CN110851789B - 基于极端梯度提升的岛礁浅海水深预测方法 - Google Patents

基于极端梯度提升的岛礁浅海水深预测方法 Download PDF

Info

Publication number
CN110851789B
CN110851789B CN201910945145.1A CN201910945145A CN110851789B CN 110851789 B CN110851789 B CN 110851789B CN 201910945145 A CN201910945145 A CN 201910945145A CN 110851789 B CN110851789 B CN 110851789B
Authority
CN
China
Prior art keywords
water depth
shallow sea
extreme gradient
reflectivity
island
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910945145.1A
Other languages
English (en)
Other versions
CN110851789A (zh
Inventor
刘杨晓月
夏小琳
荆文龙
李勇
杨骥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN201910945145.1A priority Critical patent/CN110851789B/zh
Publication of CN110851789A publication Critical patent/CN110851789A/zh
Application granted granted Critical
Publication of CN110851789B publication Critical patent/CN110851789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Hydrology & Water Resources (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请涉及一种基于极端梯度提升的岛礁浅海水深预测方法、装置、存储介质和计算机设备，所述方法包括如下步骤：获取岛礁浅海区的多光谱反射率；获取岛礁浅海区的水深控制点的实际水深值；根据所述多光谱反射率中的近红外和红外波段反射率计算水深控制点的悬浮泥沙含量预测值；训练极端梯度提升模型；将所述岛礁浅海区的多光谱反射率输入至所述极端梯度提升模型进行时空序列连续反演，获得水深预测值。本申请所述的基于极端梯度提升的岛礁浅海水深预测方法具有高效快速地获取岛礁浅海水深，结果精确可靠的优点。

Description

基于极端梯度提升的岛礁浅海水深预测方法
技术领域
本申请涉及地理信息技术领域，特别是涉及一种基于极端梯度提升的岛礁浅海水深预测方法、装置、存储介质和计算机设备。
背景技术
目前，对于岛礁浅海区的水深测量主要是依靠搭载了测深仪的无人船在岛礁浅海区进行实地测量，但由于不清楚水深和岛礁的限制，部分浅海区的水深无法测量或者会对无人船造成损伤，效率低下并且测量的结果不够精确。
随着卫星遥感技术的广泛应用，推动了水深测量方法的改进，其中通过遥感水深反演的方法测量水深成为了一个值得研究的课题。
发明内容
基于此，本申请实施例的目的在于，提供一种基于极端梯度提升的岛礁浅海水深预测方法、装置、存储介质和计算机设备，其具有高效快速地获取岛礁浅海水深，结果精确可靠的优点。
第一方面，本申请实施例提供一种基于极端梯度提升的岛礁浅海水深预测方法，包括如下步骤：
获取岛礁浅海区的多光谱反射率；
获取岛礁浅海区的水深控制点的实际水深值；
根据所述多光谱反射率中的近红外和红外波段反射率计算水深控制点的悬浮泥沙含量预测值；
在所述水深控制点的多光谱反射率中，以同一波段水面以下的反射率的自然对数与深水区的反射率的自然对数的比值作为特征向量的特征分量，同时以悬浮泥沙含量预测值也作为特征向量的特征分量；以水深控制点的实际水深值为预期输出，训练极端梯度提升模型；
将所述岛礁浅海区的多光谱反射率输入至所述极端梯度提升模型进行时空序列连续反演，获得水深预测值。
在一个实施例中，所述将所述岛礁浅海区的多光谱反射率输入至所述极端梯度提升模型进行时空序列连续反演，获得岛礁浅海水深的步骤之后，还包括：
获取岛礁浅海区的水深验证点的实际水深值；
根据所述水深验证点的实际水深值与通过时空序列连续反演获得的水深验证点的水深预测值计算反演精度，并建立反演精度与实际水深值的关系模型。
在一个实施例中，所述获取岛礁浅海区的多光谱反射率，包括：
获取岛礁浅海区的中高分辨率的多光谱遥感数据；
通过大气校正和小波变换对多光谱遥感数据进行数据预处理；
将多光谱遥感数据转换为多光谱反射率。
在一个实施例中，所述水深控制点的实际水深值和悬浮泥沙含量根据所述多光谱遥感数据的来源卫星的过境时间，对岛礁浅海区的水深控制点进行实测而获得。
在一个实施例中，所述根据所述多光谱反射率中的近红外和红外波段反射率计算水深控制点的悬浮泥沙含量预测值的步骤，具体通过如下关系模型进行计算：
Figure BDA0002223934780000021
式中，Rnir和Rred分别为近红外波段和红光波段的反射率，TSS为悬浮泥沙浓度，单位为mg/L，a，b，c为回归系数。
在一个实施例中，所述根据所述多光谱反射率中的近红外和红外波段反射率计算水深控制点的悬浮泥沙含量预测值的步骤之后，还包括：
获取水深控制点的悬浮泥沙含量实测值；
根据所述悬浮泥沙含量实测值对悬浮泥沙含量预测值进行精度验证和对所述关系模型进行校准。
在一个实施例中，所述在所述水深控制点的多光谱反射率中，以同一波段水面以下的反射率的自然对数与深水区的反射率的自然对数的比值作为特征向量的特征分量，同时以悬浮泥沙含量预测值也作为特征向量的特征分量；以水深控制点的实际水深值为预期输出，训练极端梯度提升模型的步骤，包括：
设定数据集
Figure BDA0002223934780000022
所述极端梯度提升模型的学习单元的损失函数为
Figure BDA0002223934780000023
迭代次数t和决策树的棵树k，令迭代次数t和决策树的棵树k在设定的数据集中进行遍历，验证精度并选取精度最高的迭代次数t和决策树的棵树k作为所述极端梯度提升模型参数；其中，xi为特征向量，n为数据集样本数，yi为实际输出结果，
