本發(fā)明涉及水質(zhì)遙感反演方法，尤其是涉及一種基于空譜融合與集成學(xué)習(xí)的水質(zhì)遙感反演方法。

背景技術(shù)：

1、水質(zhì)監(jiān)測是水質(zhì)狀況和水體管理的重要的參考依據(jù)，水質(zhì)狀況與人們的日常生活息息相關(guān)，所以很有必要研究如何大尺度、快捷、準(zhǔn)確的進(jìn)行水質(zhì)監(jiān)測。遙感技術(shù)已經(jīng)成為湖泊等水質(zhì)監(jiān)測的重要手段，水質(zhì)遙感反演的基本思想是首先利用水質(zhì)檢測數(shù)據(jù)和相對(duì)應(yīng)的遙感衛(wèi)星圖像數(shù)據(jù)建立回歸模型，然后對(duì)回歸模型經(jīng)過適當(dāng)?shù)尿?yàn)證，遙感衛(wèi)星圖像可以提供高精度插值，更有效地生成空間上明確的水質(zhì)圖，所以這種方法消耗更少的時(shí)間、人力成本?；诙喙庾V遙感影像的水質(zhì)反演方法已在水質(zhì)監(jiān)測領(lǐng)域得到了廣泛應(yīng)用。

2、現(xiàn)有的基于多光譜遙感影像的水質(zhì)反演方法依賴于水質(zhì)檢測數(shù)據(jù)和相應(yīng)的遙感衛(wèi)星圖像數(shù)據(jù)建立的回歸模型。當(dāng)前，將多光譜遙感衛(wèi)星影像中采樣點(diǎn)對(duì)應(yīng)像素的光譜波段值或波段組合(即遙感衛(wèi)星圖像數(shù)據(jù))作為自變量，采樣點(diǎn)的水質(zhì)參數(shù)濃度值(即水質(zhì)檢測數(shù)據(jù))作為因變量，分別作為回歸模型的輸入與輸出，對(duì)回歸模型進(jìn)行訓(xùn)練。但是，利用遙感技術(shù)得到的遙感衛(wèi)星圖像數(shù)據(jù)有的具有較高的空間分辨率，但光譜分辨率低，使得水質(zhì)反演精度低；有的具有較高的光譜分辨率，但空間分辨率低，限制了在中小型湖泊的應(yīng)用。

3、另外，地表水中水質(zhì)參數(shù)濃度較低，當(dāng)前基于多光譜遙感影像的水質(zhì)反演方法中僅使用單一機(jī)器學(xué)習(xí)器的回歸模型，以致信息的挖掘能力和泛化性較低，針對(duì)湖泊的水質(zhì)長時(shí)間序列變化動(dòng)態(tài)監(jiān)測方面存在很大局限，無法滿足當(dāng)前實(shí)際應(yīng)用的需要。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是提供一種在具有較高的水質(zhì)反演精度的同時(shí)，還能適用于中小型湖泊，且能夠適用于湖泊的水質(zhì)長時(shí)間序列變化動(dòng)態(tài)監(jiān)測，滿足當(dāng)前實(shí)際應(yīng)用需要的基于空譜融合與集成學(xué)習(xí)的水質(zhì)遙感反演方法。

2、本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為：一種基于空譜融合與集成學(xué)習(xí)的水質(zhì)遙感反演方法，通過構(gòu)建具有多尺度融合功能和深度殘差學(xué)習(xí)功能的空譜融合模型，并基于stacking策略構(gòu)建包括多種各不相同的基模型和一個(gè)元模型的集成學(xué)習(xí)回歸模型，采用所述的空譜融合模型對(duì)低空間分辨率的目標(biāo)水域的哨兵二號(hào)衛(wèi)星圖像和高分二號(hào)衛(wèi)星圖像特征進(jìn)行融合，得到高空間分辨率的哨兵二號(hào)衛(wèi)星圖像，提取高空間分辨率的哨兵二號(hào)衛(wèi)星圖像中水體的光譜波段數(shù)據(jù)，得到光譜波段數(shù)據(jù)，采用集成學(xué)習(xí)回歸模型的每個(gè)基模型分別對(duì)光譜波段數(shù)據(jù)進(jìn)行預(yù)測，得到多個(gè)初始預(yù)測結(jié)果，再采用集成學(xué)習(xí)回歸模型的元模型對(duì)多個(gè)初始預(yù)測結(jié)果進(jìn)行預(yù)測，得到水質(zhì)反演數(shù)據(jù)。

