[发明专利]水体总氮浓度间接遥感反演方法、存储介质和终端设备

权利要求书

1.一种水体总氮浓度间接遥感反演方法，其特征在于，包括步骤：

获取研究区的野外采集数据，所述野外采集数据包括野外水体总氮浓度、野外挺水植物的生化组分特征参数和野外挺水植物的反射光谱；

获取研究区的室内实验数据，所述室内实验数据包括室内水体总氮浓度、室内挺水植物的生化组分特征参数和室内挺水植物的反射光谱；

对所述野外采集数据和所述室内实验数据进行预处理，得到预处理数据；

基于所述预处理数据，利用多种机器学习模型分别对水体总氮浓度进行估算，得到各水体总氮浓度估算模型；

采用改进加权先验方法对各水体总氮浓度估算模型进行融合，得到决策级融合模型；

获取研究区的反射光谱，并依据所述决策级融合模型得到研究区的水体总氮浓度。

2.根据权利要求1所述的水体总氮浓度间接遥感反演方法，其特征在于，所述野外挺水植物的生化组分特征参数为叶片的叶绿素含量和叶片的氮含量；

所述室内挺水植物的生化组分特征参数为叶片的叶绿素含量和叶片的氮含量。

3.根据权利要求1所述的水体总氮浓度间接遥感反演方法，其特征在于，对所述野外采集数据进行预处理的步骤包括：采用表达式为Grünwald-Letnikov的分数阶微分算法将野外挺水植物的反射光谱进行预处理。

4.根据权利要求3所述的水体总氮浓度间接遥感反演方法，其特征在于，所述Grünwald-Letnikov分数阶微分的函数为：其中，v为阶数，a与b分别为微分的下限和上限，[(b-a)/h]为(b-a)/h的整数部分，h为f(x)自变量x的增量，Γ(v+1)为Gamma函数。

5.根据权利要求1所述的水体总氮浓度间接遥感反演方法，其特征在于，所述多种机器学习模型为偏最小二乘机器学习模型、随机森林机器学习模型、极限学习机机器学习模型与高斯过程机器学习模型。

6.根据权利要求1所述的水体总氮浓度间接遥感反演方法，其特征在于，所述决策级融合模型为其中，为决策融合权重，l为模型的总数，y⁽ⁱ⁾为模型预测值。

7.根据权利要求1所述的水体总氮浓度间接遥感反演方法，其特征在于，所述遥感反演方法还包括步骤：使用决策级融合模型决策级融合模型构建数据集对决策级融合模型决策级融合模型进行训练得到预测结果，对预测结果进行评价。

8.根据权利要求7所述的水体总氮浓度间接遥感反演方法，其特征在于，所述对预测结果进行评价的评价指标包括平均绝对误差均方根误差、决定系数和四分位相对预测误差。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有水体总氮浓度间接遥感反演程序，所述水体总氮浓度间接遥感反演程序被处理器执行时，以实现如权利要求1-8任一项所述的水体总氮浓度间接遥感反演方法中的步骤。

10.一种终端设备，其特征在于，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上执行的水体总氮浓度间接遥感反演程序，所述处理器执行所述水体总氮浓度间接遥感反演程序时实现如权利要求1-8任一项所述的水体总氮浓度间接遥感反演方法中的步骤。