Figure BDA0002223934780000024
为所述极端梯度提升模型输出结果；
按照以下方式获取极端梯度提升模型第t次的模拟预测值
Figure BDA0002223934780000025
Figure BDA0002223934780000031
其中，
Figure BDA0002223934780000032
为所述极端梯度提升模型t-1次的输出结果，ft(xi)为决策树第t次迭代输出结果；
在训练数据集中随机有放回抽取若干子集K，每个子集生成一棵决策树，对每一棵决策树进行训练，获得残差
Figure BDA0002223934780000033
按照以下方式最小化训练损失函数：
Figure BDA0002223934780000034
其中，γ为正则项系数；
对所述若干决策树的预测结果进行求和，获得水深控制点的实际水深值：
Figure BDA0002223934780000035
其中，fk是单个决策树的预测结果，
Figure BDA0002223934780000036
是所有决策树CART的集合。
第二方面，本申请实施例还提供一种基于极端梯度提升的岛礁浅海水深预测装置，包括：
第一数据获取模块，用于获取岛礁浅海区的多光谱反射率；
第二数据获取模块，用于获取岛礁浅海区的水深控制点的实际水深值；
悬浮泥沙含量预测模块，用于根据所述多光谱反射率中的近红外和红外波段反射率计算水深控制点的悬浮泥沙含量预测值；
极端梯段提升模型构建模块，用于在所述水深控制点的多光谱反射率中，以同一波段水面以下的反射率的自然对数与深水区的反射率的自然对数的比值作为特征向量的特征分量，同时以悬浮泥沙含量预测值也作为特征向量的特征分量；以水深控制点的实际水深值为预期输出，训练极端梯度提升模型；
水深预测模块，用于将所述岛礁浅海区的多光谱反射率输入至所述极端梯度提升模型进行时空序列连续反演，获得水深预测值。
第三方面，本申请实施例还提供一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如上任一项的基于极端梯度提升的岛礁浅海水深预测方法的步骤。
第四方面，本申请实施例还提供一种计算机设备，包括：
处理器以及存储器；
其中，所述存储器存储有计算机程序；所述计算机程序适于由所述处理器加载并执行如上任一所述的基于极端梯度提升的岛礁浅海水深预测方法的步骤。
在本申请实施例的技术方案中，在所述水深控制点的多光谱反射率中，以同一波段水面以下的反射率的自然对数与深水区的反射率的自然对数的比值作为特征向量的特征分量，同时以悬浮泥沙含量预测值也作为特征向量的特征分量；以水深控制点的实际水深值为预期输出，训练极端梯度提升模型，再将岛礁浅海区的多光谱反射率应用于该极端梯度提升模型即可以反演预测水深，只需实测数量较少的水深控制点的水深值，即可以构建极端梯度提升模型，再由极端梯度提升模型高效快速地反演获得整个岛礁浅海区的不同点的水深值；并且由于考虑到悬浮泥沙含量引起水面反射率的变化，在构建模型时，将悬浮泥沙含量也作为水深的影响因素，使得水深预测值精确可靠。极端梯度提升模型是对决策树的梯度提升集成，对于不干净数据多光谱反射率的分析，具有高精度、高度鲁棒、可解释的有益效果，并且相较于一般的分类与回归树建模，在一定程度上消除了过拟合。
为了更好地理解和实施，下面结合附图详细说明本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于极端梯度提升的岛礁浅海水深预测方法的流程步骤图；
