基于数据同化的内陆水体叶绿素浓度多模型协同反演方法

摘要

本发明公开了一种基于数据同化的内陆水体叶绿素浓度多模型协同反演方法，具体步骤包括：S1：利用水体实测高光谱遥感反射率数据，结合实测叶绿素浓度，构建叶绿素浓度反演模型集；S2：针对每一个叶绿素浓度反演模型，将反演值与实测值在不同浓度等级上进行精度分析，建立不同模型在不同浓度等级上的模型误差查找表；S3：针对验证数据，利用已构建的叶绿素浓度反演模型集进行叶绿素浓度反演；S4：结合模型误差查找表，获取每个验证数据在不同反演模型中的模型误差；S5：利用数据同化方法，结合各反演模型的模型误差，最终获得最优反演值；S6：精度分析。本发明为内陆二类水体叶绿素浓度反演的多模型协同利用，提高反演精度提供了新的技术方法。

说明书

技术领域

本发明属于遥感技术领域，具体涉及一种使用内陆水体高光谱遥感反射率数据，针对水体 叶绿素浓度进行多反演模型协同反演的方法。

背景技术

相对于大洋水体而言，内陆湖泊的水色要素组成更为复杂，利用遥感手段和方法反演内陆 湖泊叶绿素浓度面临更大的不确定性，至今还无法找到一个普适性强、精度高的反演模型。目 前所建立的大量的经验模型、半经验模型以及分析模型，其模型的精度随着研究区域、时间、 季节的变化而不同。即使是同一研究区的水体，其水体光学特性也可能存在差异，导致不同区 域需要采用不同的模型。为了提高对叶绿素浓度的遥感反演精度，如何有效利用不同模型、数 据的优势，克服和避免不同模型、数据的不足之处就成为了关键。

数据同化是根据一定的数学模式和优化标准，在考虑不同数据源的误差信息基础上，将不 同空间、不同时间、采用不同手段获得的观测资料有机结合，进而得到一个更加逼近客观现实 的“真值”。数据同化方法提供了将多模型、多数据融合的可能性，利用数据同化方法可以融合 和吸收不同模型、数据的优势，克服和避免不同模型、数据的不足之处，从而达到最优的反演 效果。

以上这些研究取得了一些成果，但是针对内陆高浑浊和富营养化的二类水体，在利用数据 同化方法实现叶绿素浓度的多模型协同反演方面考虑还不足。

发明内容

针对内陆水体光学性质复杂的特点，国内外学者开发了大量叶绿素浓度反演模型，各类模 型都具有其优点，同时也都有其局限性。鉴于此，本发明参照数据同化方法，构建多模型协同 反演算法模型，有效融合和吸收不同模型、数据的优势，克服和避免不同模型、数据的不足之 处，从而达到最优的反演效果。为提高叶绿素浓度的遥感反演精度提供了新的技术方法。

为了实现上述发明的目的，本发明所采取的技术方案为：

基于数据同化的内陆水体叶绿素浓度多模型协同反演方法，包括以下步骤：

S1：基于实测水体高光谱遥感反射率数据，结合实测叶绿素浓度，构建叶绿素浓度反演模 型集；

S2：针对模型集中的每一个叶绿素浓度反演模型，将反演值与实测值分别在不同浓度等级 上计算均方根误差RMSE，建立不同反演模型在不同浓度等级上的模型误差查找表；

S3：针对验证数据，利用已构建的叶绿素浓度反演模型集进行叶绿素浓度反演，获取各模 型反演的叶绿素浓度值；

S4：将各模型反演所得的叶绿素浓度值，结合模型误差查找表，获取每个验证数据在不同 反演模型中的模型误差；

S5：利用数据同化方法，结合各反演模型的模型误差，最终获得最优反演值；

S6：对多模型协同反演结果与实测叶绿素浓度进行精度分析，检验多模型协同反演效果。

所述步骤S1中构建叶绿素浓度反演模型集包括使用经验方法、半经验方法或分析方法构 建适宜于太湖叶绿素浓度反演的多个反演模型。

所述步骤S2中不同浓度等级上的均方根误差RMSE即为反演模型在不同浓度等级上的模 型误差。

所述步骤S2中均方根误差RMSE的计算表达式如下：

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{(y_i-y_i^{\prime })}^2}$

其中n是样本数，y_i是测量值，y_i'是反演值。

所述步骤S5中，基于数据同化的最优反演值表达式如下：

$x_a=\underset{i=1}{\overset{n}{\Sigma }}{K}_i{x}_i$

其中，x_i为不同模型的叶绿素浓度反演值；R_i为不同模型的模型误差；x_a为 最优反演值。

本发明针对内陆水体，构建一种针对实测高光谱遥感反射率数据的叶绿素浓度多模型协同 反演方法。该方法能提高利用高光谱遥感反射率数据反演内陆湖泊水环境参数的精度，并为光 学性质复杂的内陆二类水体多模型协同利用提供了新的技术方法。

