融合光谱与环境特征的流域河流综合水质指数反演方法

摘要: 本发明涉及资源环境信息,尤其涉及融合光谱与环境特征的流域河流综合水质指数反演方法。背景技术:1、传统的河流综合水质指数(wqi)遥感反演方法主要依赖单一卫星光谱...
融合光谱与环境特征的流域河流综合水质指数反演方法

本发明涉及资源环境信息,尤其涉及融合光谱与环境特征的流域河流综合水质指数反演方法。

背景技术:

1、传统的河流综合水质指数(wqi)遥感反演方法主要依赖单一卫星光谱波段或其简单比值,通过统计回归或浅层机器学习模型建立光谱反射率与实测水质参数之间的映射关系。这类方法通常仅利用有限的光谱信息,忽视了不同波段组合对水质组分响应的差异性,导致特征表达能力不足。同时,简单回归模型难以捕捉水质与光谱之间的非线性耦合关系,在复杂水体环境下反演精度显著下降。此外,现有方法多采用固定阈值或人工经验筛选光谱特征,缺乏系统化的特征优选机制,易引入冗余信息或丢失关键特征,限制了模型在不同水域条件下的普适性。

2、现有水质遥感反演方法普遍忽略环境因子对水质动态变化的驱动作用,仅依赖单一时刻的光谱快照进行静态估算。然而,河流水质受前期气象条件、流域地形及季节性周期等因素的显著影响,单纯的光谱信息无法完整刻画水质的时空演变规律。此外,多数方法采用单一机器学习模型进行反演,模型结构单一,泛化能力有限,在面对不同流域、不同季节或极端气候事件时容易出现精度大幅波动。现有集成学习方法虽有一定改进,但多停留在简单投票或平均层面,缺乏对基学习器预测信息的有效融合与正则化约束,难以兼顾模型精度与稳定性,亟需一种融合多源异构特征、具备强泛化能力的智能反演框架。

技术实现思路

1、本技术通过提供融合光谱与环境特征的流域河流综合水质指数反演方法,实现了河流综合水质指数的高精度、高稳定性反演,有效弥补了传统仅依赖光谱信息方法的不足,显著增强了模型对不同环境条件和时间跨度的适应能力。

2、本技术提供了融合光谱与环境特征的流域河流综合水质指数反演方法,包括:

3、s1,获取sentinel-2 msi l1c影像的b2-b8a八个原始波段,对原始波段进行辐射定标、大气校正和几何精校正,以原始波段为基础构建波段和、差、积、比及和差比组合形式结果,形成候选光谱特征集合;

4、s2,采用随机森林重要性评估对候选光谱特征集合排序,通过 pearson 相关性分析筛选相关系数绝对值大于0.3的候选光谱特征,最终输出10个最优光谱特征;

5、s3,提取检测前一日距离地面2米高度处测得的气温、前一日累计降雨量、海拔及年积日正弦变换值,在gis中重采样至10m分辨率并与采样点关联,与s2的10个光谱特征拼接融合形成综合特征数据集;

6、s4,以随机森林回归、xgboost、catboost和lightgbm四种模型并行构成基学习器层,各基学习器接收综合特征数据集,采用五折交叉验证产生验证集预测值并拼接为元特征数据集;

7、s5,以ridge回归模型作为元学习器,接收s4输出的元特征数据集进行训练,推理时将测试样本经各基学习器预测后拼接为元特征,输入训练好的ridge元学习器输出最终综合水质指数预测值。

8、优选地,所述候选光谱特征集合包括波段和、波段差、波段积、波段比及波段和差比;所述波段和选自b2+b3、b3+b4;波段差选自b2-b4、b3-b4;波段积选自b2×b4、b3×b5;波段比选自b3/b4、b5/b8;波段和差比选自(b5-b8)/(b5+b8)、(b2-b4)/(b2+b4)。

9、优选地,所述综合特征数据集,包括:采样点海拔,所有环境特征在gis平台中统一重采样至与遥感影像一致的空间分辨率后与采样点空间关联,步骤s2筛选出的光谱特征拼接融合形成综合特征数据集。

10、优选地,所述s2中随机森林重要性评估采用平均不纯度减少作为衡量指标,pearson相关性分析设定相关系数阈值;最终输出预定数量的最优光谱特征,所述最优光谱特征为通过双重筛选后保留的波段组合。