3、所述的空譜融合模型包括兩個(gè)特征提取單元、一個(gè)多尺度融合單元以及一個(gè)拼接模塊，將該拼接模塊稱為第一拼接模塊；將兩個(gè)特征提取單元分別稱為第一特征提取單元和第二特征提取單元；所述的第一特征提取單元用于對(duì)目標(biāo)水域的哨兵二號(hào)衛(wèi)星圖像進(jìn)行特征提取，得到哨兵二號(hào)衛(wèi)星圖像特征輸出至所述的多尺度融合單元，所述的第二特征提取單元用于對(duì)目標(biāo)水域的高分二號(hào)衛(wèi)星圖像進(jìn)行特征提取，得到高分二號(hào)衛(wèi)星圖像特征輸出至所述的多尺度融合單元；所述的多尺度融合單元用于對(duì)輸出至其處的哨兵二號(hào)衛(wèi)星圖像特征和高分二號(hào)衛(wèi)星圖像特征進(jìn)行多尺度融合，得到融合后的高空間分辨率衛(wèi)星圖像輸出至所述的拼接模塊；所述的第一拼接模塊用于對(duì)融合后的高空間分辨率衛(wèi)星圖像和目標(biāo)水域的哨兵二號(hào)衛(wèi)星圖像進(jìn)行拼接，得到高空間分辨率的哨兵二號(hào)衛(wèi)星圖像。

4、每個(gè)所述的特征提取單元均包括n個(gè)特征提取模塊，n為大于等于4的整數(shù)；每個(gè)特征提取模塊均包括4個(gè)第一卷積模塊，每個(gè)第一卷積模塊均包括一個(gè)卷積層和一個(gè)prelu激活函數(shù)，將該卷積層稱為第一卷積層，將該prelu激活函數(shù)稱為第一prelu激活函數(shù)，所述的第一卷積層和所述的第一prelu激活函數(shù)均具有輸入端和輸出端，所述的第一卷積層的輸出端和所述的第一prelu激活函數(shù)的輸入端連接；每個(gè)特征提取模塊的每個(gè)第一卷積模塊中，所述的第一卷積層用于對(duì)其輸入端接入的圖像特征進(jìn)行局部特征提取，得到局部圖像特征通過其輸出端輸出至所述的第一prelu激活函數(shù)的輸入端，所述的第一prelu激活函數(shù)用于對(duì)其輸入端接入的圖像特征進(jìn)行非線性變換，得到對(duì)應(yīng)的圖像特征通過其輸出端輸出，所述的第一卷積層的輸入端為所述的第一卷積模塊的輸入端，所述的第一prelu激活函數(shù)的輸出端為所述的第一卷積模塊的輸出端；每個(gè)特征提取模塊中，第p個(gè)第一卷積模塊的輸出端與第p+1個(gè)第一卷積模塊的輸入端連接，第1個(gè)第一卷積模塊的輸入端和第4個(gè)第一卷積模塊的輸出端連接，p＝1,2,3，第1個(gè)第一卷積模塊的輸入端作為特征提取模塊的輸入端，第4個(gè)第一卷積模塊的輸出端作為特征提取模塊的輸出端；n個(gè)特征提取模塊中，第i個(gè)特征提取模塊的輸出端與第i+1個(gè)特征提取模塊的輸入端連接，i＝1,2,3,…,n-1；第1個(gè)特征提取模塊的輸入端為所述的特征提取單元的輸入端，第k個(gè)特征提取模塊的輸出端為所述的特征提取單元的第k個(gè)輸出端，k＝1,2,3,…,n；所述的第一特征提取單元的輸入端用于接入目標(biāo)水域的哨兵二號(hào)衛(wèi)星圖像，所述的第一特征提取單元的第k個(gè)輸出端用于輸出其內(nèi)第k個(gè)特征提取模塊提取的哨兵二號(hào)衛(wèi)星圖像特征至所述的多尺度融合單元；所述的第二特征提取單元的輸入端用于接入目標(biāo)水域的高分二號(hào)衛(wèi)星圖像，所述的第二特征提取單元的第k個(gè)輸出端用于輸出其內(nèi)第k個(gè)特征提取模塊提取的高分二號(hào)衛(wèi)星圖像特征至所述的多尺度融合單元。

