[发明专利]基于数据同化的内陆水体叶绿素浓度多模型协同反演方法

说明书

技术领域

本发明属于遥感技术领域，具体涉及一种使用内陆水体高光谱遥感反射率数据，针对水体叶绿素浓度进行多反演模型协同反演的方法。

背景技术

相对于大洋水体而言，内陆湖泊的水色要素组成更为复杂，利用遥感手段和方法反演内陆湖泊叶绿素浓度面临更大的不确定性，至今还无法找到一个普适性强、精度高的反演模型。目前所建立的大量的经验模型、半经验模型以及分析模型，其模型的精度随着研究区域、时间、季节的变化而不同。即使是同一研究区的水体，其水体光学特性也可能存在差异，导致不同区域需要采用不同的模型。为了提高对叶绿素浓度的遥感反演精度，如何有效利用不同模型、数据的优势，克服和避免不同模型、数据的不足之处就成为了关键。

数据同化是根据一定的数学模式和优化标准，在考虑不同数据源的误差信息基础上，将不同空间、不同时间、采用不同手段获得的观测资料有机结合，进而得到一个更加逼近客观现实的“真值”。数据同化方法提供了将多模型、多数据融合的可能性，利用数据同化方法可以融合和吸收不同模型、数据的优势，克服和避免不同模型、数据的不足之处，从而达到最优的反演效果。

以上这些研究取得了一些成果，但是针对内陆高浑浊和富营养化的二类水体，在利用数据同化方法实现叶绿素浓度的多模型协同反演方面考虑还不足。

发明内容

针对内陆水体光学性质复杂的特点，国内外学者开发了大量叶绿素浓度反演模型，各类模型都具有其优点，同时也都有其局限性。鉴于此，本发明参照数据同化方法，构建多模型协同反演算法模型，有效融合和吸收不同模型、数据的优势，克服和避免不同模型、数据的不足之处，从而达到最优的反演效果。为提高叶绿素浓度的遥感反演精度提供了新的技术方法。

为了实现上述发明的目的，本发明所采取的技术方案为：

基于数据同化的内陆水体叶绿素浓度多模型协同反演方法，包括以下步骤：

S1：基于实测水体高光谱遥感反射率数据，结合实测叶绿素浓度，构建叶绿素浓度反演模型集；

S2：针对模型集中的每一个叶绿素浓度反演模型，将反演值与实测值分别在不同浓度等级上计算均方根误差RMSE，建立不同反演模型在不同浓度等级上的模型误差查找表；

S3：针对验证数据，利用已构建的叶绿素浓度反演模型集进行叶绿素浓度反演，获取各模型反演的叶绿素浓度值；

S4：将各模型反演所得的叶绿素浓度值，结合模型误差查找表，获取每个验证数据在不同反演模型中的模型误差；

S5：利用数据同化方法，结合各反演模型的模型误差，最终获得最优反演值；

S6：对多模型协同反演结果与实测叶绿素浓度进行精度分析，检验多模型协同反演效果。

所述步骤S1中构建叶绿素浓度反演模型集包括使用经验方法、半经验方法或分析方法构建适宜于太湖叶绿素浓度反演的多个反演模型。

所述步骤S2中不同浓度等级上的均方根误差RMSE即为反演模型在不同浓度等级上的模型误差。

所述步骤S2中均方根误差RMSE的计算表达式如下：

RMSE=1nΣi=1n(yi-yi′)2]]>

其中n是样本数，y_i是测量值，y_i'是反演值。

所述步骤S5中，基于数据同化的最优反演值表达式如下：