图2为本申请实施例提供的基于极端梯度提升的岛礁浅海水深预测方法的步骤S100的流程步骤图；
图3为本申请实施例提供的基于极端梯度提升的岛礁浅海水深预测方法步骤S300之后还包括的流程步骤图；
图4为本申请实施例提供的基于极端梯度提升的岛礁浅海水深预测方法步骤S500之后还包括的流程步骤图；
图5为本申请实施例提供的基于极端梯度提升的岛礁浅海水深预测装置的结构示意图；
图6为本申请实施例的计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例公开了一种基于极端梯度提升的岛礁浅海水深预测方法，请参阅图1，为本申请实施例提供的基于极端梯度提升的岛礁浅海水深预测方法的流程图。该方法包括如下步骤：
步骤S100：获取岛礁浅海区的多光谱反射率。
在一个具体的实施例中，请参阅图2，所述获取岛礁浅海区的多光谱反射率的步骤，包括：
步骤S110：获取岛礁浅海区的中高分辨率的多光谱遥感数据；
步骤S120：通过大气校正和小波变换对多光谱遥感数据进行数据预处理；
步骤S130：将多光谱遥感数据转换为多光谱反射率。
其中，所述中高分辨率的多光谱遥感数据的来源卫星包括高分-1/2(GF-1、GF-2)、资源三号(ZY-3)、SPOT-6/7、LandsatOLI和Sentinel-2。所述步骤S130是将多光谱波段的DN值转换为多光谱反射率。所述多光谱反射率与岛礁浅海区的水深、悬浮泥沙含量和盐度条件等相关。
步骤S200：获取岛礁浅海区的水深控制点的实际水深值。
所述水深控制点是预先选定的位于岛礁浅海区内的几个用于无人船实测的控制点。在一个实施例中，所述水深控制点的实际水深值和悬浮泥沙含量根据所述多光谱遥感数据的来源卫星的过境时间，选择晴朗无云的时间对岛礁浅海区的水深控制点进行实测而获得。具体地，利用搭载单波速测深仪、全球定位***和实时动态载波相位差分技术的无人船开展水深采样，在岛礁周围2000米缓冲区内均匀采样，采样间隔40m，精度误差为±1cm。考虑到受引潮力作用，水体在垂直方向上作一定规律性的涨落运动，所以水深遥感反演的水深控制点的实际水深值应该是多光谱遥感数据获取时刻的瞬时水深。本申请实施例的深度起算面为理论深度基准面，与潮汐表中潮高基准面一致，因此某一时刻的实际水深值等于实测水深值加上该时刻的潮高。针对每一景影像的过境时刻，对实测水深值分别开展水深控制点的潮汐校正，得到实际水深值。
步骤S300：根据所述多光谱反射率中的近红外和红外波段反射率计算水深控制点的悬浮泥沙含量预测值。
在一个实施例中，基于近红外和红光波段与水体悬浮泥沙浓度有较高的相关性，所述根据所述多光谱反射率中的近红外和红外波段反射率计算水深控制点的悬浮泥沙含量预测值的步骤S300，具体通过如下关系模型进行计算：
Figure BDA0002223934780000061
式中，Rnir和Rred分别为近红外波段和红光波段的反射率，TSS为悬浮泥沙浓度，单位为mg/L，a，b，c为回归系数。
在本申请实施例中，悬浮泥沙浓度为悬浮泥沙含量在采样水体的比例，通过近红外和红外波段反射率计算出水深控制点的悬浮泥沙浓度，也即能推算出悬浮泥沙含量预测值。
在一个实施例中，请参阅图3，所述根据所述多光谱反射率中的近红外和红外波段反射率计算水深控制点的悬浮泥沙含量预测值的步骤S300之后，还包括：
S300a：获取水深控制点的悬浮泥沙含量实测值；
S300b：根据所述悬浮泥沙含量实测值对悬浮泥沙含量预测值进行精度验证和对所述关系模型进行校准。
其中，在获取水深控制点的悬浮泥沙含量实测值时，用于测定悬浮泥沙含量的现场水样采集按照中华人民共和国海洋调查规范(GB/T 12763.1-2007)与海洋测量规范(GB/T 12763.4-2007)进行，现场水样装在黑色瓶内密封遮光保存，送至专业分析实验室采用GB11901-89烘干称重法进行悬浮泥沙含量测定。
步骤S400：在所述水深控制点的多光谱反射率中，以同一波段水面以下的反射率的自然对数与深水区的反射率的自然对数的比值作为特征向量的特征分量，同时以悬浮泥沙含量预测值也作为特征向量的特征分量；以水深控制点的实际水深值为预期输出，训练极端梯度提升模型。
其中，所述极端梯度提升模型以若干决策树作为学习单元，根据上一决策树输出结果与实际值的残差拟合下一决策树，通过对若干决策树输出结果进行求和获得基于极端梯度提升的岛礁浅海水深预测值；所述极端梯度提升模型为一种基于适当代价函数的优化算法，在第i-1棵树预测的残差上拟合第i棵树，以修正后一棵树的误差，其最终的预测结果通过对每棵树的输出结果求和得到。
在一个实施例中，所述在所述水深控制点的多光谱反射率中，以同一波段水面以下的反射率的自然对数与深水区的反射率的自然对数的比值作为特征向量的特征分量，同时以悬浮泥沙含量预测值也作为特征向量的特征分量；以水深控制点的实际水深值为预期输出，训练极端梯度提升模型的步骤，包括：
设定数据集
Figure BDA0002223934780000071
所述极端梯度提升模型的学习单元的损失函数为
Figure BDA0002223934780000072
迭代次数t和决策树的棵树k，令迭代次数t和决策树的棵树k在设定的数据集中进行遍历，验证精度并选取精度最高的迭代次数t和决策树的棵树k作为所述极端梯度提升模型参数；其中，xi为特征向量，n为数据集样本数，yi为实际输出结果，
Figure BDA0002223934780000073
为所述极端梯度提升模型输出结果；
按照以下方式获取极端梯度提升模型第t次的模拟预测值
Figure BDA0002223934780000074
Figure BDA0002223934780000075
其中，
Figure BDA0002223934780000076
为所述极端梯度提升模型t-1次的输出结果，ft(xi)为决策树第t次迭代输出结果；
在训练数据集中随机有放回抽取若干子集K，每个子集生成一棵决策树，对每一棵决策树进行训练，获得残差
Figure BDA0002223934780000077
按照以下方式最小化训练损失函数：
Figure BDA0002223934780000078
其中，γ为正则项系数；
对所述若干决策树的预测结果进行求和，获得水深控制点的实际水深值：
Figure BDA0002223934780000081
其中，fk是单个决策树的预测结果，
Figure BDA0002223934780000082
是所有决策树CART的集合。
最终构建的极端梯度提升模型如下：
Figure BDA0002223934780000083
λ1……λn指不同的波段，Rw(λ1)是第一个波段的波段反射率，R∞(λ1)是第一个波段的深水区反射率；
Figure BDA0002223934780000084
是自然对数ln(Rw(λ1)与自然对数ln(R∞(λ1))的比值，其他波段亦是同理。
步骤S500：将所述岛礁浅海区的多光谱反射率输入至所述极端梯度提升模型进行时空序列连续反演，获得水深预测值。因为悬浮泥沙含量与红光波段、近红外波段的反射率有关，则事实上所述极端梯度提升模型的输入即为所述岛礁浅海区的多光谱反射率，并且基于所述岛礁浅海区的多光谱反射率得到的水深预测值是y样本在树中传播时所达到对应叶子节点的值。
