[发明专利]一种水质遥感多模型协同反演的权重集结优化方法及装置

说明书

技术领域

本发明涉及遥感技术领域，特别是涉及一种水质遥感多模型协同反演的权重集结优化方法、一种水质遥感多模型协同反演的权重集结优化装置。

背景技术

内陆水体的水色要素组成更为复杂，利用遥感手段和方法反演水质参数面临更大不确定性，目前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、半分析模型，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，导致其不同区域需要采用不同的模型。正因为如此，内陆水质参数的遥感反演面临两大困惑，一方面，各种模型不断涌现，导致在实际应用中无所适从，难以选择；另一方面，各类模型都有其局限性，都只能从某个层面反映“真值”。

发明内容

鉴于上述问题，提出了一种水质遥感多模型协同反演的权重集结优化方法及装置。

依据本发明的一个方面，提供了一种水质遥感多模型协同反演的权重集结优化方法，包括：

获取研究区域中多个水质采样点处水体的水质参数，并获取采集水样时水体的表观光学量数据和固有光学量数据，以及覆盖所述研究区域的卫星遥感数据，其中，所述表观光学量数据包括离水辐亮度、归一化离水辐亮、反射率、遥感反射比中至少一种；所述固有光学量数据包括吸收系数和散射系数；

根据所述水质参数、表观光学量数据、固有光学量数据以及卫星遥感数据，建立多个候选水质遥感反演模型，根据精度评价指标选取多个水质遥感反演模型进入遴选模型集合；

利用选用的模型赋权方法，计算所述遴选模型集合中每个水质遥感反演模型的权重，所述模型赋权方法包括数据同化、熵权法、集对分析、贝叶斯模型平均、人工神经网络、粒子群优化算法、遗传算法中至少两种；

利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重。

可选地，所述精度评价指标包括决定系数、均方根误差、平均绝对百分误差、相对误差、纳什效率系数中至少一种。

可选地，所述权重集结方法包括博弈论集结模型方法。

可选地，在所述利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重之后，所述方法还包括：

利用所述最优权重建立最优水质遥感反演组合模型，并采用所述最优水质遥感反演组合模型对水质进行反演。

可选地，在所述利用权重集结方法对选用模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重之后，所述方法还包括：

利用最优权重建立的最优水质遥感反演组合模型对水质参数进行模拟预测，并对模拟预测结果的不确定性进行量化。

依据本发明的另一个方面，提供了一种水质遥感多模型协同反演的权重集结优化装置，包括：

数据获取模块，用于获取研究区域中多个水质采样点处水体的水质参数，并获取采集水样时水体的表观光学量数据和固有光学量数据，以及覆盖所述研究区域的卫星遥感数据，其中，所述表观光学量数据包括离水辐亮度、归一化离水辐亮度、反射率、遥感反射比中至少一种；所述固有光学量数据包括吸收系数和散射系数；

模型选取模块，用于根据所述水质参数、表观光学量数据、固有光学量数据以及卫星遥感数据，建立多个候选水质遥感反演模型，根据精度评价指标选取多个水质遥感反演模型进入遴选模型集合；

权重计算模块，用于利用选用的模型赋权方法，计算所述遴选模型集合中每个水质遥感反演模型的权重，所述模型赋权方法包括数据同化、熵权法、集对分析、贝叶斯模型平均、人工神经网络中至少两种；

最优权重得到模块，用于利用权重集结方法对选用的模型赋权方法计算的遴选模型集合中水质遥感反演模型的权重进行集结优化，得到遴选模型集合中各个水质遥感反演模型的最优权重。

可选地，所述精度评价指标包括决定系数、均方根误差、平均绝对百分误差、相对误差、纳什效率系数中至少一种。

可选地，所述权重集结方法包括博弈论集结模型方法、相对熵集结模型方法。

可选地，所述装置还包括：