5、所述的多尺度融合單元包括n個(gè)多尺度融合模塊和n-1個(gè)淺層融合模塊；每個(gè)多尺度融合模塊均包括1個(gè)計(jì)算模塊和4個(gè)第二卷積模塊，每個(gè)計(jì)算模塊具有兩個(gè)輸入端和一個(gè)輸出端，將其兩個(gè)輸入端分別稱為第一輸入端和第二輸入端，所述的計(jì)算模塊的第一輸入端用于接入哨兵二號(hào)衛(wèi)星圖像特征，第二輸入端用于接入高分二號(hào)衛(wèi)星圖像特征，所述的計(jì)算模塊用于將其接入的哨兵二號(hào)衛(wèi)星圖像特征和高分二號(hào)衛(wèi)星圖像特征進(jìn)行差值運(yùn)算，得到差值圖像特征通過其輸出端輸出；每個(gè)第二卷積模塊均包括一個(gè)卷積層和一個(gè)prelu激活函數(shù)，將該卷積層稱為第二卷積層，將該prelu激活函數(shù)稱為第二prelu激活函數(shù)，所述的第二卷積層和所述的第二prelu激活函數(shù)均具有輸入端和輸出端，所述的第二卷積層的輸出端和所述的第二prelu激活函數(shù)的輸入端連接；每個(gè)多尺度融合模塊的每個(gè)第二卷積模塊中，所述的第二卷積層用于對(duì)其輸入端接入的圖像特征進(jìn)行局部特征提取，得到局部圖像特征通過其輸出端輸出至所述的第二prelu激活函數(shù)的輸入端，所述的第二prelu激活函數(shù)用于對(duì)其輸入端接入的圖像特征進(jìn)行非線性變換，得到對(duì)應(yīng)的圖像特征通過其輸出端輸出，所述的第二卷積層的輸入端為所述的第二卷積模塊的輸入端，所述的第二prelu激活函數(shù)的輸出端為所述的第二卷積模塊的輸出端；每個(gè)多尺度融合模塊中，所述的計(jì)算模塊的第一輸入端為所述的多尺度融合模塊的第一輸入端，所述的計(jì)算模塊的第二輸入端為所述的多尺度融合模塊的第二輸入端，所述的計(jì)算模塊的輸出端分別與4個(gè)第二卷積模塊的輸入端連接，第1個(gè)第二卷積模塊的輸出端分別與第2個(gè)第二卷積模塊的輸入端、第3個(gè)第二卷積模塊的輸入端和第4個(gè)第二卷積模塊的輸入端連接，第3個(gè)第二卷積模塊的輸出端與第4個(gè)第二卷積模塊的輸入端連接，第4個(gè)第二卷積模塊的輸出端為多尺度融合模塊的輸出端；每個(gè)淺層融合模塊均包括1個(gè)拼接模塊和1個(gè)卷積層組成，將該拼接模塊稱為第二拼接模塊，將該卷積層稱為第三卷積層，所述的第二拼接模塊具有兩個(gè)輸入端和一個(gè)輸出端，所述的第三卷積層具有輸入端和輸出端，所述的第二拼接模塊的輸出端和第三卷積層的輸入端連接，所述的第二拼接模塊的兩個(gè)輸入端為所述的淺層融合模塊的兩個(gè)輸入端，第三卷積層的輸出端為所述的淺層融合模塊的輸出端，第1個(gè)多尺度融合模塊的輸出端和第2個(gè)多尺度融合模塊的輸出端與第1個(gè)淺層融合模塊的兩個(gè)輸入端一一對(duì)應(yīng)連接，第j個(gè)淺層融合模塊的輸出端和第j+2個(gè)多尺度融合模塊的輸出端與第j+1個(gè)淺層融合模塊的兩個(gè)輸入端一一對(duì)應(yīng)連接，j＝1,2，…,n-2；第k個(gè)多尺度融合模塊的第一輸入端與所述的第一特征提取單元的第k個(gè)輸出端連接，第k個(gè)多尺度融合模塊的第二輸入端與所述的第二特征提取單元的第k個(gè)輸出端連接，所述的第一拼接模塊具有第一輸入端、第二輸入端和輸出端，第n-1個(gè)淺層融合模塊的輸出端和所述的第一拼接模塊的第一輸入端連接，所述的第一拼接模塊的第二輸入端用于接入目標(biāo)水域的哨兵二號(hào)衛(wèi)星圖像。

