申请/专利权人：广东省科学院广州地理研究所

申请日：2020-12-04

公开（公告）日：2024-04-23

公开（公告）号：CN112528559B

主分类号：G06F30/27

分类号：G06F30/27;G06F18/23213;G06F18/22;G01N33/18;G01N30/02;G01N21/64;G01N21/55;G01N21/31;G01N21/25

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2021.04.06#实质审查的生效;2021.03.19#公开

摘要：本发明公开了一种结合预分类与机器学习的叶绿素a浓度反演方法，包括先实地采集二类水体表面的反射率数据及水体的叶绿素a浓度值；然后对反射率数据进行预分类，求取不同分类数目下的误差平方和，根据误差平方和确定真实聚类数目K；再将采集的反射率数据分成K类，并在不同尺度下进行连续小波变换，得到每一类的小波系数；将各类小波系数与实测的叶绿素a浓度值进行相关性分析，筛选出相关系数大于预设阈值的小波系数；接着将筛选出的各类小波系数进行支持矢量回归建模，并进行超参数优化，最终得到叶绿素a浓度反演模型，模型可用来根据反射率的小波系数反演出二类水体的叶绿素a浓度。本发明能够实现二类水体叶绿素a浓度高精度反演。

主权项：1.一种结合预分类与机器学习的叶绿素a浓度反演方法，其特征在于，包括如下步骤：S1、实地采集二类水体表面的反射率数据，同步采集该二类水体的叶绿素a浓度值；S2、对反射率数据进行预分类；S3、求取不同分类数目下的误差平方和，根据误差平方和找出分类效果最佳的分类数目，将其作为真实聚类数目K；S4、将采集的所有反射率数据分成K类；S5、对K类反射率数据在不同尺度下进行连续小波变换，得到每一类的小波系数；S6、将每类小波系数与步骤S1实测的叶绿素a浓度值进行相关性分析，从中筛选出相关系数大于预设阈值的小波系数；S7、将筛选后的各类小波系数分别进行支持矢量回归建模，并进行超参数优化，最终各类小波系数都对应得到以小波系数为自变量，叶绿素a浓度为因变量的叶绿素a浓度反演模型；S8、对于待测的二类水体，实地采集其表面的反射率数据，计算该数据与步骤S4中K种不同类别的质心之间的欧式距离，选择其中欧式距离最小的类别为该数据所属类别，再按照步骤S5进行连续小波变换，将得到的小波系数输入所属类别对应的叶绿素a浓度反演模型进行预测，得到该二类水体的叶绿素a浓度；欧式距离计算公式： 其中，X为待测二类水体反射率数据，xi为不同波长的反射率，Ci为第i个类别，mi为第i个类别下的质心，dist代表欧式距离。

全文数据：

权利要求：

百度查询： 广东省科学院广州地理研究所 一种结合预分类与机器学习的叶绿素a浓度反演方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD