1.一种基于高光谱遥感影像的水体叶绿素a浓度反演方法,其特征在于,包括:对获取到的覆盖目标水域的原始高光谱遥感影像进行预处理和水体像元提取,得到水体像元子集;
将卫星过境同期实测的叶绿素a浓度点与所述水体像元子集进行空间配准,形成标注样本集;
依次对所述标注样本集应用预设的光谱特征库中的每一种候选特征构造方法,分别生成对应的特征矩阵;
针对每个特征矩阵,逐一调用机器学习模型库中的各算法执行折交叉验证,计算统一评分函数值;
比较全部所述统一评分函数值,选取得分最高的特征矩阵与算法的配对组合,作为最优特征-模型组合;
将所述水体像元子集输入至所述最优特征-模型组合中执行浓度预测处理,生成叶绿素a浓度空间分布图及配套的质量控制图层。
2.根据权利要求1所述的基于高光谱遥感影像的水体叶绿素a浓度反演方法,其特征在于,对获取到的覆盖目标水域的原始高光谱遥感影像进行预处理和水体像元提取,得到水体像元子集,包括:对所述原始高光谱遥感影像执行辐射定标与大气校正,获得水面以上反射率图像;
针对所述反射率图像中每一像元,计算水体指数值;
将所述水体指数值与预设的判别阈值进行比较,当所述水体指数值大于所述判别阈值时,将对应像元分类为水体像元,赋值为1;否则分类为非水体像元,赋值为0;
基于所有像元的分类结果生成与所述高光谱遥感影像空间尺寸一致的二值掩模图层;
利用所述二值掩模图层在反射率图像中识别出水体区域,并提取对应的像元数据作为所述水体像元子集。
3.根据权利要求2所述的基于高光谱遥感影像的水体叶绿素a浓度反演方法,其特征在于,将卫星过境同期实测的叶绿素a浓度点与所述水体像元子集进行空间配准,形成标注样本集,包括:获取卫星过境当日对应目标水域的地面实测数据;所述地面实测数据包括采样时间、经纬度坐标与叶绿素a浓度值;
基于所述经纬度坐标与所述原始高光谱遥感影像的地理配准信息,在所述水体像元子集中查找与每个所述经纬度坐标最近邻的有效像元;
针对每个所述经纬度坐标提取对应像元的高光谱反射率向量,并与所述经纬度坐标的叶绿素a浓度值进行配对,形成样本条目;
将所有配对完成的样本条目组成所述标注样本集。
4.根据权利要求3所述的基于高光谱遥感影像的水体叶绿素a浓度反演方法,其特征在于,基于所述经纬度坐标与所述原始高光谱遥感影像的地理配准信息,在所述水体像元子集中查找与每个所述经纬度坐标最近邻的有效像元,包括:将每个所述经纬度坐标按照所述原始高光谱遥感影像的地理配准矩阵转换为影像使用的投影平面坐标;
利用所述投影平面坐标与所述地理配准矩阵中的像元分辨率、影像左上角坐标计算目标像元的行索引和列索引;
以所述行索引和所述列索引为中心创建3×3像元窗口,在窗口内筛选掩模值为1且数据完整的像元作为候选像元;
计算所述经纬度坐标与各所述候选像元中心点的欧氏距离,选取距离最小的像元作为最近邻的有效像元。
5.根据权利要求4所述的基于高光谱遥感影像的水体叶绿素a浓度反演方法,其特征在于,所述行索引和所述列索引的计算公式分别为:其中,和分别为所述列索引和所述行索引,和分别为连续列、行坐标值,,,和分别为所述经纬度坐标与左上角像元中心的投影平面横向、纵向距离,为原始高光谱遥感影像列方向上的像元分辨率;为原始高光谱遥感影像行方向上的像元分辨率,和分别表示列方向与行方向之间的水平方向与垂直方向的旋转耦合量,用于表示原始高光谱遥感影像存在非正交姿态时的几何偏移关系,表示原始高光谱遥感影像配准仿射矩阵的行列式,用于归一化坐标变换;表示取整函数。
6.根据权利要求1所述的基于高光谱遥感影像的水体叶绿素a浓度反演方法,其特征在于,依次对所述标注样本集应用预设的光谱特征库中的每一种候选特征构造方法,分别生成对应的特征矩阵,包括:依据预设顺序从所述光谱特征库中读取每一种候选特征构造方法的函数定义及参数模板;
针对每个候选特征构造方法,逐条调用所述标注样本集中的高光谱反射率向量,执行特征计算,获得对应的样本特征行向量;
按照在所述标注样本集中的既定顺序,将全部样本特征行向量按行堆叠,形成特征维度与当前的候选特征构造方法输出维度一致的特征矩阵;
将所述特征矩阵与候选特征构造方法的唯一标识进行关联存储,完成一一对应的特征和方法映射。
7.根据权利要求6所述的基于高光谱遥感影像的水体叶绿素a浓度反演方法,其特征在于,针对每个候选特征构造方法,逐条调用所述标注样本集中的高光谱反射率向量,执行特征计算,获得对应的样本特征行向量,包括:按所述预设顺序将所述标注样本集的全部所述高光谱反射率向量拼接为二维反射率矩阵;其中,为样本数量,为波段数量;
从当前的所述候选特征构造方法读取波段权重向量及特征构造方法预设的非线性变换函数,构成向量化特征算子;
对所述二维反射率矩阵与所述波段权重向量进行元素乘法,得到中间矩阵;其中,为长度为的全列向量,用于将扩展至与行数一致的维度;
在中间矩阵上逐元素调用特征变换函数,得到特征矩阵;其中,第行为所述样本特征行向量;为第个样本的高光谱反射率向量。
8.根据权利要求7所述的基于高光谱遥感影像的水体叶绿素a浓度反演方法,其特征在于,针对每个特征矩阵,逐一调用机器学习模型库中的各算法执行折交叉验证,计算统一评分函数值,包括:将所述特征矩阵与对应的叶绿素a浓度标签向量进行对应组合,得到训练数据对;
从所述机器学习模型库中依次选取每一个候选回归算法模型,并基于所述训练数据对执行折交叉验证训练与验证过程,得到所述候选回归算法模型下的预测向量;
计算所述预测向量与叶绿素a浓度标签向量之间的决定系数、均方根误差和平均绝对误差;
将决定系数、均方根误差和平均绝对误差代入统一评分函数,得到所述统一评分函数值;其中,均为权重系数,满足,且,分别为所述特征矩阵下所有候选回归算法模型对应误差中的最大RMSE与最大MAE;为每对特征构造方法与模型算法所对应的所述统一评分函数值。
9.根据权利要求1所述的基于高光谱遥感影像的水体叶绿素a浓度反演方法,其特征在于,比较全部所述统一评分函数值,选取得分最高的特征矩阵与算法的配对组合,作为最优特征-模型组合,包括:将所述统一评分函数值与对应的组合编号建立映射关系;
识别出具有最高所述统一评分函数值的组合编号;
根据具有最高所述统一评分函数值的组合编号确定对应的特征构造方法与机器学习模型算法,作为当前任务下的最优特征-模型组合。
10.根据权利要求1所述的基于高光谱遥感影像的水体叶绿素a浓度反演方法,其特征在于,将所述水体像元子集输入至所述最优特征-模型组合中执行浓度预测处理,生成叶绿素a浓度空间分布图及配套的质量控制图层,包括:基于所述最优特征-模型组合中的最优特征构造方法,对所述水体像元子集中每个像元的高光谱反射率向量进行特征转换,生成对应的像元特征数据矩阵;
将所述像元特征数据矩阵输入至所述最优特征-模型组合中的最优机器学习模型,执行浓度预测,获得全部水体像元的叶绿素a浓度预测值;
将全部水体像元的叶绿素a浓度预测值按照在水体像元子集中的空间位置进行重构,生成具有与原始高光谱遥感影像空间一致性的所述叶绿素a浓度空间分布图;
同步记录每个像元在预测过程中的特征完整性状态、模型响应置信程度及遮云遮蔽标记信息,生成对应的所述质量控制图层。