6、所述的空譜融合模型在訓(xùn)練后對(duì)低空間分辨率的目標(biāo)水域的哨兵二號(hào)衛(wèi)星圖像和高分二號(hào)衛(wèi)星圖像特征進(jìn)行融合，在對(duì)目標(biāo)水域進(jìn)行預(yù)測前，所述的集成學(xué)習(xí)回歸模型也需要進(jìn)行訓(xùn)練，所述的空譜融合模型和所述的集成學(xué)習(xí)回歸模型的具體訓(xùn)練過程為：

7、步驟1、選擇某一水域作為參考水域，從自然資源衛(wèi)星遙感云服務(wù)平臺(tái)獲取參考水域的n幅原始高分二號(hào)衛(wèi)星圖像，并從歐空局的copernicus開放數(shù)據(jù)平臺(tái)獲取參考水域的n幅原始哨兵二號(hào)衛(wèi)星圖像，n為大于等于6的整數(shù)，對(duì)n幅原始高分二號(hào)衛(wèi)星圖像和n幅原始哨兵二號(hào)衛(wèi)星圖像分別進(jìn)行中心化裁剪，確保裁剪完的n幅原始高分二號(hào)衛(wèi)星圖像尺寸和n幅原始哨兵二號(hào)衛(wèi)星圖像尺寸為256像素的整數(shù)倍，并進(jìn)行圖像配準(zhǔn)，得到n幅預(yù)處理后的高分二號(hào)衛(wèi)星圖像和n幅預(yù)處理后的哨兵二號(hào)衛(wèi)星圖像；

8、步驟2、根據(jù)高分二號(hào)衛(wèi)星圖像和哨兵二號(hào)衛(wèi)星圖像波段特點(diǎn)，每幅預(yù)處理后的高分二號(hào)衛(wèi)星圖像均包括b1、b2、b3和b4這四個(gè)波段，每幅預(yù)處理后的哨兵二號(hào)衛(wèi)星圖像均包括b2、b3、b4、b5、b6、b7、b8及b8a這八個(gè)波段；利用高分二號(hào)衛(wèi)星圖像光譜響應(yīng)函數(shù)，將n幅預(yù)處理后的高分二號(hào)衛(wèi)星圖像按照b1、b2、b3和b4這四個(gè)波段劃分為四組，得到四組預(yù)處理后的高分二號(hào)衛(wèi)星圖像，第一組包括具有b1波段的n幅預(yù)處理后的高分二號(hào)衛(wèi)星圖像，第二組包括具有b2波段的n幅預(yù)處理后的高分二號(hào)衛(wèi)星圖像，第三組包括具有b3波段的n幅預(yù)處理后的高分二號(hào)衛(wèi)星圖像，第四組包括具有b4波段的n幅預(yù)處理后的高分二號(hào)衛(wèi)星圖像，四組預(yù)處理后的高分二號(hào)衛(wèi)星圖像合計(jì)共4n幅單波段的高分二號(hào)衛(wèi)星圖像；利用哨兵二號(hào)衛(wèi)星圖像光譜響應(yīng)函數(shù)，將n幅預(yù)處理后的哨兵二號(hào)衛(wèi)星圖像的b2、b3、b4、b5、b6、b7、b8及b8a這八個(gè)波段劃分為四組，得到四組預(yù)處理后的哨兵二號(hào)衛(wèi)星圖像，第一組包括具有b2波段的n幅預(yù)處理后的哨兵二號(hào)衛(wèi)星圖像，第二組包括具有b3波段的n幅預(yù)處理后的哨兵二號(hào)衛(wèi)星圖像，第三組包括具有b4波段的n幅預(yù)處理后的哨兵二號(hào)衛(wèi)星圖像，第四組包括具有b5波段、b6波段、b7波段、b8波段和b8a波段的n幅預(yù)處理后的哨兵二號(hào)衛(wèi)星圖像，四組預(yù)處理后的哨兵二號(hào)衛(wèi)星圖像合計(jì)共3n幅單波段的哨兵二號(hào)衛(wèi)星圖像以及n幅符合波段的哨兵二號(hào)衛(wèi)星圖像；此時(shí)得到3n幅單波段的高分二號(hào)衛(wèi)星圖像和n幅復(fù)合波段的哨兵二號(hào)衛(wèi)星圖像，合計(jì)4n幅哨兵二號(hào)衛(wèi)星圖像；