在一个实施例中，为了验证构建的极端梯度提升模型的精确性，请查阅图4，所述将所述岛礁浅海区的多光谱反射率输入至所述极端梯度提升模型进行时空序列连续反演，获得岛礁浅海水深的步骤S500之后，还包括：
S601：获取岛礁浅海区的水深验证点的实际水深值；
S602：根据所述水深验证点的实际水深值与通过时空序列连续反演获得的水深验证点的水深预测值计算反演精度，并建立反演精度与实际水深值的关系模型。
水深验证点与水深控制点类似，是预先选定的位于岛礁浅海区内的几个用于无人船实测的验证点，主要构成验证集，用于对构建的模型进行验证和校正。水深验证点的实际水深值的获取方法与水深控制点的实际水深值相同。
本申请实施例可以根据反演精度与实际水深值的关系模型明确光学遥感水深反演在不同水色条件下的精度及最大深度，还可以根据反演精度与实际水深值的关系模型对所述极端梯度提升模型进行模型校正。
在本申请实施例的技术方案中，根据水深控制点的多光谱反射率、实际水深值和悬浮泥沙含量预测值，利用分类和回归树算法构建浅海水深、多光谱反射率和悬浮泥沙含量的极端梯度提升模型，再将岛礁浅海区的多光谱反射率应用于该极端梯度提升模型即可以反演预测水深，只需实测数量较少的水深控制点的水深值，即可以构建极端梯度提升模型，再由极端梯度提升模型高效快速地反演获得整个岛礁浅海区的不同点的水深值；并且由于考虑到悬浮泥沙含量引起水面反射率的变化，在构建模型时，将悬浮泥沙含量也作为水深的影响因素，使得水深预测值精确可靠。
第二方面，请参阅图5，本申请实施例还提供一种基于极端梯度提升的岛礁浅海水深预测装置，包括：
第一数据获取模块1，用于获取岛礁浅海区的多光谱反射率；
第二数据获取模块2，用于获取岛礁浅海区的水深控制点的实际水深值；
悬浮泥沙含量预测模块3，用于根据所述多光谱反射率中的近红外和红外波段反射率计算水深控制点的悬浮泥沙含量预测值；
极端梯度提升模型构建模块4，用于在所述水深控制点的多光谱反射率中，以同一波段水面以下的反射率的自然对数与深水区的反射率的自然对数的比值作为特征向量的特征分量，同时以悬浮泥沙含量预测值也作为特征向量的特征分量；以水深控制点的实际水深值为预期输出，训练极端梯度提升模型；
水深预测模块5，用于将所述岛礁浅海区的多光谱反射率输入至所述极端梯度提升模型进行时空序列连续反演，获得水深预测值。
基于相同的发明构思，本申请实施例的基于极端梯度提升的岛礁浅海水深预测装置具有与基于极端梯度提升的岛礁浅海水深预测方法相同的有益效果。
第三方面，本申请实施例还提供一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如上任一项的基于极端梯度提升的岛礁浅海水深预测方法的步骤。
第四方面，请参阅图6，本申请实施例还提供一种计算机设备，包括：
处理器10以及存储器20；
其中，所述存储器20存储有计算机程序；所述计算机程序适于由所述处理器10加载并执行如上任一所述的基于极端梯度提升的岛礁浅海水深预测方法的步骤。
在本实施例中，处理器10和存储器20通过总线连接，存储器20可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
处理器10可以是一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件。在本实施例中，所述处理器10还可以为多个，或者处理器10可以包括一个或者多个处理核心。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。
单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。

