CN111898314B - 湖泊水体参数检验方法、装置、电子设备及存储介质 - Google Patents
湖泊水体参数检验方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111898314B CN111898314B CN202010681941.1A CN202010681941A CN111898314B CN 111898314 B CN111898314 B CN 111898314B CN 202010681941 A CN202010681941 A CN 202010681941A CN 111898314 B CN111898314 B CN 111898314B
- Authority
- CN
- China
- Prior art keywords
- water
- parameter
- sample
- parameters
- water body
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 373
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007689 inspection Methods 0.000 title claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 26
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 6
- 229930002875 chlorophyll Natural products 0.000 description 29
- 235000019804 chlorophyll Nutrition 0.000 description 29
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 29
- 238000013528 artificial neural network Methods 0.000 description 28
- 238000012417 linear regression Methods 0.000 description 19
- 230000001419 dependent effect Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 241000195493 Cryptophyta Species 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供一种湖泊水体参数检验方法、装置、电子设备及存储介质，所述方法包括：利用预设的湖泊水体参数预测模型对实测水体参数进行筛选；水体参数预测模型是基于水体参量样本数据、环境参量样本数据和对应的观测时间进行训练后得到的；实测水体参数是通过测量设备对待测水体进行抽样检验得到的水体参数；根据筛选后的实测水体参数对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体参数。通过筛选后的实测水体参数对通过卫星获取的待测水体参数进行筛选，并使用筛选后的实测水体参数对通过卫星反演获取的待测水体参数进行修正，解决了现有的通过卫星获取的待测水体参数可信度低的缺陷，提高了待测水体参数的可靠性。
Description
技术领域
本发明涉及遥感检验技术领域，尤其涉及一种湖泊水体参数检验方法、装置、电子设备及存储介质。
背景技术
水体遥感信息产品的真实性检验通常采用直接检验的方法，即将卫星产品与实测的相对真值直接对比。传统的检验将实测数据与卫星数据的对应限制在3～7个相邻像素的空间范围内和±3小时的时间范围内，由于水体不同于陆表，其空间变异性相对较小，3～7个相邻像素的均值可以有效代表待检点的遥感产品数据；但水体的流动性导致水体参数随时间变化较大，并且受环境因素的影响，这种变化的强度是不确定的。
在使用遥感技术对水体参数进行检验的过程中，遥感产品的真实性检验方法包括直接检验、间接检验和交叉检验，水体参数的真实性检验通常采用直接检验的方法，即将卫星影像的实测真值与实测的水体参数直接对比。但由于水体的流动性及环境因素变化，水体参数随时间变化较大，相隔3小时的水体参数曲线可能存在较大的差异，而且这种变化的强度目前是不确定的。
现有的卫星影像水体参数检验方法，既没有针对特定的检验水体做出调整，也没有明确水体参数实测真值时间尺度的变异问题，增加了水体参数真实性检验中的不确定性，无法精确反应卫星影像实测真值的精度，导致了卫星影像获取的水体参数实验数据的可信度较低。
发明内容
本发明实施例提供一种湖泊水体参数检验方法、装置、电子设备及存储介质，用以解决现有技术中通过卫星获取的待测水体的参数可信度低的缺陷，实现提高卫星获取的待测水体的参数的可靠性的作用。
本发明实施例提供一种湖泊水体参数检验方法，包括：
利用预设的水体参数预测模型对实测水体参数进行筛选；所述水体参数预测模型是基于水体参量样本数据、环境参量样本数据和对应的观测时间进行训练后得到的；所述实测水体参数是通过测量设备对待测水体进行抽样检验得到的水体参数；
根据筛选后的实测水体参数对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体参数。
根据本发明实施例的湖泊水体参数检验方法，所述利用预设的水体参数预测模型对实测水体参数进行筛选具体包括：
将目标相关变量输入至所述预设的水体参数预测模型，输出与所述目标相关变量对应的预测水体参数；
根据所述预测水体参数对实测水体参数进行筛选。
根据本发明实施例的湖泊水体参数检验方法，所述将目标相关变量输入至所述预设的水体参数预测模型之前还包括：
基于皮尔逊相关系数分别获取待检验的水体参数以外的水体参量样本数据和待检验的水体样本参数之间的相关值，和每个环境样本参量数据和待检验的水体样本参数之间的相关值；
根据所述待检验的水体参数以外的水体参量样本数据和待检验的水体样本参数之间的相关值，和每个环境样本参量数据和待检验的水体样本参数之间的相关值，获取样本相关变量；
根据所述样本相关变量的类别，从所述目标水体参量数据和所述目标环境参量数据中筛选出目标相关变量。
根据本发明实施例的湖泊水体参数检验方法，所述获取样本相关变量具体包括：
从所述待检验的水体参数以外的水体参量样本数据和所述环境样本参量数据中筛选出与待检验的水体样本参数之间相关值大于预设相关值阈值的水体样本参量数据和环境样本参量数据作为样本相关变量。
根据本发明实施例的湖泊水体参数检验方法，所述获取所述水体参数预测模型的具体步骤如下：
获取所述样本相关变量、所述样本相关变量对应的待检验的水体样本参数、所述样本相关变量的观测时间和在当天非所述样本相关变量的观测时间获取的待检验的水体参数；
基于获取所述样本相关变量、所述样本相关变量对应的待检验的水体样本参数、所述样本相关变量的观测时间和在当天非所述样本相关变量的观测时间获取的待检验的水体参数，生成所述水体参数预测模型的模型参数，获取所述水体参数预测模型。
根据本发明实施例的湖泊水体参数检验方法，所述根据所述预测水体参数对实测水体参数进行筛选具体包括：
计算所述预测水体参数和所述实测水体参数之间的第一误差值；
从所述实测水体参数中删除所述第一误差值超过第一预设阈值的数据。
本发明实施例还提供湖泊一种水体参数检验装置，包括：
筛选模块，用于利用预设的水体参数预测模型对实测水体参数进行筛选；所述水体参数预测模型是基于水体参量样本数据、环境参量样本数据和对应的观测时间进行训练后得到的；所述实测水体参数是通过测量设备对待测水体进行抽样检验得到的水体参数；
检验模块，用于根据筛选后的实测水体参数对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体参数。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述湖泊水体参数检验方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述湖泊水体参数检验方法的步骤。
本发明实施例提供的湖泊水体参数检验方法、装置、电子设备及存储介质，通过筛选后的实测水体参数对通过卫星获取的待测水体参数进行筛选，并使用筛选后的实测水体参数对通过卫星反演获取的待测水体参数进行检验，解决了现有的卫星水体参数检验验证方法可信度低的缺陷，提高了待测水体参数的可靠性。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明实施例提供的一种湖泊水体参数检验方法的流程示意图；
图2是本发明实施例提供的一种湖泊水体参数检验装置的结构示意图；
图3是本发明实施例中叶绿素浓度多元线性回归模型和逐步多元线性回归模型检验结果；
图4是本发明实施例中悬浮物浓度多元线性回归模型和逐步多元线性回归模型检验结果；
图5是本发明实施例中叶绿素浓度BP神经网络和GRNN神经网络模型检验结果；
图6是本发明实施例中悬浮物浓度BP神经网络和GRNN神经网络模型检验结果；
图7是本发明实施例中另一种叶绿素浓度BP神经网络和GRNN神经网络模型检验结果；
图8是本发明实施例中另一种悬浮物浓度BP神经网络和GRNN神经网络模型检验结果；
图9是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种湖泊水体参数检验方法的流程示意图，如图1所示，该流程具体可以包括：
步骤1、利用预设的水体参数预测模型对实测水体参数进行筛选；所述水体参数预测模型是基于水体参量样本数据、环境参量样本数据和对应的观测时间进行训练后得到的；所述实测水体参数是通过测量设备对待测水体进行抽样检验得到的水体参数。
由于实测水体参数是通过相关测量设备对待测水体进行抽样检验得到的水体参数，因此实测水体参数中可能存在着测量值不准确，可靠性低的问题。通过预设的水体参数预测模型对实测水体参数进行筛选，即是将实测水体参数中与预设的水体参数预测模型中产生的预测水体参数进行误差判定，如果误差在预设的范围内则判定实测水体参数符合要求，如果误差超出了预设的范围，则对实测水体参数进行剔除。
例如，通过测量设备获取到实测水体参数，但是实测水体参数中可能存在部分测量值不准确的问题，通过预设的水体参数预测模型对实测水体参数进行筛选，能够筛除与预测模型中产生的预测水体参数误差超过预设阈值的实测水体参数。预设的水体参数预测模型是基于样本相关变量、样本相关变量对应的待检验的水体样本参数、样本相关变量的观测时间和在当天非样本相关变量的观测时间获取的待检验的水体参数进行训练后得到的，可以使用BP神经网络模型或GRNN神经网络模型等。
步骤2、根据筛选后的实测水体参数对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体参数。
具体地，通过筛选后的实测水体参数对卫星采集到的所述待测水体的参数进行检验，通过判断筛选后的实测水体参数与卫星采集到的所述待测水体的参数之间的误差是否大于预设阈值，如果误差在预设阈值范围内则卫星获取的水体参数精度较高，可共后续的遥感应用使用；如果误差超过预设阈值范围，则卫星获取的水体参数精度较低，要对卫星反演模型进行改进，方可利用所述水体参数数据作后续应用。
例如，判断筛选后的实测水体参数与卫星采集到的待测水体的参数之间的误差是否大于预设阈值，其中预设阈值包括：R2阈值、RMSE阈值和AE阈值，通过这三种阈值判定实测水体参数与卫星采集到的待测水体的参数之间的误差是否符合要求。其中，R2阈值是决定系数阈值，RMSE阈值是均方根误差阈值，AE阈值是平均绝对相对误差阈值。
本发明实施例提供的湖泊水体参数检验方法，通过筛选后的实测水体参数对通过卫星获取的待测水体参数进行筛选，并使用筛选后的实测水体参数对通过卫星获取的待测水体参数进行检验，解决了现有的卫星水体参数真实性检验验证方法可信度低的缺陷，提高了待测水体参数的可靠性。
可选地，在上述各实施例的基础上，所述利用预设的水体参数预测模型对实测水体参数进行筛选具体包括：
将目标相关变量输入至所述预设的水体参数预测模型，输出与所述目标相关变量对应的预测水体参数；
根据所述预测水体参数对实测水体参数进行筛选。
具体地，目标相关变量是预设的水体参数预测模型的输入值，输出值为与目标相关变量对应的预测水体参数，目标相关变量的种类可以根据需求进行设定，且目标相关变量的种类与预测水体参数之间的联系越明显效果越好。
例如，以样本相关变量、样本相关变量的观测时间和在当天非所述样本相关变量的观测时间获取的待检验的水体参数为输入值，以样本相关变量对应的待检验的水体样本参数为输出值，生成所述水体参数预测模型的模型参数，获取所述水体参数预测模型，进行多元线性回归、逐步多元线性回归、BP神经网络和GRNN神经网络建模，并利用R2、RMSE和AE进行精度评价。在本示例中，输出值为叶绿素浓度和/或悬浮物浓度。
通过预设的水体参数预测模型获取预测水体参数，然后根据筛选后的实测水体参数对卫星采集到的待测水体的参数进行检验，解决了现有的卫星水体参数真实性检验验证方法可信度低的缺陷，提高了待测水体参数的可靠性。
可选地，在上述各实施例的基础上，所述将目标相关变量输入至所述预设的水体参数预测模型之前还包括：
基于皮尔逊相关系数分别获取待检验的水体参数以外的水体参量样本数据和待检验的水体样本参数之间的相关值，和每个环境样本参量数据和待检验的水体样本参数之间的相关值；
根据所述待检验的水体参数以外的水体参量样本数据和待检验的水体样本参数之间的相关值，和每个环境样本参量数据和待检验的水体样本参数之间的相关值，获取样本相关变量；
根据所述样本相关变量的类别，从所述目标水体参量数据和所述目标环境参量数据中筛选出目标相关变量。
具体地，由于水体参量样本数据有很多种类的数据，环境样本参量数据也包括很多种类的数据，为了筛选出除待检验的水体参数以外的每个水体参量样本数据和对应的水体样本参数之间的相关值最密切的数据，和每个环境样本参量数据与对应的水体样本参数之间的相关值最密切的数据，需要将获取的各相关值根据预设相关值阈值进行筛选，并根据筛选出的样本相关变量的类型获取目标相关变量，其中，样本相关变量的种类和目标相关变量的种类是相同的。
例如，我国代表性的湖泊——太湖，作为长时间水体参数及环境参量数据获取的依托。依托太湖的自动观测浮标***，浮标上安置了自动观测光谱仪、水质仪和小型气象站。其中水质仪每隔30分钟，测量水温、比电导、电导率、盐度、浊度、叶绿素浓度、蓝藻蛋白、荧光可溶性有机物(FDOM)和悬浮物浓度这些水体参量数据；而小型气象站同样每隔30分钟测量平均风向、平均风速、空气温度、湿度和大气压等多种环境参量数据；此外，自动观测光谱仪在上午10时至下午15时每隔30分钟拍一张湖面及天空的照片，可以用于判别天气状况本发明依据真实性检验实验开展的有效天气和时间，选择每一个晴天(根据照片判别)中上午10时至下午15时的时间窗口作为研究对象，筛选数据进行后续分析。
如表1、表2所示，通过对叶绿素浓度、悬浮物浓度与其他12种变量进行相关性分析，并用相关系数r和协方差cov衡量两个变量之间的相关性，当相关系数|r|的取值范围在0.2～0.8之间时，认为两个变量间具有较好的相关性。
表1叶绿素浓度与其他变量相关性分析
表2悬浮物浓度与其他变量相关性分析
通过从水体参量样本数据和环境样本参量数据中筛选出样本相关变量，提高了构建水体参数预测模型的准确度，进一步能够提高获取的预测水体参数的准确度，使得对实测水体参数的检验更加准确。
可选地，在上述各实施例的基础上，所述获取样本相关变量具体包括：
从所述待检验的水体参数以外的水体参量样本数据和所述环境样本参量数据中筛选出与待检验的水体样本参数之间相关值大于预设相关值阈值的水体样本参量数据和环境样本参量数据作为样本相关变量。
具体地，从水体样本参量数据和环境样本参量数据中筛选出相关变量的方法是将相关值与预设的相关值阈值进行对比，将相关值大于预设的相关值阈值的水体样本参量数据和环境样本参量数据作为样本相关变量。
例如，通过对叶绿素浓度、悬浮物浓度与其他12种变量进行相关性分析，并用相关系数r和协方差cov衡量两个变量之间的相关性，当相关系数|r|的取值范围在0.2～0.8之间时，认为两个变量间具有较好的相关性。
通过对样本相关变量的选择，能够从水体样本参量数据和环境样本参量数据中筛除去相关值不达标的样本参量数据，减轻了水体参数预测模型处理数据的压力，且提高了预测的准确度。
可选地，在上述各实施例的基础上，所述获取所述水体参数预测模型的具体步骤如下：
获取所述样本相关变量、所述样本相关变量对应的待检验的水体样本参数、所述样本相关变量的观测时间和在当天非所述样本相关变量的观测时间获取的待检验的水体参数；
基于获取所述样本相关变量、所述样本相关变量对应的待检验的水体样本参数、所述样本相关变量的观测时间和在当天非所述样本相关变量的观测时间获取的待检验的水体参数，生成所述水体参数预测模型的模型参数，获取所述水体参数预测模型。
具体地，为了生成并训练水体参数预测模型，我们需要将样本相关变量、样本相关变量的观测时间和在当天非所述样本相关变量的观测时间获取的待检验的水体参数为输入值，以样本相关变量对应的待检验的水体样本参数为输出值，生成所述水体参数预测模型的模型参数，获取所述水体参数预测模型，进行多元线性回归、逐步多元线性回归、BP神经网络和GRNN神经网络建模，并利用R2、RMSE和AE进行精度评价。在本示例中，输出值为叶绿素浓度和/或悬浮物浓度。
例如，当我们将筛选出来的分别与叶绿素浓度、悬浮物浓度相关性较强的变量作为自变量，分别以叶绿素浓度和悬浮物浓度为因变量，利用多元线性回归和逐步多元线性回归的方法进行建模。当以叶绿素浓度为输出时，建模时以水温、蓝藻蛋白、FDOM、悬浮物浓度、平均风速、空气温度和大气压7个变量作为自变量，分别命名为X1～X7，叶绿素浓度作为因变量，用Y1表示。随机选取预处理后数据的90％，即358组数据作为训练集来建立模型，而剩余的40组数据作为检验集，多元线性回归和逐步多元线性回归结果如表3所示。
表3叶绿素浓度多元线性回归和逐步多元回归建模结果
当以悬浮物浓度为输出值时，由于该水质仪测量的悬浮物浓度就是根据浊度计算的，虽然浊度与悬浮物浓度间的相关系数高达0.84，但其与悬浮物浓度可视为同种数据，在选取自变量时不予考虑。悬浮物浓度建模时，选取水温、电导率、叶绿素浓度、蓝藻蛋白、FDOM、平均风速和空气温度7种变量作为自变量，分别命名为Z1～Z7，悬浮物浓度作为因变量，用Y2表示。随机选取预处理后数据的90％，即338组数据作为训练集来建立模型，而剩余的38组数据作为检验集，多元线性回归和逐步多元线性回归结果如表4所示。
表4悬浮物浓度多元线性回归和逐步多元回归建模结果
当以与叶绿素浓度、悬浮物浓度相关性较强的变量作为自变量，分别以叶绿素浓度和悬浮物浓度为因变量，利用BP神经网络和GRNN神经网络进行建模时。建模时选取的自变量与前述的自变量相同，叶绿素浓度作为因变量，随机选取预处理后数据的90％，即358组数据作为训练集来建立模型，而剩余的40组数据作为检验集。分别利用BP神经网络和GRNN神经网络进行建模，用检验集对模型进行验证，并用R2、RMSE和AE对其精度进行评价，评价结果见表5。当以悬浮物浓度作为因变量，随机预处理后数据的90％，即338组数据作为训练集，剩余的38组数据作为训练集。分别利用BP神经网络和GRNN神经网络进行建模，用检验集对模型进行验证，并用R2、RMSE和AE对其精度进行评价，评价结果见表5。
表5叶绿素浓度、悬浮物浓度神经网络检验结果
最后，我们以相关变量及对应的观测时间，与当天其他不同时刻的叶绿素浓度或悬浮物浓度进行组合，建立新的数据集，取90％的数据作为训练集，剩余的10％的数据作为测试集，利用BP神经网络和GRNN神经网络回归建模，并对模型精度进行评价。当以叶绿素浓度为因变量时，选择前述的7种相关变量作为环境变量，并记录环境变量的获取时间，记为‘1000’、‘1230’格式，并与当天其他不同时刻的叶绿素浓度进行组合(引导变量)，建立新的数据集，共计3420组数据。取90％的数据作为训练集，即3078组数据，剩余的342组数据作为测试集，利用BP神经网络和GRNN神经网络回归建模，并用检验数据集对神经网络的精度进行评价，评价结果见表6。
当以悬浮物浓度为因变量时，选择前述的7种相关变量作为环境变量，并记录环境变量的获取时间，记为‘1000’、‘1230’格式，并与当天其他不同时刻的悬浮物浓度进行组合，建立新的数据集，共计3228组数据。取90％的数据作为训练集，即2905组数据，剩余的323组数据作为测试集，利用BP神经网络和GRNN神经网络回归建模，并用检验数据集对神经网络的精度进行评价，评价结果见表6。
表6数据组合后叶绿素浓度、悬浮物浓度神经网络检验结果
经过实验，多元线性回归和逐步多元线性回归的精度较差，叶绿素浓度AE在30％左右，悬浮物浓度模型AE在15％左右，而利用相关环境变量建立的BP神经网络模型和GRNN神经网络模型，叶绿素浓度模型的检验精度中AE分别为16.4％和9.9％，而悬浮物浓度模型的检验精度AE分别为11.2％和9.4％，相比于多元线性回归中的线性模型，精度有大幅的提高。利用BP神经网络模型和GRNN神经网络模型，能够有效预测其他非实测时刻环境条件下的叶绿素浓度和悬浮物浓度，从而与实验实测值进行对比，依据两者的相对变化程度和真实性检验实验对相对真值波动的要求(如相对变化不超过20％)，细化时间窗口的选择。
进一步地，以一个实测时刻的叶绿素浓度或悬浮物浓度作为引导变量，结合其他时刻的环境变量及对应的时刻值，有效地预测当前实验点叶绿素浓度或悬浮物浓度在其他时刻、不同环境条件下的数值，从而可以得到该实验点在同天内10时至15时的叶绿素浓度或悬浮物浓度的预测值，并且该模型的精度非常高，在加大数据量的情况下，精度有进一步提高的可能。同样，依据实验实测值和结合其他时刻环境变量得到的预测值，根据真实性检验试验对相对真值波动的要求，可以细化、精确化样本选择的时间匹配窗口，提高真实性检验的精度。
通过样本相关变量和样本相关变量对应的水体样本参数，生成水体参数预测模型的模型参数，能够获取水体参数预测模型，并能够通过水体参数预测模型对实测水体参数进行筛选，提高了实测水体参数的准确度。
可选地，在上述各实施例的基础上，所述根据所述预测水体参数对实测水体参数进行筛选具体包括：
计算所述预测水体参数和所述实测水体参数之间的第一误差值；
从所述实测水体参数中删除所述第一误差值超过第一预设阈值的数据。
具体地，对实测水体参数的筛选是判定实测水体参数与预测水体参数之间的误差值是否超过了预设阈值，如果超过了预设阈值，判定该超过预设阈值的实测水体参数为不合格，并对该不合格的实测水体参数进行删除。
例如，当某个实测水体参数与对应的预测水体参数之间的误差值为0.5，而该误差值的预设阈值为0.2，则该实测水体参数超过了预设阈值，对其进行删除。
通过删除不合格的实测水体参数，提高了实测水体参数，进一步根据实测水体参数对卫星采集到的待测水体的参数进行检验。
下面对本发明实施例提供的湖泊水体参数检验方法装置进行描述，下文描述的水体参数检验方法装置与上文描述的水体参数检验方法方法可相互对应参照。
图2是本发明实施例提供的一种湖泊水体参数检验装置的结构示意图，如图2所示，具体包括：筛选模块201及检验模块202，其中，筛选模块201用于利用预设的水体参数预测模型对实测水体参数进行筛选；所述水体参数预测模型是基于水体参量样本数据、环境参量样本数据和对应的水体样本参数进行训练后得到的；所述实测水体参数是通过测量设备对待测水体进行抽样检验得到的参数；检验模块202用于根据筛选后的实测水体参数对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体参数。
具体地，由于实测水体参数是通过测量设备对待测水体进行抽样检验得到的水体参数，因此实测水体参数中可能存在着测量值不准确，可靠性低的问题。筛选模块201用于通过预设的水体参数预测模型对实测水体参数进行筛选，即是将实测水体参数中与预设的水体参数预测模型中产生的预测水体参数进行误差判定，如果误差在预设的范围内则判定实测水体参数符合要求，如果误差超出了预设的范围，则对实测水体参数进行检验。
检验模块202用于将筛选后的实测水体参数对卫星反演获得的所述待测水体的参数进行检验，通过判断筛选后的实测水体参数与卫星反演获得的所述待测水体的参数之间的误差是否大于预设阈值，如果误差在预设阈值范围内则卫星获取的水体参数精度较高，可共后续的遥感应用使用；如果误差超过预设阈值范围，则卫星获取的水体参数精度较低，要对卫星反演模型进行改进，方可利用所述水体参数数据作后续应用。
通过筛选后的实测水体参数对通过卫星获取的待测水体参数进行筛选，并使用筛选后的实测水体参数对通过卫星获取的待测水体参数进行检验，解决了现有的通过卫星获取的待测水体参数可信度低的缺陷，提高了待测水体参数的可靠性。