9、步驟3、利用4n幅高分二號(hào)衛(wèi)星圖像和4n幅哨兵二號(hào)衛(wèi)星圖像構(gòu)建樣本集，得到包含4n幅高分二號(hào)衛(wèi)星圖像和4n幅哨兵二號(hào)衛(wèi)星圖像的樣本集；

10、步驟4、將樣本集中4n幅高分二號(hào)衛(wèi)星圖像和4n幅哨兵二號(hào)衛(wèi)星圖像均裁剪為多個(gè)大小為256像素×256像素的小塊圖像，步長為128像素，得到裁剪后的多個(gè)小塊高分二號(hào)衛(wèi)星圖像和多個(gè)小塊哨兵二號(hào)衛(wèi)星圖像；

11、步驟5、利用裁剪后的多個(gè)小塊高分二號(hào)衛(wèi)星圖像和多個(gè)小塊哨兵二號(hào)衛(wèi)星圖像構(gòu)建數(shù)據(jù)集，得到包含多個(gè)小塊高分二號(hào)衛(wèi)星圖像和多個(gè)小塊哨兵二號(hào)衛(wèi)星圖像的數(shù)據(jù)集，該數(shù)據(jù)集即為空譜融合數(shù)據(jù)集；

12、步驟6、將空譜融合數(shù)據(jù)集按比例劃分為訓(xùn)練集和測試集，其中訓(xùn)練集包含數(shù)據(jù)集總數(shù)的70％，如果數(shù)據(jù)集總數(shù)的70％不為整數(shù)，則向上取整，其余部分作為測試集；

13、步驟7、將訓(xùn)練集輸入到空譜融合模型，并采用adam優(yōu)化算法對(duì)空譜融合模型進(jìn)行訓(xùn)練，使用測試集驗(yàn)證空譜融合模型的精度，直至精度滿足使用需求，得到訓(xùn)練后的空譜融合模型；

14、步驟8、在需要對(duì)目標(biāo)水域水質(zhì)參數(shù)進(jìn)行反演時(shí)，獲取該目標(biāo)區(qū)域的水質(zhì)數(shù)據(jù)、地理位置數(shù)據(jù)和哨兵二號(hào)衛(wèi)星圖像數(shù)據(jù)；

15、步驟9、采用步驟1至步驟5相同的方法對(duì)步驟8的哨兵二號(hào)衛(wèi)星圖像數(shù)據(jù)進(jìn)行處理，得到多個(gè)小塊哨兵二號(hào)衛(wèi)星圖像后，將多個(gè)小塊哨兵二號(hào)衛(wèi)星圖像拼接輸入訓(xùn)練后的空譜融合模型中，利用訓(xùn)練后的空譜融合模型生成高空間分辨率的哨兵二號(hào)衛(wèi)星圖像提取生成的高空間分辨率的哨兵二號(hào)衛(wèi)星圖像的光譜波段數(shù)據(jù)，將提取的光譜波段數(shù)據(jù)和步驟s8中的水質(zhì)數(shù)據(jù)、地理位置數(shù)據(jù)構(gòu)建水質(zhì)反演數(shù)據(jù)集，得到水質(zhì)反演數(shù)據(jù)集；

16、步驟10、采用步驟9得到的水質(zhì)反演數(shù)據(jù)集對(duì)所述的集成學(xué)習(xí)回歸模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的集成學(xué)習(xí)回歸模型。

17、在對(duì)目標(biāo)水域進(jìn)行水質(zhì)遙感反演時(shí)，從自然資源衛(wèi)星遙感云服務(wù)平臺(tái)獲取目標(biāo)水域的高分二號(hào)衛(wèi)星圖像、歐空局的copernicus開放數(shù)據(jù)平臺(tái)獲取目標(biāo)水域的哨兵二號(hào)衛(wèi)星圖像后，先對(duì)目標(biāo)水域的高分二號(hào)衛(wèi)星圖像和目標(biāo)水域的哨兵二號(hào)衛(wèi)星圖像按照步驟1至步驟5的方法處理為多個(gè)小塊高分二號(hào)衛(wèi)星圖像和多個(gè)小塊哨兵二號(hào)衛(wèi)星圖像后，再將多個(gè)小塊高分二號(hào)衛(wèi)星圖像和多個(gè)小塊哨兵二號(hào)衛(wèi)星圖像一一對(duì)應(yīng)后，相對(duì)應(yīng)的一個(gè)小塊高分二號(hào)衛(wèi)星圖像和一個(gè)小塊哨兵二號(hào)衛(wèi)星圖像構(gòu)成一個(gè)組合，得到多個(gè)組合，將每個(gè)組合的小塊高分二號(hào)衛(wèi)星圖像和小塊哨兵二號(hào)衛(wèi)星圖像輸入訓(xùn)練后的空譜融合模型中進(jìn)行預(yù)測，得到對(duì)應(yīng)的高空間分辨率的哨兵二號(hào)衛(wèi)星圖像。每個(gè)組合得到一個(gè)高空間分辨率的哨兵二號(hào)衛(wèi)星圖像，多個(gè)小塊高分二號(hào)衛(wèi)星圖像和多個(gè)小塊哨兵二號(hào)衛(wèi)星圖像構(gòu)成的多個(gè)組合得到多個(gè)高空間分辨率的哨兵二號(hào)衛(wèi)星圖像，分別提取每個(gè)高空間分辨率的哨兵二號(hào)衛(wèi)星圖像的光譜波段數(shù)據(jù)輸入到訓(xùn)練后的集成學(xué)習(xí)回歸模型，集成學(xué)習(xí)回歸模型輸出對(duì)應(yīng)的水質(zhì)反演數(shù)據(jù)。

18、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于通過構(gòu)建具有多尺度融合功能和深度殘差學(xué)習(xí)功能的空譜融合模型，并基于stacking策略構(gòu)建包括多種各不相同的基模型和一個(gè)元模型的集成學(xué)習(xí)回歸模型，采用空譜融合模型對(duì)低空間分辨率的目標(biāo)水域的哨兵二號(hào)衛(wèi)星圖像和高分二號(hào)衛(wèi)星圖像特征進(jìn)行融合，得到高空間分辨率的哨兵二號(hào)衛(wèi)星圖像，提取高空間分辨率的哨兵二號(hào)衛(wèi)星圖像中水體的光譜波段數(shù)據(jù)，得到光譜波段數(shù)據(jù)，采用集成學(xué)習(xí)回歸模型的每個(gè)基模型分別對(duì)光譜波段數(shù)據(jù)進(jìn)行預(yù)測，得到多個(gè)初始預(yù)測結(jié)果，再采用集成學(xué)習(xí)回歸模型的元模型對(duì)多個(gè)初始預(yù)測結(jié)果進(jìn)行預(yù)測，得到水質(zhì)反演數(shù)據(jù)，由于空譜融合模型集成有多尺度融合功能和深度殘差學(xué)習(xí)功能，具有較高的信息的挖掘能力和泛化性，空譜融合模型能夠?qū)Φ涂臻g分辨率的目標(biāo)水域的哨兵二號(hào)衛(wèi)星圖像和高分二號(hào)衛(wèi)星圖像特征進(jìn)行融合，得到高空間分辨率的哨兵二號(hào)衛(wèi)星圖像，再基于高空間分辨率的哨兵二號(hào)衛(wèi)星圖像來獲取光譜波段數(shù)據(jù)作為空譜融合模型的輸入進(jìn)行水質(zhì)反演，由此本發(fā)明在具有較高的水質(zhì)反演精度的同時(shí)，還能適用于中小型湖泊，且能夠適用于湖泊的水質(zhì)長時(shí)間序列變化動(dòng)態(tài)監(jiān)測，滿足當(dāng)前實(shí)際應(yīng)用需要。