Claims (10)

1.一种基于极端梯度提升的岛礁浅海水深预测方法，其特征在于，包括如下步骤：
获取岛礁浅海区的多光谱反射率；
获取岛礁浅海区的水深控制点的实际水深值；
根据所述多光谱反射率中的近红外和红光波段反射率计算水深控制点的悬浮泥沙含量预测值；
在所述水深控制点的多光谱反射率中，以同一波段水面以下的反射率的自然对数与深水区的反射率的自然对数的比值作为特征向量的特征分量，同时以悬浮泥沙含量预测值也作为特征向量的特征分量；以水深控制点的实际水深值为预期输出，训练极端梯度提升模型；
将所述岛礁浅海区的多光谱反射率输入至所述极端梯度提升模型进行时空序列连续反演，获得水深预测值。
2.根据权利要求1所述的基于极端梯度提升的岛礁浅海水深预测方法，其特征在于：所述将所述岛礁浅海区的多光谱反射率输入至所述极端梯度提升模型进行时空序列连续反演，获得水深预测值的步骤之后，还包括：
获取岛礁浅海区的水深验证点的实际水深值；
根据所述水深验证点的实际水深值与通过时空序列连续反演获得的水深验证点的水深预测值计算反演精度，并建立反演精度与实际水深值的关系模型。
3.根据权利要求1所述的基于极端梯度提升的岛礁浅海水深预测方法，其特征在于：所述获取岛礁浅海区的多光谱反射率，包括：
获取岛礁浅海区的中高分辨率的多光谱遥感数据；
通过大气校正和小波变换对多光谱遥感数据进行数据预处理；
将预处理后的多光谱遥感数据转换为多光谱反射率。
4.根据权利要求1或2所述的基于极端梯度提升的岛礁浅海水深预测方法，其特征在于：所述实际水深值根据多光谱遥感数据的来源卫星的过境时间，对岛礁浅海区的水深控制点或水深验证点进行实测和潮汐校正而获得。
5.根据权利要求1所述的基于极端梯度提升的岛礁浅海水深预测方法，其特征在于：所述根据所述多光谱反射率中的近红外和红光波段反射率计算水深控制点的悬浮泥沙含量预测值的步骤，具体通过如下关系模型进行计算：
Figure FDA0002669538070000011
式中，Rnir和Rred分别为近红外波段和红光波段的反射率，TSS为悬浮泥沙浓度，单位为mg/L，a，b，c为回归系数。
6.根据权利要求5所述的基于极端梯度提升的岛礁浅海水深预测方法，其特征在于：所述根据所述多光谱反射率中的近红外和红外波段反射率计算水深控制点的悬浮泥沙含量预测值的步骤之后，还包括：
获取水深控制点的悬浮泥沙含量实测值；
根据所述悬浮泥沙含量实测值对悬浮泥沙含量预测值进行精度验证和对所述关系模型进行校准。
7.根据权利要求6所述的基于极端梯度提升的岛礁浅海水深预测方法，其特征在于：所述在所述水深控制点的多光谱反射率中，以同一波段水面以下的反射率的自然对数与深水区的反射率的自然对数的比值作为特征向量的特征分量，同时以悬浮泥沙含量预测值也作为特征向量的特征分量；以水深控制点的实际水深值为预期输出，训练极端梯度提升模型的步骤，包括：
设定数据集
Figure FDA0002669538070000021
所述极端梯度提升模型的学习单元的损失函数为
Figure FDA0002669538070000022
对于迭代次数t和决策树的棵数k，令迭代次数t和决策树的棵数k在设定的数据集中进行遍历，验证精度并选取精度最高的迭代次数t和决策树的棵数k作为所述极端梯度提升模型参数；其中，xi为特征向量，n为数据集样本数，yi为实际输出结果，
Figure FDA0002669538070000023
为所述极端梯度提升模型最终的输出结果；
按照以下方式获取极端梯度提升模型第t次迭代的输出结果
Figure FDA00026695380700000211
Figure FDA0002669538070000024
其中，
Figure FDA0002669538070000025
为所述极端梯度提升模型初始的输出结果，
Figure FDA0002669538070000026
Figure FDA0002669538070000027
为所述极端梯度提升模型第t-1次迭代的输出结果，
Figure FDA0002669538070000028
为所述极端梯度提升模型第t次迭代的输出结果；ft(xi)为决策树第t次迭代输出结果；
在训练数据集中随机有放回抽取若干子集K，每个子集生成一棵决策树，对每一棵决策树进行训练，获得残差
Figure FDA0002669538070000029
按照以下方式最小化训练损失函数：
Figure FDA00026695380700000210
其中，γ为正则项系数；l(·)为对数损失函数；obj(t)为第t次迭代后的最小化训练损失函数的输出结果；
对每一棵决策树的预测结果进行求和，获得水深控制点的实际水深值：
Figure FDA0002669538070000031
其中，hk是单个决策树的预测结果，
Figure FDA0002669538070000032
是所有决策树CART的集合。
8.一种基于极端梯度提升的岛礁浅海水深预测装置，其特征在于，包括：
第一数据获取模块，用于获取岛礁浅海区的多光谱反射率；
第二数据获取模块，用于获取岛礁浅海区的水深控制点的实际水深值；
悬浮泥沙含量预测模块，用于根据所述多光谱反射率中的近红外和红光波段反射率计算水深控制点的悬浮泥沙含量预测值；
极端梯度提升模型构建模块，用于在所述水深控制点的多光谱反射率中，以同一波段水面以下的反射率的自然对数与深水区的反射率的自然对数的比值作为特征向量的特征分量，同时以悬浮泥沙含量预测值也作为特征向量的特征分量；以水深控制点的实际水深值为预期输出，训练极端梯度提升模型；
水深预测模块，用于将所述岛礁浅海区的多光谱反射率输入至所述极端梯度提升模型进行时空序列连续反演，获得水深预测值。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任一项的基于极端梯度提升的岛礁浅海水深预测方法的步骤。
10.一种计算机设备，其特征在于，包括：
处理器以及存储器；
其中，所述存储器存储有计算机程序；所述计算机程序适于由所述处理器加载并执行如权利要求1-7中任一所述的基于极端梯度提升的岛礁浅海水深预测方法的步骤。
CN201910945145.1A 2019-09-30 2019-09-30 基于极端梯度提升的岛礁浅海水深预测方法 Active CN110851789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910945145.1A CN110851789B (zh) 2019-09-30 2019-09-30 基于极端梯度提升的岛礁浅海水深预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910945145.1A CN110851789B (zh) 2019-09-30 2019-09-30 基于极端梯度提升的岛礁浅海水深预测方法