11、优选地,所述基学习器层,具体包括:随机森林回归、xgboost、catboost、lightgbm和k近邻回归。

12、优选地,所述ridge回归通过l2正则化对元特征系数进行约束;推理时将测试样本依次经各基学习器预测,将各基学习器的预测结果拼接为元特征向量后输入训练好的ridge元学习器,输出河流综合水质指数预测值。

13、优选地,所述在gis中重采样至10m分辨率并与采样点关联,包括:s31,获取四项环境特征的原始分辨率数据,记录来源类型,提取气温和降雨的不确定性字段,进行异常值剔除和缺失值标记;s32,对降雨和气温栅格抽取样本点,计算半变异函数并拟合球状或指数模型,提取变程参数作为空间有效影响半径;s33,以采样点为中心、变程为半径构建搜索窗口,采用反距离开方加权聚合窗口内格点值,计算气温和降雨的有效影响值及不确定性估计;海拔在30米栅格3×3邻域取中值和标准差;s34,汇集四项环境有效影响值形成n×4矩阵,并为每个采样点构建4×4对角不确定性协方差矩阵,对角线为各特征不确定性估计的平方;s35,将环境特征矩阵与10个光谱特征横向拼接,构建14维尺度权重向量;其中,14维尺度权重向量包括前4维为环境特征相对噪声,后10维为光谱质量波段不确定性;s36,输出融合数据集、不确定性协方差矩阵和尺度权重向量,同时输出每个采样点搜索窗口内原始格点数,标记环境特征欠约束样本。

14、优选地,所述提取变程参数作为空间有效影响半径,包括:针对面状栅格特征分别进行空间自相关结构分析,从原始分辨率栅格中均匀抽取空间样本点,计算各点与其周边不同滞后距离下的半方差值,绘制半变异函数散点图,采用球状模型或指数模型对散点图进行理论拟合,提取拟合模型中的变程参数作为空间有效影响半径;若拟合效果不佳,采用经验变程作为替代。

15、优选地,所述计算气温和降雨的有效影响值及不确定性估计包括:以采样点地理坐标为中心,以对应环境特征的变程值为半径构建圆形搜索窗口;检索落入该窗口内的所有原始格点值及其对应的插值标准误;计算各格点到采样点的平面欧氏距离,取距离的倒数的平方根作为权重系数;将各格点值按所述权重系数进行加权平均,得到该采样点的有效影响值;将各格点插值标准误按相同权重系数进行加权平均,得到该采样点的不确定性估计值;对降雨特征重复相同流程。

16、优选地,所述k近邻回归具体包括:在基学习器层中加入k近邻回归作为第五个基学习器,并行接收s3输出的综合特征数据集作为输入;采用五折交叉验证策略,在每一折中将样本按照3/4用于训练、1/4用于验证,每种基学习器在交叉验证过程中产生验证集预测值,将预测值拼接形成元特征数据集;各基学习器的主要超参数通过网格搜索方法优化,其中knn回归的超参数包括邻居数量k和距离度量方式。

17、本技术中提供的一个或多个技术方案,至少具有如下技术效果或优点:

18、通过融合光谱与环境特征并构建stacking集成学习框架,实现了河流综合水质指数的高精度、高稳定性反演。该方法有效弥补了传统仅依赖光谱信息方法的不足,显著增强了模型对不同环境条件和时间跨度的适应能力,在测试集及独立时段、跨流域的外部验证中均展现出优异的预测性能与泛化能力,未出现明显过拟合现象,为流域尺度河流水质长时序动态监测提供了可靠的技术支撑。

19、通过空间自相关诊断与反距离开方加权聚合,科学确定了环境特征的有效影响半径,避免了传统简单重采样造成的空间信息失真;引入不确定性协方差矩阵和尺度权重向量,在基学习器训练中自适应抑制高噪声特征的干扰,同时保留了光谱特征的稳定贡献。该方法有效降低了多源环境特征因分辨率差异和空间插值引入的伪精度噪声,显著提升了模型在复杂地形与稀疏气象站点地区的反演稳定性与可靠性,使综合水质指数预测对环境异质性的响应更加稳健可信。