(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210561763.8 (22)申请日 2022.05.23 (71)申请人 中国科学院东北地理与农业 生态研 究所 地址 130102 吉林省长 春市高新 技术产业 开发区长东北核心区盛北 大街4888号 (72)发明人 李思佳　刘阁　宋开山　 (74)专利代理 机构 哈尔滨市文 洋专利代理事务 所(普通合伙) 23210 专利代理师 范欣 (51)Int.Cl. G01N 21/25(2006.01) G01N 21/49(2006.01) G06N 3/08(2006.01) G06V 10/762(2022.01) (54)发明名称 基于光学水体类型和BP神经网络算法构建 BP-TURB的湖泊浊度制图方法 (57)摘要 基于光学水体类型和BP神经网络算法构建 BP‑TURB的湖泊浊度制图方法， 它涉及一种基于 光学水体类型和模型的湖泊浊度制图方法。 本发 明为了解决现有算法限制了浊度反演模型对光 学多样性水体适用性的技术问题。 方法构建过 程： 基于连续三年全国典型内陆湖泊水体星地同 步数据， 分析其水体光学特性与水质参数特征， 并筛选湖泊水体中对浊度变化敏感的波段反射 率组合； 对波段反射率聚类成为3类， BP神经网络 作为输入变量， 构建不同反射率光谱聚类特征下 的湖泊浊度反演算法； 最后将建立后的BP ‑TURB 算法耦合浊度敏感波段线性斜率中值分割法运 用到MSI影像上， 准确反演并获取湖泊浊度的年 际变化规律及其空间分布。 本方法技术路线能够 实现湖泊浊度的长期高精度监测， 具有 普适性。 权利要求书3页 说明书12页 附图8页 CN 114965300 A 2022.08.30 CN 114965300 A 1.基于光学水体类型和BP神经网络算法构建BP ‑TURB的湖泊浊度制图方法， 其特征在 于， 包括如下步骤： 一、 采集不同湖区湖泊的浊度实测数据； 二、 结合星地同步数据， 将哨兵 ‑2号卫星搭载的MSI传感器Level  1C遥感影像经过重采 样预处理和大气校正， 提取湖泊和水库水体采样点3 ×3像元的归一化离水反射率， 得到的 第一波段至第六波段的归一化离水反射率值依次记为rhown1、 rhown2、 rhown3、 rhown4、 rhown5和rhown6， 结合实测湖泊浊度构建Turb反演数据集， Turb反演数据集由实测湖泊浊 度和rhown数据集组成， 并以反演的湖泊浊度为输出， 构建湖泊浊度反演算法； 三、 将获取的rhown1、 rhown2、 rhown3、 rhown4、 rhown5和rhown6波段的水体光谱类型曲 线图进行k ‑means聚类分析， 光谱波段聚类组数为3类， 即为Cluster ‑1聚类组、 Cluster ‑2聚 类组和Cluster ‑3聚类组； 四、 BP机器学习模型训练： 输入为6维的特征， 包括rhown1、 rhown2、 rhown3、 rhown4、 rhown5和rhown6， 根据水体光学类型和实测湖泊浊度， 还使用了与实测浊度相关的波段组 合， 同步作为BP机器学习模型训练输入变量， 不同聚类组， BP机器学习模型输入变量如下： ①Cluster‑1聚类组： rhown1、 rhown2、 rhown3、 rhown4、 rhown5、 rhown6和实测湖泊浊度 值； ②Cluster ‑2聚类组： rhown1、 rhown2、 rhown3、 rhown4、 rhown5、 rhown6、 (rhown4 × rhown5×rhown6)/r hown1、 (r hown3×rhown4×rhown5)/r hown1、 rhown5×rhown6/rhown2、 (rhown5+rhown6)/rhown3、 (rhown5+rhown6)/rhown1、 (rhown4+rhown5+rhown2)/rhown1、 rhown5×rhown6和实测湖泊浊度； ③Cluster ‑3聚类组： rhown1、 rhown2、 rhown3、 rhown4、 rhown5、 rhown6、 (rhown5 × rhown6)/rhown2、 ( rhown5×rhown4)/rhown2、 (rhown5 ×rhown6)/rhown4、 (rhown2 × rhown5×rhown4)/rhown1、 ( rhown3×rhown6)/rhown1、 (rhown4 ×rhown5×rhown6)/ rhown1、 (rhown5 ×rhown4)/rhown1、 (rhown6 ×rhown4)/rhown1、 (rhown5 ×rhown6)/ rhown1、 rhown5×rhown6、 (r hown2×rhown6)/r hown1、 (r hown2×rhown5×rhown6)/r hown1 和实测湖泊浊度值； 五、 基于模型训练过程进行参数调优： 基于尽量少的隐藏层数量、 尽量少的神经元数 量、 尽量高的学习率和适当的激活函数这一原则进 行参数调优， 获取最优的模型参数， 即实 测与估测线性回归R2拟合系数最大， 且实测与估测值1:1拟合 斜率接近1； 六、 将三分之二的步骤三获取的rhown数据集和匹配的实测浊度数据用于构 建湖泊BP ‑ TURB反演模型， 记为BP ‑TURB Cluster‑1反演模型、 BP ‑TURB Cluster‑2反演模型和BP ‑TURB  Cluster‑3反演模型； 七、 步骤六中剩余三分之一的数据用于湖 泊BP‑TURB反演模型的精度验证， 基于均方根 误差RMSE和平均绝对误差 MAE对模型性能进行评价， 所述精度验证的表达式如下： 其中， RMSE是均方根误差， MAPE是平均绝对百分比误差， N是样本数， yi是测量值， yi'是权　利　要　求　书 1/3 页 2 CN 114965300 A 2估算值； 八、 在步骤六构 建湖泊BP‑TURB反演模型实际浊度反演中， 由于遥感数据逐像元的归一 化离水反射率与步骤四的水体光学类型具有相似度， 但又不完全一样， 需耦合光学水体类 型和斜率中值分割法， 进行 逐像元的归一 化离水反射 率相似度分析， 具体操作如下： ①重复步骤一至步骤二过程； ②将实测湖泊 浊度数据与rhown数据集进行相关分析， 在SPSS16.0软件平台实现， 皮尔 逊相关系数r 表达如下： 其中， x、 y是变量， N是样本数； ③线性拟合rho wn4、 rhown5和rhown6波段， 计算线性方程的斜 率； ④采用斜率中值分割法， 取步骤三获取的聚类组Cluster ‑1聚类组、 Cluster ‑2聚类组 和Cluster ‑3聚类组下的rhown数据集在浊度敏感波段rhown4、 rhown5和rhown6拟合线 性方 程的斜率值； ⑤基于步骤三获取的水体光谱类型曲线图， 取rhown数据集在Cluster ‑1聚类组和 Cluster‑2聚类组在浊度敏感波段rhown4、 rhown5和rhown6拟合线性方程的斜率中值， 即 SCluster1&C luster2＝‑0.0000769， 作为BP ‑TURB Cluster‑1反演模型和BP ‑TURB Cluster‑2反演 模型反演算法阈值分割线； ⑥基于步骤三获取的水体光谱类型曲线图， 取rhown数据集在Cluster ‑1聚类组和 Cluster‑3聚类组在浊度敏感波段rhown4、 rhown5和rhown6拟合线性方程的斜率中值， 即 SCluster1&C luster3＝‑0.0004478， 作为BP ‑TURB Cluster‑1反演模型和BP ‑TURB Cluster‑3反演 模型反演算法阈值分割线； 九、 在实际应用BP ‑TURB模型定量反演目标湖 泊浊度和空间制图中， 重 复步骤二获取目 标湖泊和水库逐像元的归一化离水反射率， 按照步骤八计算每个像元浊度敏感波段线性拟 合方程的斜 率STarget； 当斜率值STarget≥‑0.0000769时， 此像元采用BP ‑TURB Cluster‑2反演模型； 当斜率值 ‑ 0.0000769＞STarget＞‑0.00044778时， 此像元采用BP ‑TURB Cluster‑1反演模型； 当斜率值 STarget≤‑0.00044778时， 此像元采用BP ‑TURB Cluster‑3反演模型； 十、 BP‑TURB模型反演后， 获取湖泊浊度空间分布与时间变化， 实现湖泊浊度制图。 2.根据权利要求1所述基于光学水体类型和BP神经网络算法构建BP ‑TURB的湖泊浊度 制图方法， 其特征在于步骤一中采集不同湖区湖泊的浊度实测数据时表层水体样品为深度 为0‑0.5m的水体。 3.根据权利要求1所述基于光学水体类型和BP神经网络算法构建BP ‑TURB的湖泊浊度 制图方法， 其特征在于步骤一中所述湖泊浊度Turb测定方法每个样点重复三次， 记录并计 算平均值作为该点的T urb实测值， 单位 为NTU。 4.根据权利要求1所述基于光学水体类型和BP神经网络算法构建BP ‑TURB的湖泊浊度 制图方法， 其特征在于步骤二所述重采样预处理是基于欧洲航空局的SNAP  7.0.0软件平 台， 将MSI遥感数据的Level  1C数据重采样至10m。 5.根据权利要求1所述基于光学水体类型和BP神