Publications (2)

Publication Number Publication Date
CN110851789A CN110851789A (zh) 2020-02-28
CN110851789B true CN110851789B (zh) 2020-12-08

Family

ID=69597376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910945145.1A Active CN110851789B (zh) 2019-09-30 2019-09-30 基于极端梯度提升的岛礁浅海水深预测方法

Country Status (1)

Country Link
CN (1) CN110851789B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107894381A (zh) * 2017-12-29 2018-04-10 广州和时通电子科技有限公司 一种南方河流用测沙装置和方法
CN110082300A (zh) * 2019-05-20 2019-08-02 中国水利水电科学研究院 基于光谱参量的冬小麦冠层含水率监测模型建立方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105865424B (zh) * 2016-04-13 2019-09-17 中测新图(北京)遥感技术有限责任公司 一种基于非线性模型的多光谱遥感水深反演方法及装置
CN108663330B (zh) * 2018-04-19 2019-08-16 中国自然资源航空物探遥感中心 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法
CN109283144A (zh) * 2018-10-26 2019-01-29 浙江省水利河口研究院 强潮高浑浊河口悬浮泥沙长历时变化的遥感计算方法
CN109409441A (zh) * 2018-11-16 2019-03-01 福州大学 基于改进随机森林的近岸水体叶绿素a浓度遥感反演方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107894381A (zh) * 2017-12-29 2018-04-10 广州和时通电子科技有限公司 一种南方河流用测沙装置和方法
CN110082300A (zh) * 2019-05-20 2019-08-02 中国水利水电科学研究院 基于光谱参量的冬小麦冠层含水率监测模型建立方法

Also Published As

Publication number Publication date
CN110851789A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110823190B (zh) 基于随机森林的岛礁浅海水深预测方法
Liu et al. Automatic super-resolution shoreline change monitoring using Landsat archival data: A case study at Narrabeen–Collaroy Beach, Australia
CN105865424B (zh) 一种基于非线性模型的多光谱遥感水深反演方法及装置
CN113408742B (zh) 一种基于机器学习的高精度海表温度反演方法
CN110849334B (zh) 基于分类与回归树的岛礁浅海水深预测方法
CN112180369B (zh) 基于深度学习的一维综合孔径辐射计海面风速反演方法
Carvajal et al. Relationship between atmospheric corrections and training-site strategy with respect to accuracy of greenhouse detection process from very high resolution imagery
CN113592786A (zh) 一种基于深度学习的海洋中尺度涡检测方法
CN112666328A (zh) 基于遗传神经网络模型的叶绿素a遥感反演方法和装置
CN106940219A (zh) 一种在轨运行的宽波段卫星遥感器的光谱响应获取方法
CN116562414A (zh) 一种基于多源水文气象数据的陆地水储量变化预测方法
CN113920255B (zh) 基于点云数据的高效测绘***
CN116977311A (zh) 一种洪涝灾害区域检测方法、***、电子设备及存储介质
Mateus et al. Assessment of two techniques to merge ground-based and TRMM rainfall measurements: a case study about Brazilian Amazon Rainforest
CN113237554B (zh) 云下地表温度图像生成方法、装置和终端设备
CN114863209A (zh) 类别比例引导的无监督领域适应建模方法、***、设备及介质
CN116879192B (zh) 基于卫星遥感数据的水华预测方法、装置、设备及介质
CN112288744B (zh) 基于整型推理量化cnn的sar图像变化检测方法
Chen et al. Improving surface current estimation from Geostationary Ocean Color Imager using tidal ellipse and angular limitation
CN117392564A (zh) 一种基于深度学习的河流水质反演方法、电子设备及存储介质
CN110851789B (zh) 基于极端梯度提升的岛礁浅海水深预测方法
CN110852475B (zh) 基于极端梯度提升算法的植被指数预测方法、***及设备
Vanden Boomen et al. Application of deep learning for imaging‐based stream gaging
CN110852415B (zh) 基于神经网络算法的植被指数预测方法、***及设备
Platt et al. Primary production: sensitivity to surface irradiance and implications for archiving data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY