[发明专利]一种基于机器学习的绿潮面积遥感监测方法

说明书

本发明公开了一种基于机器学习的绿潮面积遥感监测方法，包括：使用搭载高光谱成像仪的无人机在实验海域进行航拍；对航拍图像进行图像裁剪、反射率校正、平滑降噪、光谱增强的预处理工作；基于光谱特征，进行波段选择提炼光谱信息并减少分类计算量；利用投票分类器对航拍图像进行分类预测，计算绿潮覆盖面积；本发明基于实地航拍高光谱图像采集到的光谱特征信息构建了以随机森林、支持向量机、K最近邻法为三输入的投票分类器模型，通过对实验区高光谱图像的预测应用，证明了该模型在预测大数据时仍保持较高准确率，且在混合像元区也能给出定义，证明了该方法的在绿潮遥感监测领域的可行性和优越性。

技术领域

本发明涉及一种基于机器学习的绿潮面积遥感监测方法，属于绿潮高光谱遥感监测领域。

背景技术

在绿潮高光谱遥感监测领域，由于实际获取的高光谱地物图像存在着大量混合像元，所以依靠经验得出的阈值分割法常常不能适应实际的分类需要，机器学习算法完成像元识别和分类工作已经有了许多成熟的案例。然而，常规的监督学习分类算法易收到训练集的限制，陷入对训练集的过拟合，从而往往在训练集内具有极高的分类准确率，而在利用模型进行预测时预测精度不高，这一点在通过小数据构建模型对大数据进行预测时更为明显。投票分类器可以聚合每个分类器预测的类别，然后选其中投票最多的类别。

现阶段的绿藻遥感监测多基于卫星多光谱数据，在机载平台上也多搭载多光谱成像仪，受限于实验设备和数据来源，基于机载高光谱数据的绿藻监测研究较少。利用机载平台带来的高空间分辨率和高光谱成像仪采集的丰富、连续的光谱信息，可以显著提高绿潮监测的频率和精度。

由于高光谱数据的光谱维具有上百个波段值，且波段间信息具有冗余，相邻波段的相关系数高，导致数据冗余现象严重，处理时需要耗费大量计算资源。为解决有高光谱数据自身性质带来的数据冗余问题，必须在建模和预测前进行波段选择以降低计算量。

发明内容

本发明需要解决的技术问题是提供一种基于机器学习的绿潮面积遥感监测方法，该方法可以有效利用高光谱数据获取的丰富光谱信息，并通过波段选择对冗余数据进行提炼，大幅降低了分类耗时；对待大量的混合像元时，采用随机森林、支持向量机和K最近邻法三可靠输入集成的投票分类器提高分类精度，同时也提高了小数据构建模型预测大数据时的预测精度，为后续的基于高光谱数据的绿潮监测领域的技术更新和实际应用提供了新的思路。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于机器学习的绿潮面积遥感监测方法，包括如下步骤：

1)：获取实验海域的高光谱图像；

2)：对航拍得到的高光谱图像进行预处理工作；

3)：构建数据集，利用数据集构建分类模型；

4)：利用分类模型预测全幅高光谱图像的全部像元。

本发明技术方案的进一步改进在于：获取实验海域的高光谱图像，具体步骤包括：在实验海域的沙滩上铺设1㎡的绿藻用于分类精度评价。在实验海域的沙滩上铺设反射率校正布用于反射率校正。使用搭载高光谱成像仪的无人机在有大量绿潮的近海海域进行航拍实验，飞行高度为100m。

本发明技术方案的进一步改进在于：对航拍得到的高光谱图像进行预处理工作，具体步骤为：对航拍得到的高光谱图像进行人工目视检查，裁剪图像扭曲和受传感器暗角效应影响的部分。对裁剪后的图像进行反射率校正、平滑降噪和光谱增强处理。其中，利用对数运算进行光谱增强，增强谱间差异。