹的島礁淺海水深預測方法

有效

• 申請號: 201910943234.2
• 申請日: 2019-09-30
• 公開（公告）號: CN110849334B
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 荊文龍;李勇;劉楊曉月;楊驥;夏小琳
• 申請（專利權）人: 廣州地理研究所
• 主分類號: G01C13/00
• 分類號: G01C13/00;G06K9/62
• 代理公司: 廣州駿思知識產權代理有限公司 44425
• 代理人: 潘桂生

1.一種基于分類與回歸樹的島礁淺海水深預測方法，其特征在于，包括如下步驟：

獲取島礁淺海區的多光譜反射率；

獲取島礁淺海區的水深控制點的實際水深值，針對每一景影像的過境時刻，對實測水深值分別開展水深控制點的潮汐校正，得到實際水深值；

根據所述多光譜反射率中的近紅外和紅外波段反射率計算水深控制點的懸浮泥沙含量預測值；

根據水深控制點的多光譜反射率、實際水深值和懸浮泥沙含量預測值，利用分類和回歸樹算法構建關于淺海水深、多光譜反射率和懸浮泥沙含量的非線性回歸映射模型；

將所述島礁淺海區的多光譜反射率輸入至所述非線性回歸映射模型進行時空序列連續反演，獲得水深預測值；

獲得島礁淺海水深的步驟之后，獲取島礁淺海區的水深驗證點的實際水深值，針對每一景影像的過境時刻，對實測水深值分別開展水深驗證點的潮汐校正，得到水深驗證點的實際水深值；

根據所述水深驗證點的實際水深值與通過時空序列連續反演獲得的水深驗證點的水深預測值計算反演精度，并建立反演精度與實際水深值的關系模型。

2.根據權利要求1所述的基于分類與回歸樹的島礁淺海水深預測方法，其特征在于：所述獲取島礁淺海區的多光譜反射率，包括：

獲取島礁淺海區的中高分辨率的多光譜遙感數據；

通過大氣校正和小波變換對多光譜遙感數據進行數據預處理；

將多光譜遙感數據轉換為多光譜反射率。

3.根據權利要求1所述的基于分類與回歸樹的島礁淺海水深預測方法，其特征在于：所述實際水深值根據所述多光譜遙感數據的來源衛星的過境時間，對島礁淺海區的水深控制點或水深驗證點進行實測和潮汐校正而獲得。

4.根據權利要求1所述的基于分類與回歸樹的島礁淺海水深預測方法，其特征在于：所述根據所述多光譜反射率中的近紅外和紅外波段反射率計算水深控制點的懸浮泥沙含量預測值的步驟，具體通過如下關系模型進行計算：

式中，R_nir和R_red分別為近紅外波段和紅光波段的反射率，TSS為懸浮泥沙濃度，單位為mg/L，a，b，c為回歸系數。

5.根據權利要求4所述的基于分類與回歸樹的島礁淺海水深預測方法，其特征在于：所述根據所述多光譜反射率中的近紅外和紅外波段反射率計算水深控制點的懸浮泥沙含量預測值的步驟之后，還包括：

獲取水深控制點的懸浮泥沙含量實測值；

根據所述懸浮泥沙含量實測值對懸浮泥沙含量預測值進行精度驗證和對所述關系模型進行校準。

6.根據權利要求5所述的基于分類與回歸樹的島礁淺海水深預測方法，其特征在于：所述根據水深控制點的多光譜反射率、實際水深值和懸浮泥沙含量預測值，利用分類和回歸樹算法構建淺海水深、多光譜反射率和懸浮泥沙含量的非線性回歸映射模型的步驟，包括：

以水深控制點的多光譜反射率、實際水深值和懸浮泥沙含量作為訓練樣本；

在訓練樣本所在的輸入空間中，遞歸地選擇最優變量s_t和對應最優值s^*將所述分類與回歸樹t節點分裂為t_L和t_R兩棵子樹，并使每棵子樹之間的樣本具有最大差異性；

衡量分裂的誤差指標為分裂之前的回歸誤差減去分裂之后兩棵子樹的回歸誤差；當誤差指標最大化時，每棵子樹之間的樣本具有最大差異性；所述誤差指標具體為：

Δi(s,t)＝i(t)-p_Li(t_L)-p_Ri(t_R)

其中，分別是兩個子樹t_L、t_R的樣本數量，i(t)是回歸誤差：

N_t是節點t包含的樣本數，y_i是節點t中訓練樣本i的島礁淺海區的實際水深值，y是y_i集合算術平均值：