1.基于决策树模型的现代海洋牧场选址可靠性评估方法,其特征在于,所述方法包括以下步骤:S100,获取待评估海域在历史时间段内的水色遥感图像;
S200,在水色遥感图像标记多个感兴趣区域并且进行预处理提取感兴趣区域的子图像;
S300,对各个子图像进行修正边界操作获得修正边界子图像;
S400,通过所有水色遥感图像中的修正边界子图像对决策树模型进行训练获得预训练的决策树模型;
S500,利用预训练的决策树模型对待评估海域中的海洋牧场选址区域识别是否是可靠性高的海洋牧场选址区域;
在S300中,具体包括以下步骤:
分别对各个子图像进行灰度化获得灰度子图像;
计算各个灰度子图像的水色通道程度;
筛选出水色通道程度小于所有灰度子图像的平均水色通道程度的灰度子图像作为待修正边界子图像;
对待修正边界子图像进行修正边界操作获得修正边界子图像;
其中,计算各个灰度子图像的水色通道程度的方法为:
令灰度子图像构成的集合为Areas={Areas
以Areas
计算灰度子图像Areas
Tunnel
其中,对待修正边界子图像进行修正边界操作获得修正边界子图像的方法包括:按照待修正边界子图像的水色通道程度的大小顺序将待修正边界子图像构成集合EdgeStre={EdgeStre从j=2开始,在j的取值范围内,依次对EdgeStre记EdgeStre
以EdgeStre
在序号小于j的所有待修正边界子图像中搜索边界线上叶绿素含量最大的点的叶绿素含量与EdgeStre以EdgeStable的边界线上叶绿素含量最大的点为StabMaxP;以EdgeStable的边界线上叶绿素含量最小的点为StabMinP;以EdgeStable的边界线上从StabMaxP到StabMinP的水色流方向之间的曲线记为修正边界曲线FixLine;
删除EdgeStre
将复制的修正边界曲线FixLine的StabMaxP点记为C端点、复制的修正边界曲线的StabMinP点记为D端点;
将曲线FixLine等比例缩放到C端点和D端点之间的距离与A端点和B端点之间的距离相等大小记为曲线UpFixLine;
将曲线UpFixLine整体移动到C端点与A端点重合、D端点与B端点重合重新构成EdgeStre将修正边界后的待修正边界子图像EdgeStre
2.根据权利要求1所述的基于决策树模型的现代海洋牧场选址可靠性评估方法,其特征在于,还包括:S600,将可靠性高的海洋牧场选址区域的对应位置的选址地点输出到对应的GIS地图到客户端显示或者输出到数据库中存储。
3.根据权利要求1所述的基于决策树模型的现代海洋牧场选址可靠性评估方法,其特征在于,在S200中,在水色遥感图像标记多个感兴趣区域并且进行预处理提取感兴趣区域的子图像的方法包括以下步骤:在水色遥感图像中的水色遥感图像中标记多个感兴趣区域;对各个感兴趣区域进行底帽变换并且以阈值分割提取感兴趣区域的图像作为子图像。
4.根据权利要求1所述的基于决策树模型的现代海洋牧场选址可靠性评估方法,其特征在于,在S400中,决策树模型为XGBoost模型。
5.根据权利要求1所述的基于决策树模型的现代海洋牧场选址可靠性评估方法,其特征在于,通过所有水色遥感图像中的修正边界子图像对决策树模型进行训练获得预训练的决策树模型的方法为:将所有水色遥感图像中各个子图像划分为训练集和验证集,具体为:将修正边界子图像作为正样本标注为1,筛选出水色通道程度大于所有灰度子图像的平均水色通道程度的灰度子图像作为负样本标注为0,从而完成样本的标注;由标注后的正样本和负样本构成将训练样本集;将训练样本集按照4:1的比例划分为训练集和验证集,训练集用于训练决策树模型,验证集用于验证训练后的决策树模型的预测性能;
使用训练集和验证集对决策树模型进行训练获得预训练的决策树模型。
6.根据权利要求5所述的基于决策树模型的现代海洋牧场选址可靠性评估方法,其特征在于,使用训练集和验证集对决策树模型进行训练的方法为:提取训练集的特征并输入决策树模型,采用网格搜索方法对决策树模型中超参数进行优化,按照优化后的超参数对决策树模型进行重新训练,获得训练好的预训练的决策树模型。