图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)901、通信接口(Communications Interface)902、存储器(memory)903和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信。处理器901可以调用存储器903中的逻辑指令，以执行湖泊水体参数检验方法，该方法包括：利用预设的水体参数预测模型对实测水体参数进行筛选；所述水体参数预测模型是基于水体参量样本数据、环境参量样本数据和对应的观测时间进行训练后得到的；所述实测水体参数是通过测量设备对待测水体进行抽样检验得到的水体参数；根据筛选后的实测水体参数对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体参数。
此外，上述的存储器903中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的湖泊水体参数检验方法，该方法包括：利用预设的水体参数预测模型对实测水体参数进行筛选；所述水体参数预测模型是基于水体参量样本数据、环境参量样本数据和对应的观测时间进行训练后得到的；所述实测水体参数是通过测量设备对待测水体进行抽样检验得到的水体参数；根据筛选后的实测水体参数对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体参数。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的湖泊水体参数检验方法，该方法包括：利用预设的水体参数预测模型对实测水体参数进行筛选；所述水体参数预测模型是基于水体参量样本数据、环境参量样本数据和对应的观测时间进行训练后得到的；所述实测水体参数是通过测量设备对待测水体进行抽样检验得到的水体参数；根据筛选后的实测水体参数对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体参数。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.湖泊水体参数检验方法，其特征在于，包括：
利用预设的水体参数预测模型对实测水体参数进行筛选；所述水体参数预测模型是基于水体参量样本数据、环境参量样本数据和对应的观测时间进行训练后得到的；所述实测水体参数是通过测量设备对待测水体进行抽样检验得到的水体参数；
根据筛选后的实测水体参数对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体参数；
所述利用预设的水体参数预测模型对实测水体参数进行筛选具体包括：
将目标相关变量输入至所述预设的水体参数预测模型，输出与所述目标相关变量对应的预测水体参数；
根据所述预测水体参数对实测水体参数进行筛选；
还包括：
获取所述样本相关变量、所述样本相关变量对应的待检验的水体样本参数、所述样本相关变量的观测时间和在当天非所述样本相关变量的观测时间获取的待检验的水体参数；
基于获取所述样本相关变量、所述样本相关变量对应的待检验的水体样本参数、所述样本相关变量的观测时间和在当天非所述样本相关变量的观测时间获取的待检验的水体参数，生成所述水体参数预测模型的模型参数，获取所述水体参数预测模型。
2.根据权利要求1所述的湖泊水体参数检验方法，其特征在于，所述将目标相关变量输入至所述预设的水体参数预测模型之前还包括：
基于皮尔逊相关系数分别获取待检验的水体参数以外的水体参量样本数据和待检验的水体样本参数之间的相关值，和每个环境样本参量数据和待检验的水体样本参数之间的相关值；
根据所述待检验的水体参数以外的水体参量样本数据和待检验的水体样本参数之间的相关值，和每个环境样本参量数据和待检验的水体样本参数之间的相关值，获取样本相关变量；
根据所述样本相关变量的类别，从所述水体参量样本数据和所述环境样本参量数据中筛选出目标相关变量。
3.根据权利要求2所述的湖泊水体参数检验方法，其特征在于，所述获取样本相关变量具体包括：
从所述待检验的水体参数以外的水体参量样本数据和所述环境样本参量数据中筛选出与待检验的水体样本参数之间相关值大于预设相关值阈值的水体样本参量数据和环境样本参量数据作为样本相关变量。
4.根据权利要求1所述的湖泊水体参数检验方法，其特征在于，所述根据所述预测水体参数对实测水体参数进行筛选具体包括：
计算所述预测水体参数和所述实测水体参数之间的第一误差值；
从所述实测水体参数中删除所述第一误差值超过第一预设阈值的数据。
5.湖泊水体参数检验装置，其特征在于，包括：
筛选模块，用于利用预设的水体参数预测模型对实测水体参数进行筛选；所述水体参数预测模型是基于水体参量样本数据、环境参量样本数据和对应的观测时间进行训练后得到的；所述实测水体参数是通过测量设备对待测水体进行抽样检验得到的水体参数；
检验模块，用于根据筛选后的实测水体参数对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体参数；
所述利用预设的水体参数预测模型对实测水体参数进行筛选具体包括：
将目标相关变量输入至所述预设的水体参数预测模型，输出与所述目标相关变量对应的预测水体参数；
根据所述预测水体参数对实测水体参数进行筛选；
还包括模型获取模块，用于：
获取所述样本相关变量、所述样本相关变量对应的待检验的水体样本参数、所述样本相关变量的观测时间和在当天非所述样本相关变量的观测时间获取的待检验的水体参数；
基于获取所述样本相关变量、所述样本相关变量对应的待检验的水体样本参数、所述样本相关变量的观测时间和在当天非所述样本相关变量的观测时间获取的待检验的水体参数，生成所述水体参数预测模型的模型参数，获取所述水体参数预测模型。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述湖泊水体参数检验方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述湖泊水体参数检验方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010681941.1A CN111898314B (zh) | 2020-07-15 | 2020-07-15 | 湖泊水体参数检验方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010681941.1A CN111898314B (zh) | 2020-07-15 | 2020-07-15 | 湖泊水体参数检验方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111898314A CN111898314A (zh) | 2020-11-06 |
| CN111898314B true CN111898314B (zh) | 2024-03-08 |
Family
ID=73191288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010681941.1A Active CN111898314B (zh) | 2020-07-15 | 2020-07-15 | 湖泊水体参数检验方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111898314B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116223756B (zh) * | 2023-03-27 | 2023-09-08 | 北京智科远达数据技术有限公司 | 一种水体氮含量预测模型的生成方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101221125A (zh) * | 2008-01-24 | 2008-07-16 | 浙江大学 | 用光谱技术测定富营养化水体特征参量的方法 |
| WO2011002272A1 (en) * | 2009-07-01 | 2011-01-06 | Universiti Sains Malaysia | Air pollution measuring and warning system |
| CN107271405A (zh) * | 2017-06-30 | 2017-10-20 | 中国水利水电科学研究院 | 一种多模型协同的水质参数浓度反演方法和装置 |
| CN110672805A (zh) * | 2019-10-08 | 2020-01-10 | 核工业北京地质研究院 | 一种基于航空高光谱数据的水库水质参数定量反演方法 |
| CN110887790A (zh) * | 2019-11-04 | 2020-03-17 | 华中科技大学 | 基于fvcom和遥感反演的城市湖泊富营养化模拟方法和*** |
| CN111339665A (zh) * | 2020-02-27 | 2020-06-26 | 中国科学院空天信息创新研究院 | 一种对流层臭氧廓线计算方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3413098B1 (en) * | 2017-05-31 | 2021-04-28 | Services Pétroliers Schlumberger | Geologic structural model generation |
| AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
-
2020
- 2020-07-15 CN CN202010681941.1A patent/CN111898314B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101221125A (zh) * | 2008-01-24 | 2008-07-16 | 浙江大学 | 用光谱技术测定富营养化水体特征参量的方法 |
| WO2011002272A1 (en) * | 2009-07-01 | 2011-01-06 | Universiti Sains Malaysia | Air pollution measuring and warning system |
| CN107271405A (zh) * | 2017-06-30 | 2017-10-20 | 中国水利水电科学研究院 | 一种多模型协同的水质参数浓度反演方法和装置 |
| CN110672805A (zh) * | 2019-10-08 | 2020-01-10 | 核工业北京地质研究院 | 一种基于航空高光谱数据的水库水质参数定量反演方法 |
| CN110887790A (zh) * | 2019-11-04 | 2020-03-17 | 华中科技大学 | 基于fvcom和遥感反演的城市湖泊富营养化模拟方法和*** |
| CN111339665A (zh) * | 2020-02-27 | 2020-06-26 | 中国科学院空天信息创新研究院 | 一种对流层臭氧廓线计算方法 |
Non-Patent Citations (3)
| Title |
|---|
| The lake water bloom intelligent prediction method and water quality remote monitoring system;Shigang Yue等;Proceedings 2010 Sixth International Conference on Natural Computation;3443-3446 * |
| 基于MODIS数据遥感反演呼伦湖水体总磷浓度及富营养化状态评价;王丽艳;李畅游;孙标;;环境工程学报(第12期);459-466 * |
| 陆地水体参数的卫星遥感反演研究进展;宋平;刘元波;刘燕春;;地球科学进展(第07期);51-60 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111898314A (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111879709B (zh) | 湖泊水体光谱反射率检验方法及装置 | |
| CN110081923B (zh) | 野外基线环境参数自动采集***故障检测方法与装置 | |
| CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
| CN114170478A (zh) | 基于跨图像局部特征对齐的缺陷检测、定位的方法及*** | |
| CN113655348A (zh) | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质 | |
| CN111898314B (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
| CN109272484B (zh) | 一种基于视频图像的降雨检测方法 | |
| CN107358162B (zh) | 基于深度堆栈网络的极化sar影像变化检测方法 | |
| CN111896497A (zh) | 一种基于预测值的光谱数据修正方法 | |
| CN110880170A (zh) | 一种复合材料缺陷的深度预测方法 | |
| CN116124716A (zh) | 基于近感高光谱的水质监测方法及装置 | |
| CN105954206B (zh) | 紫玉米叶片花色苷含量的测量方法及*** | |
| CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
| CN112070761B (zh) | 一种基于深度学习的明虾新鲜度无损检测方法 | |
| CN114998194A (zh) | 产品缺陷检测方法、***和存储介质 | |
| CN114529815A (zh) | 一种基于深度学习的流量检测方法、装置、介质及终端 | |
| CN113239075A (zh) | 一种施工数据自检方法及*** | |
| CN107123105A (zh) | 基于fast算法的图像匹配缺陷检测方法 | |
| CN101354357A (zh) | 一种分析树木年轮微密度图像的方法 | |
| CN117491357B (zh) | 一种涂料的质量监测方法及*** | |
| CN108763063A (zh) | 一种无需缺陷标注数据的软件缺陷检测方法 | |
| CN117274819B (zh) | 用于多类型海域智能化监测的遥感信息提取*** | |
| KR20200044172A (ko) | 표면검사를 위한 딥러닝 학습방법 | |
| CN117648537B (zh) | 基于超光谱技术的大气污染实时监测方法及*** | |
| CN117274082A (zh) | 一种基于遥感生态指数的水体生态环境质量分析方法及*** |
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 |