CN104613944B - 一种基于gwr和bp神经网络的分布式水深预测方法 - Google Patents

Abstract

本发明公开了一种基于GWR和BP神经网络的分布式水深预测方法，先对遥感图像进行预处理，再将激光雷达采集到的实测水深值和遥感图像中对应坐标点的蓝、绿波段DN值，建立采样数据，再基于GWR方法待预测区域划分为多个子区域，并建立每个子区域的神经网络水深预测模型，最后，通过设计待预测区域内每个待预测点周围的所有区域神经网络水深预测模型的加权因子，建立起整个待预测区域的分布式神经网络水深预测模型。这样本发明将不受海水质量、海底类型、空间多样性的影响，能够快速方便地建立多光谱遥感影像与实际水深值之间的非线性关系，对浅海水深预测具有很好的实用价值。

Description

一种基于GWR和BP神经网络的分布式水深预测方法

技术领域

本发明属于浅海水深遥感探测技术领域，更为具体地讲，涉及一种基于GWR和BP神经网络的分布式水深预测方法。

背景技术

水深测量是水利、航运、近海工程、水资源利用、滩涂开发等方面必不可少的一项工作。传统的水深测量方法是利用测量船上安装的测深设备测出全水域各点的水深，再按出图要求计算并制图，从而得到所测水域水下地形图。由于水深信息采集覆盖范围广，某些地区环境条件恶劣，测深人员常常难以涉足等原因，使得这种传统的测深方法存在诸多实际操作上的困难。

空间遥感技术的迅速发展，使得遥感手段为水深测量开辟了新的途径。利用遥感手段测量水深，可以发挥遥感“快速、大范围、准同步、高分辨率获取水深信息”的特长。相比以往的实测方法，利用遥感技术进行水深测量能够更好地进行海岸带浅海区域水深的宏观动态观测，并且具有费用低、周期短的特点。

随着对遥感探测水深认识的深入及计算机技术的发展，水深遥感已经逐步由定性分析发展成为定量计算，现有的水深测量遥感模型也由理论解释模型发展为半理论半经验模型、统计相关模型和黑箱模型等。但是，由于遥感测深受诸多因素的影响，遥感水深探测技术还很不成熟，目前水深探测精度和稳定性相对较低。

人工神经网络作为一种有效的黑箱模型，能实现非线性逼近，近年来在水深遥感中已经得到越来越多的应用。中国专利：“一种基于透水波段比值因子的水深反演方法(CN102176001A)”提取实测水深点波段像元亮度(DN)值，建立透水波段比值因子，以透水波段比值因子向量为输入值，实测水深值为输出值，建立透水波段比值的神经网络水深反演模型；该模型与单一透水波段作为输入的神经网络相比，标准差较小，相关系数较大。邓正栋等在《基于RBF神经网络的水深遥感研究》中分别利用传统反演模型、BP(反向传播)神经网络模型和RBF(径向基)神经网络模型进行水深反演。RBF神经网络模型的反演效果和精度明显优于传统反演模型，与BP神经网络模型相比略有提高。然而，由于真实的海洋环境是非常复杂的，可能存在水体质量不均衡、海底材质不一致、水体浑浊、空间多样性等各种情况，而这些文献均是对大范围的水体采用单一预测模型，没有考虑空间多样性以及地理位置变化的影响，无法消除空间非平稳性，使得反演得到的水深精度不够理想。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于GWR和BP神经网络的分布式水深预测方法，结合地理加权回归方法探索变量间的空间变化关系和BP神经网络模型，具有解决复杂非线性映射的功能和良好的推广能力。

为实现上述发明目的，本发明

一种基于GWR和BP神经网络的分布式水深预测方法，其特征在于，包括以下步骤：

(1)、对遥感图像进行预处理

(1.1)、对遥感图像进行辐射定标；

(1.2)、利用黑暗像元法对辐射定标后的遥感图像进行大气校正；

(1.3)、利用CCRS模型对大气校正后的遥感图像进行几何校正；

(1.4)、利用高斯低通滤波对几何校正后的遥感图像进行增强处理；

(1.5)、对增强处理后的遥感图像进行水陆分离；

通过高斯-拉普拉斯算子(LoG)对增强处理后的遥感图像进行边缘检测，从而进行水陆分离；

(2)、提取实测水深点水深值和蓝、绿波段DN值，建立采样数据库

在提取实测水深值前，将激光雷达采集到的实测水深值投影到遥感图像的坐标系下，使实测水深值与遥感图像中蓝、绿波段相应的DN值对应，再提取实测水深点的水深值和蓝、绿波段DN值，建立采样数据库；

(3)、基于GWR方法建立区域神经网络水深预测模型

(3.1)、从采样数据库中随机抽取部分采样数据作为训练数据；

(3.2)、将待预测区域划分成n个子区域；

(3.3)、选取每个子区域的BP神经网络结构

当子区域内采样点个数小于30时，选取三层BP神经网络结构，其余均采用四层BP神经网络结构；

(3.4)、建立区域神经网络水深预测模型

在第j,j＝1,2,…,n个子区域中，以点x处的蓝、绿波段DN值作为输入值，即in(x)＝(blue(x),grn(x))，以实测水深值depth(x)为输出参考值，采用Levenberg-Marquardt算法训练区域神经网络水深预测模型的参数，即每层节点之间的权值矩阵和阈值矩阵；

计算区域神经网络水深预测模型的输出值Out(x)，比较Out(x)与depth(x)的差值error(x)与预设的误差值η的大小，如果error(x)＜η，则该子区域神经网络水深预测模型训练完成，并进入下一子区域训练；如果error(x)≥η则采用Levenberg-Marquardt算法重新训练区域神经网络水深预测模型的参数，直至该子区域神经网络水深预测模型的输出值Out(x)与实测水深值depth(x)的差值error(x)小于预设的误差值η；

通过上述方法依次训练完每个子区域后，建立起区域神经网络水深预测模型netj；

(4)、建立分布式神经网络水深预测模型

(4.1)、确定点λ周围所有子区域的神经网络水深预测模型输出值

设待预测区域内任意一点λ的坐标为(x_λ,y_λ)，则点λ周围m个子区域的中心点坐标表示为(xi,yi)，i＝1,2,...,m,m≤n，m为点λ周围的子区域个数；

以点λ的蓝波段和绿波段DN值作为步骤(3)训练得到的区域神经网络预测模型的输入值in(λ)＝(blue(λ),grn(λ))，其中blue(λ)和grn(λ)分别为点λ处蓝波段和绿波段DN值，根据步骤(3)训练得到的区域神经网络水深预测模型，提取点λ周围的m个子区域神经网络水深预测模型net_i,i＝1,...,m，得到点λ周围的m个子区域神经网络水深预测模型的输出值Out_i(λ),i＝1,2,…,m，即

Out_i(λ)＝net_i(in(λ))

(4.2)、设计点λ周围所有子区域的神经网络水深预测模型的加权因子

${\mathrm{\α}}_i=\frac{{\mathrm{\β}}_i}{{\mathrm{\Σ}}_i{\mathrm{\β}}_i}$

${\mathrm{\β}}_i=\left\{\begin{array}{cc}\frac{1}{\left|\right|(x_i,y_i)-(x_{\mathrm{\λ}},y_{\mathrm{\λ}})\left|\right|-b^{,}}& \left|\right|(x_i,y_i)-(x_{\mathrm{\λ}},y_{\mathrm{\λ}})\left|\right|>b\\ k_i\·\frac{1}{\left|\right|(x_i,t_i)-(x_{\mathrm{\λ}},y_{\mathrm{\λ}})\left|\right|-b}+\mathrm{\σ},& \mathrm{otherwise}\end{array}\right.$

其中，α_i(i＝1,2,...,m)是点λ周围的m个子区域神经网络水深预测模型的加权因子；是点(x_i,y_i)与点(x_λ,y_λ)之间的欧式距离，b是子区域的区域半径，k和σ是可调节参数；

(4.3)、建立整个待预测区域的分布式神经网络预测模型

$\mathrm{pout}\left(\mathrm{\&lambda;}\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\&times;{\mathrm{Out}}_i\left(\mathrm{\&lambda;}\right),0<{\mathrm{\&alpha;}}_i<1,i=\mathrm{1,2},...,m$

分布式神经网络预测模型的输出值pout(λ)，即为点λ的水深预测值；

(4.4)、检验分布式神经网络预测模型的预测精度

利用剩余的采样数据作为测试数据对分布式神经网络预测模型进行测试，具体如下：

以测试水深点的蓝、绿波段DN值为分布式模型的输入值，模型的输出值为测试水深点的预测水深值；然后比较模型的输出值与实测水深值的差值可以得到分布式神经网络水深预测模型的预测精度。

本发明的发明目的是这样实现的：

本发明首先对遥感图像进行预处理，包括辐射定标、大气校正、几何校正、增强处理和水陆分离；然后提取激光雷达采集到的实测水深值和遥感图像中对应坐标点的蓝、绿波段DN值，建立采样数据，并随机选取采样数据中的2/3作为训练数据，1/3作为测试数据；再基于GWR方法将待预测区域划分为多个子区域，并基于每个子区域所包含的训练数据对每个子区域建立区域神经网络水深预测模型；最后，对待预测区域内每个待预测点，设计其周围的区域神经网络水深预测模型的加权因子，结合已建立的区域神经网络水深预测模型，建立整个待预测区域的分布式神经网络水深预测模型。该分布式模型不受海水质量、海底类型、空间多样性的影响，能够快速方便地建立多光谱遥感影像与实际水深值之间的非线性关系，对浅海水深预测具有很好的实用价值。

同时，本发明基于GWR和BP神经网络的分布式水深预测方法还具有以下有益效果：

(1)、遥感图像的预处理中，采用CCRS模型进行几何校正，可以实现在控制点个数较少(小于7个)或者甚至没有控制点的情况，遥感图像的校正精度达到1/3像素；这使得低花费的IKONOS图像在经过这种几何校正之后，也能产生高精度的正射图像，能够极大地拓展IKONOS数据的应用；

(2)、遥感图像的预处理中，首先采用高斯-拉普拉斯算子分别对遥感图像各波段做边缘提取，再对各波段的边缘加权叠加实现水陆分离，这种方法能够实现对噪声最大程度的抑制，充分利用在水陆边界附近辐射亮度值变化明显的近红外波段和红波段数据，从而得到更清晰的水陆边界；

(3)、分布式神经网络水深预测模型与单一的全局水深预测模型相比，预测结果的标准差明显减低，相关系数变大；而且分布式神经网络水深预测模型能够通过增加区域神经网络水深预测模型，在极低的计算代价下，扩展该预测模型的使用面积，具有良好的推广能力。

附图说明

图1是本发明基于GWR和BP神经网络的分布式水深预测方法的流程图；

图2是本发明中待测试区域的划分示意图；

图3是四层BP神经网络结构图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：

GWR(Geographically weighted regression)：地理加权回归；

BP(Back Propagation)：反向传播；

LoG(Laplace of Gaussian function)：高斯-拉普拉斯算子；

DN(Digital Number)值：遥感影像像元亮度值；

ROI(region of interest)：感兴趣的区域；

CCRS(Canada Centre for Remote Sensing)：加拿大遥感中心；

图1是本发明基于GWR和BP神经网络的分布式水深预测方法的流程图。

在本实施例中，如图1所示，本发明一种基于GWR和BP神经网络的分布式水深预测方法，包括以下步骤：

S1、对遥感图像进行预处理

S1.1)、对遥感图像进行辐射定标；

本实施例中，选取某岛屿的IKONOS遥感图像，其辐射定标的具体实现方法为：利用ENVI的IKONOS Radiance工具对IKONOS遥感图像各个波段数据进行辐射定标。选取任意一波段待定标的IKONOS文件后，在弹出的ENVI IKONOS Calibration对话框中输入IKONOS卫星类型、图像成像时间、太阳角高度、定标类型等参数。其中IKONOS卫星类型、图像成像时间、太阳角高度参数均可以从IKONOS遥感图像自身带有的metadata.txt文件获取；定标类型选取Radiance(辐射量度值)。输入参数后点击确定即可执行定标过程。经过该辐射定标后，IKONOS遥感图像数据被转换成绝对辐射亮度值。

S1.2)、利用黑暗像元法对辐射定标后的遥感图像进行大气校正；

利用ENVI的Dark Subtract工具对遥感图像进行基于黑暗像元法的大气校正。

假设辐射定标后遥感图像上存在黑暗像元，地表为朗伯面反射，DN值近似为0的黑暗像元，由于大气影响使DN值相对增加，且默认为增加的DN值由大气影响产生，则将其他像元值减去这些黑暗像元值，就能减少大气对整幅图像的影响。确定黑暗像元值可以通过波段最小值、ROI平均值和自定义值三种方法确定，在本实施例中，选取ROI平均值方法，通过选取图像上各波段DN值最小的一块深水表面，计算该深水表面每个波段的平均值作为黑暗像元值，每个波段减去这个值作为输出结果。确定输出路径和文件名，点击确定。

S1.3)、利用CCRS模型对大气校正后的遥感图像进行几何校正；

基于加拿大遥感中心Dr.Thierry Toutin开发的严格的CCRS模型对遥感图像进行几何校正。

严格的CCRC模型反映了全部成像几何的现实情况，并改正了由平台、传感器、地球起伏等引起的变形，还考虑了卫星-传感器信息，从而可以用相对少的地面控制点产生最高精度的改正结果。CCRS模型用通过扫描方向和沿扫描方向的理论上的接收海拔和地面分辨率来计算近似的传感器成像角，使各像元得到精确的空间地理位置，从而完成几何校正。具体实现可以利用PCI Geomatica的PCI OrthoEngine SE V7.0软件中地理咨讯***IKONOS卫星正射影像处理器来完成，在OrthoEngine窗口选择Ortho Generation，点击Scheduleortho generation打开Ortho Image Production窗口，在Ortho Genration选项的DEM下，上传IKONOS图像自带的DEM数据，点击Generate Orhos即可在没有地面控制点的情况下对图像进行几何校正，校正后的精度达1/3像素。

S1.4)、利用高斯低通滤波对几何校正后的遥感图像进行增强处理；

通过ENVI图像处理平台对IKONOS各个波段采用7×7高斯低通滤波进行遥感图像的增强与去噪。

S1.5)、对增强处理后的遥感图像进行水陆分离；

为了尽可能地去除遥感图像中的陆地和岛屿信息，更有效地提取水深信息，必须对遥感图像进行水陆分离。

由于IKONOS影像的四个波段(红波段、绿波段、蓝波段和近红外波段)在水陆边界附近辐射亮度值的变化幅度不同，分别求取四个波段在水陆边界附近辐射亮度值变化率，变化率越大，说明海水到岛屿的辐射值变化越大，水陆边界越明显。因此，可以依据辐射亮度值变化率的大小为各波段分配权值，权值越大，该波段对水陆分离的贡献越大。

水陆分离的具体方法为：采用5×5高斯-拉普拉斯算子(LoG)模板对增强处理后的遥感图像的蓝波段、红波段、绿波段和近红外波段四个波段数据进行滤波处理，然后再求拉普拉斯二阶导数，找出零点位置，即得到遥感图像中四个波段的岛屿边缘数据；再计算四个波段的权值，对四个波段的岛屿边缘数据进行叠加，得到最终的水陆边缘。

其中，四个波段权值的求取方法为：在水陆边界附近分别取两个参考点，一个参考点位于岛屿陆地上，另一个参考点位于海水区域；

设这两个参考点的辐射亮度值分别为和表示四个波段，则两个参考点对应的绝对辐射亮度值为则第个波段对应的权值表示为：

$W_{\tilde{i}}=\mathrm{\&Delta;L}\left(\tilde{i}\right)/\underset{\tilde{j}=1}{\overset{4}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;L}\left(\tilde{j}\right)$

具体的实现可以基于ENVI提供的二次开发工具，采用IDL语言编写自定义函数来完成图像的水陆分离。

S2、提取实测水深点水深值和蓝、绿波段DN值，建立采样数据

在本实施例中，与遥感图像对应的水深值从激光雷达数据提取。在提取实测水深值之前，需要将激光雷达数据与遥感图像进行融合，即提取实测水深的海图转换到与遥感图像数据相同的坐标系下，使实测水深点数据与遥感图像中蓝、绿波段相应的DN值对应，然后提取实测水深点的水深值和蓝、绿波段DN值，建立采样数据；

S3、建立区域神经网络水深预测模型

S3.1)、从采样数据库中随机抽取部分采样数据作为训练数据；

在本实施例中，随机选取2/3的采样数据作为训练数据，1/3的采样数据作为测试数据；

S3.2)、将待预测区域划分成n个子区域；

在本实施例中，如图2所示，将待预测区域划分成多个足够小的子区域，每个区域内至少包含1个已测水深点；

S3.3)、选取每个子区域的BP神经网络结构

将子区域内采样点个数小于30，选取三层BP神经网络结构，其余均采用四层BP神经网络结构；每种神经网络结构中均含有隐含层神经元和输出层神经元，隐含层神经元和输出层神经元均采用S型激励函数：f(x)＝1/(1+e^-x)；每个神经网络的输入层与隐含层、隐含层与隐含层以及隐含层与输出层的各个节点之间设有权值和阈值，这些权值和阈值的初始值均设为小于1的随机正数；

S3.4)、建立区域神经网络水深预测模型

在第j,j＝1,2,…,n个子区域中，以点x处的蓝、绿波段DN值作为输入值，即in(x)＝(blue(x),grn(x))，以实测水深值depth(x)为输出参考值，采用Levenberg-Marquardt算法训练区域神经网络水深预测模型的参数，即每层节点之间的权值矩阵和阈值矩阵；

计算区域神经网络水深预测模型的输出值Out(x)，比较Out(x)与depth(x)的差值error(x)与预设的误差值η的大小，如果error(x)＜η，则该子区域神经网络水深预测模型训练完成，并进入下一子区域训练；如果error(x)≥η则采用Levenberg-Marquardt算法重新训练区域神经网络水深预测模型的参数，直至该子区域神经网络水深预测模型的输出值Out(x)与实测水深值depth(x)的差值error(x)小于预设的误差值η；

通过上述方法依次训练完每个子区域后，建立起每个子区域神经网络水深预测模型net_j；

在本实施例中，以四层BP神经网络为例来说明区域神经网络水深预测模型的实现过程。

四层区域神经网络水深预测模型的输入层神经元个数为2，隐含层个数为2，每层中有多个神经元，第一个隐含层节点个数为Q，第二个隐含层个数为K，ω_lq是输入层第l个输入节点与第一个隐含层第q个节点之间的权值，l∈[1,2],q∈[1,Q]，v_1q是第一个隐含层的第q个节点的阈值；ω_qk是第一个隐含层的第q个节点与第二个隐含层的第k个节点之间的权值，k∈[1,K]，v_2k是第二个隐含层第k个节点的阈值；ω_k是第二个隐含层的第k个节点与输出层节点之间的权值，v₃是输出层节点的阈值。

四层区域神经网络水深预测模型的具体实现过程为：输入向量in(x)经过第一个隐含层，产生第一个隐含层的第q个节点的输出hidden1_out_q(x)：

$\mathrm{hidden}1\_{\mathrm{out}}_q\left(x\right)=f\left(\underset{l}{\mathrm{\&Sigma;}}({\mathrm{\&omega;}}_{\mathrm{lq}}{\mathrm{in}}_l\left(x\right)+v_{1q})\right)$

第一个隐含层的第q个节点的输出hidden1_out_q经过第二个隐含层，产生第二个隐含层的第k个节点的输出hidden2_out_k：

$\mathrm{hidden}2\_{\mathrm{out}}_k\left(x\right)=f\left(\underset{q}{\mathrm{\&Sigma;}}({\mathrm{\&omega;}}_{\mathrm{qk}}\mathrm{hidden}1{\_\mathrm{out}}_q\left(x\right)+v_{2k})\right)$

第二个隐含层的第k个节点的输出hidden2_out_k输入到输出层，得到区域神经网络的输出值Out(x)：

$\mathrm{Out}\left(x\right)=f\left(\underset{k}{\mathrm{\&Sigma;}}({\mathrm{\&omega;}}_k\mathrm{hidden}2\_{\mathrm{out}}_k\left(x\right)+v_3)\right);$

S4、建立分布式神经网络水深预测模型

S4.1)、确定点λ周围所有子区域的神经网络水深预测模型输出值

设待预测区域内任意一点λ的坐标为(x_λ,y_λ)，则点λ周围m个子区域的中心点坐标表示为(x_i,y_i)，i＝1,2,...,m,m≤n，m为点λ周围的子区域个数；

以点λ的蓝波段和绿波段DN值作为步骤(3)训练得到的区域神经网络预测模型的输入值in(λ)＝(blue(λ),grn(λ))，其中blue(λ)和grn(λ)分别为点λ处蓝波段和绿波段DN值，根据步骤(3)训练得到的区域神经网络水深预测模型，提取点λ周围的m个子区域神经网络水深预测模型net_i,i＝1,...,m，得到点λ周围的m个子区域神经网络水深预测模型的输出值Out_i(λ),i＝1,2,…,m，即

Out_i(λ)＝net_i(in(λ))

S4.2)、设计点λ周围所有子区域的神经网络水深预测模型的加权因子

${\mathrm{\&alpha;}}_i=\frac{{\mathrm{\&beta;}}_i}{{\mathrm{\&Sigma;}}_i{\mathrm{\&beta;}}_i}$

${\mathrm{\&beta;}}_i=\left\{\begin{array}{cc}\frac{1}{\left|\right|(x_i,y_i)-(x_{\mathrm{\&lambda;}},y_{\mathrm{\&lambda;}})\left|\right|-b^{,}}& \left|\right|(x_i,y_i)-(x_{\mathrm{\&lambda;}},y_{\mathrm{\&lambda;}})\left|\right|>b\\ k_i\&CenterDot;\frac{1}{\left|\right|(x_i,t_i)-(x_{\mathrm{\&lambda;}},y_{\mathrm{\&lambda;}})\left|\right|-b}+\mathrm{\&sigma;},& \mathrm{otherwise}\end{array}\right.$

其中，α_i(i＝1,2,...,m)是点λ周围的m个子区域神经网络水深预测模型的加权因子；是点(x_i,y_i)与点(x_λ,y_λ)之间的欧式距离，b是子区域的区域半径，k和σ是可调节参数；

S4.3)、建立整个待预测区域的分布式神经网络预测模型

$\mathrm{pout}\left(\mathrm{\&lambda;}\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\&times;{\mathrm{Out}}_i\left(\mathrm{\&lambda;}\right),0<{\mathrm{\&alpha;}}_i<1,i=\mathrm{1,2},...,m$

分布式神经网络预测模型的输出值pout(λ)，即为点λ的水深预测值；

S4.4)、检验分布式神经网络预测模型的预测精度

分布式神经网络水深预测模型训练完成后，利用剩余的采样数据作为测试数据对分布式神经网络预测模型进行测试，具体如下：

以测试水深点的蓝、绿波段DN值为分布式模型的输入值，模型的输出值为测试水深点的预测水深值。比较模型的输出值与实测水深值的差值可以得到分布式神经网络水深预测模型的预测精度。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (6)

1.一种基于GWR和BP神经网络的分布式水深预测方法，其特征在于，包括以下步骤：

(1)、对遥感图像进行预处理

(1.1)、对遥感图像进行辐射定标；

(1.2)、利用黑暗像元法对辐射定标后的遥感图像进行大气校正；

(1.3)、利用CCRS模型对大气校正后的遥感图像进行几何校正；

(1.4)、利用高斯低通滤波对几何校正后的遥感图像进行增强处理；

(1.5)、对增强处理后的遥感图像进行水陆分离；

通过高斯-拉普拉斯算子(LoG)对增强处理后的遥感图像进行边缘检测，从而进行水陆分离；

(2)、提取实测水深点水深值和蓝、绿波段DN值，建立采样数据库

在提取实测水深值前，将激光雷达采集到的实测水深值投影到遥感图像的坐标系下，使实测水深值与遥感图像中蓝、绿波段相应的DN值对应，再提取实测水深点的水深值和蓝、绿波段DN值，建立采样数据库；

(3)、基于GWR方法建立区域神经网络水深预测模型

(3.1)、从采样数据库中随机抽取部分采样数据作为训练数据；

(3.2)、将待预测区域划分成n个子区域；

(3.3)、选取每个子区域的BP神经网络结构

当子区域内采样点个数小于30时，选取三层BP神经网络结构，其余均采用四层BP神经网络结构；

(3.4)、建立区域神经网络水深预测模型

在第j,j＝1,2,…,n个子区域中，以点x处的蓝、绿波段DN值作为输入值，即in(x)＝(blue(x),grn(x))，以实测水深值depth(x)为输出参考值，采用Levenberg-Marquardt算法训练区域神经网络水深预测模型的参数，即每层节点之间的权值矩阵和阈值矩阵；

计算区域神经网络水深预测模型的输出值Out(x)，比较Out(x)与depth(x)的差值error(x)与预设的误差值η的大小，如果error(x)＜η，则该子区域神经网络水深预测模型训练完成，并进入下一子区域训练；如果error(x)≥η则采用Levenberg-Marquardt算法重新训练区域神经网络水深预测模型的参数，直至该子区域神经网络水深预测模型的输出值Out(x)与实测水深值depth(x)的差值error(x)小于预设的误差值η；

通过上述方法依次训练完每个子区域后，建立起区域神经网络水深预测模型net_j；

(4)、建立分布式神经网络水深预测模型

(4.1)、确定点λ周围所有子区域的神经网络水深预测模型输出值

设待预测区域内任意一点λ的坐标为(x_λ,y_λ)，则点λ周围m个子区域的中心点坐标表示为(x_i,y_i)，i＝1,2,...,m,m≤n，m为点λ周围的子区域个数；

以点λ的蓝波段和绿波段DN值作为步骤(3)训练得到的区域神经网络预测模型的输入值in(λ)＝(blue(λ),grn(λ))，其中blue(λ)和grn(λ)分别为点λ处蓝波段和绿波段DN值，根据步骤(3)训练得到的区域神经网络水深预测模型，提取点λ周围的m个子区域神经网络水深预测模型net_i,i＝1,...,m，得到点λ周围的m个子区域神经网络水深预测模型的输出值Out_i(λ),i＝1,2,…,m，即

Out_i(λ)＝net_i(in(λ))

(4.2)、设计点λ周围所有子区域的神经网络水深预测模型的加权因子

${\mathrm{\&alpha;}}_i=\frac{{\mathrm{\&beta;}}_i}{{\mathrm{\&Sigma;}}_i{\mathrm{\&beta;}}_i}$

${\mathrm{\&beta;}}_i=\left\{\begin{array}{cc}\frac{1}{\left|\right|(x_i,y_i)-(x_{\mathrm{\&lambda;}},y_{\mathrm{\&lambda;}})\left|\right|-b},& \left|\right|(x_i,y_i)-(x_{\mathrm{\&lambda;}},y_{\mathrm{\&lambda;}})\left|\right|>b\\ k_i\&CenterDot;\frac{1}{\left|\right|(x_i,y_i)-(x_{\mathrm{\&lambda;}},y_{\mathrm{\&lambda;}})\left|\right|-b}+\mathrm{\&sigma;},& otherwise\end{array}\right.$

其中，α_i(i＝1,2,...,m)是点λ周围的m个子区域神经网络水深预测模型的加权因子；是点(x_i,y_i)与点(x_λ,y_λ)之间的欧式距离，b是子区域的区域半径，k_i第i个子区域的可调节的参数，σ是可调节参数；

(4.3)、建立整个待预测区域的分布式神经网络预测模型

$pout\left(\mathrm{\&lambda;}\right)=\underset{i=1}{\overset{m}{\&Sigma;}}{\mathrm{\&alpha;}}_i\&times;{\mathrm{Out}}_i\left(\mathrm{\&lambda;}\right),0<{\mathrm{\&alpha;}}_i<1,i=1,2,\mathrm{...},m$

分布式神经网络预测模型的输出值pout(λ)，即为点λ的水深预测值；

(4.4)、检验分布式神经网络预测模型的预测精度

利用剩余的采样数据作为测试数据对分布式神经网络预测模型进行测试，具体如下：

以测试水深点的蓝、绿波段DN值为分布式模型的输入值，模型的输出值为测试水深点的预测水深值；然后比较模型的输出值与实测水深值的差值可以得到分布式神经网络水深预测模型的预测精度。

2.根据权利要求1所述的基于GWR和BP神经网络的分布式水深预测方法，其特征在于，所述的步骤(1.4)中，高斯低通滤波器选择7×7的滤波窗口。

3.根据权利要求1所述的基于GWR和BP神经网络的分布式水深预测方法，其特征在于，所述的步骤(1.5)中，水陆分离的具体方法为：

采用5×5高斯-拉普拉斯算子(LoG)模板对增强处理后的遥感图像的蓝波段、红波段、绿波段和近红外波段四个波段数据进行滤波处理，然后再求拉普拉斯二阶导数，找出零点位置，即得到遥感图像中四个波段的岛屿边缘数据；再计算四个波段的权值，对四个波段的岛屿边缘数据进行叠加，得到最终的水陆边缘。

4.根据权利要求3所述的基于GWR和BP神经网络的分布式水深预测方法，其特征在于，所述的四个波段的权值的求取方法为：

在水陆边界附近分别取两个参考点，一个参考点位于岛屿陆地上，另一个参考点位于海水区域；

设这两个参考点的辐射亮度值分别为和 表示四个波段，则两个参考点对应的绝对辐射亮度值为则第个波段对应的权值表示为：

$W_{\tilde{i}}=\mathrm{\&Delta;}L\left(\tilde{i}\right)/\underset{\tilde{j}=1}{\overset{4}{\&Sigma;}}\mathrm{\&Delta;}L\left(\tilde{j}\right).$

5.根据权利要求1所述的基于GWR和BP神经网络的分布式水深预测方法，其特征在于，所述的步骤(3.2)中，每个子区域内至少包含1个已测水深值。

6.根据权利要求1所述的基于GWR和BP神经网络的分布式水深预测方法，其特征在于，所述的步骤(3.3)中，三层、四层BP神经网络结构中均含有隐含层神经元和输出层神经元，且隐含层神经元和输出层神经元均采用S型激励函数：f(x)＝1/(1+e^-x)；

在输入层与隐含层、隐含层与隐含层以及隐含层与输出层的各个节点之间均设有权值和阈值，权值和阈值的初始值均为小于1的随机正数。