附图说明

图1是本发明方法的流程图。

图2是2006年太湖野外采样点分布图。

图3是2007年太湖野外采样点分布图。

图4是2008年太湖野外采样点分布图。

图5是2009年太湖野外采样点分布图。

图6是不同反演模型在不同浓度等级上的模型误差图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细描述。

以2006～2009年4次太湖野外实测水体高光谱遥感反射率为数据源，按照本发明进行太湖 叶绿素浓度多模型协同反演，给出本发明一个实施例，进一步详细说明本发明。

S1：基于地面实测水体高光谱遥感反射率数据，结合实测叶绿素浓度，构建叶绿素浓度反 演模型集；

获取同步的野外实测水体高光谱遥感反射率数据与叶绿素浓度数据，采用经验方法、半经 验方法或分析方法构建适宜于太湖的叶绿素浓度反演模型集。通过模型对比分析，最终遴选出 6个反演效果较好的太湖叶绿素a浓度遥感估算反演模型，分别为：波段比值模型、三波段模 型、四波段模型、Dall'Olmo模型、Gitelson模型和徐京萍模型。

S2：针对每一个叶绿素浓度反演模型，将反演值与实测值分别在不同浓度等级上计算均方 根误差(RMSE)，建立不同模型在不同浓度等级上的模型误差查找表；

为了避免使用统一的权值对模型的不确定性表达失真的情况，将叶绿素浓度按照浓度进行 等级分类，将每类的集合均方根误差(RMSE)作为该模型在此浓度等级上的模型误差。将本 次建模数据分为11组，浓度等级分别为0-10μg/L，10-20μg/L，20-30μg/L，30-40μg/L，40-50 μg/L，50-60μg/L，60-70μg/L，70-80μg/L，80-90μg/L，90-100μg/L，>100μg/L。进而，针 对每组样点数据，进行RMSE的统计计算，以此作为模型在该浓度等级上的模型误差，进而 建立模型误差查找表。本实施例中各反演模型在上述不同浓度等级上的模型误差结果见附图 6。

S3：针对验证数据，利用已构建的叶绿素浓度反演模型集进行叶绿素浓度反演；

针对验证数据，利用所述S1已构建好的6个叶绿素浓度反演模型分别进行叶绿素浓度的 反演估算。

S4：结合所述S2构建的模型误差查找表，获取每个验证数据在不同反演模型中的模型误 差；

将验证数据反演所得的叶绿素浓度反演值，依据模型误差查找表，分别获取在不同模型下 的模型误差。

S5：利用基于数据同化的最优反演值表达式，结合各反演模型的模型误差，最终获得最优 反演值；

多模型协同反演具体步骤如下：

S51：针对验证数据，利用已构建的叶绿素浓度反演模型集计算各模型反演的叶绿素浓度 值；

S52：将各模型反演所得的叶绿素浓度值，依据模型误差查找表，计算各验证数据的反演 模型误差；

S53：基于数据同化的太湖叶绿素浓度多模型协同反演估算表达式如下：

$x_a=\underset{i=1}{\overset{n}{\Sigma }}{K}_i{x}_i---\left(1\right)$

其中，x_i为不同模型的叶绿素浓度反演值；R_i为不同模型的模型误差；x_a为 最优反演值。

S6：精度分析；

将多模型协同反演结果与实测叶绿素浓度进行精度评价，采用均方根误差(RMSE)和平 均绝对百分比误差(MAPE)进行评价，表达式如下：

$\mathrm{MAPE}=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}\left|\frac{y_i-y_i^{\prime }}{y_i}\right|---\left(2\right)$

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{(y_i-y_i^{\prime })}^2}---\left(2\right)$

其中n是样本数，y_i是测量值，y_i'是估计值。