CN115661661B 一种针对稀疏站点数据的叶绿素a浓度遥感反演方法 （安徽大学）

一种针对稀疏站点数据的叶绿素a浓度遥感及一种针对稀疏站点数据的叶绿素a浓度遥感反演方法，有效解决了叶绿素a浓度遥感反演中站稀疏站点数据的利用率，同时提高了叶绿素a浓度反演精度。本发明获取相同日期MSI_MODIS数绿素a浓度反演的MSI和MODIS时空融合深度残差学习网络，从而获得所需时间具有MSI传感器空站点叶绿素a浓度观测数据，通过极限梯度提升树(XGBoost)的机器学习算法构建反演模型，实2到最优参数基础上开展真实实验，从而获得所需时间具有MSI数据传感器空间分辨率的时S5、根据MSI传感器波段设置特点及叶绿素a浓波段及波段组合；利用融合后反射率数据和原MSI反射率数据所构成的时序数据开展后续选取其中m+p个样点对作为训练数据集，通过极限梯度提升树的机器学习算法构建联合反2.根据权利要求1所述的针对稀疏站点数据的叶绿素a浓度遥感反演方法，其特征在根据MSI数据波段设置特点，敏感波段选择为可见光到近红外的波段范围，最终选择3.根据权利要求1所述的针对稀疏站点数据的叶绿素a浓度遥感反演方法，其特征在3和T3时刻的两对MSI_MODIS高低分空间分辨率数据对以及T22）为便于网络训练，在网络输入前将涉及影像均裁剪为80像素x80像4.根据权利要求1所述的针对稀疏站点数据的叶绿素a浓度遥感反演方法，其特征在5.根据权利要求4所述的针对稀疏站点数据的叶绿素a浓度遥感反演方法，其特征在6.根据权利要求1所述的针对稀疏站点数据的叶绿素a浓度遥感反演方法，其特征在7.根据权利要求6所述的针对稀疏站点数据的叶绿素a浓度遥感反演方法，其特征在4[0001]本发明属于水质遥感反演技术领域，具体涉及一种针对稀疏站点数据的叶绿素a[0002]叶绿素a浓度通常用于揭示水生生态系统的富营养化状态。传统的水质监测受到[0003]然而以往方法经常是根据卫星过境时间去采集足够实测数据进行叶绿素a浓度反[0004]因此，为了解决叶绿素a浓度遥感反演中站点数据与遥感数据匹配数量不足的局[0005]本发明的目的针对叶绿素a浓度遥感反演中站点数据与遥感数据匹配数量不足的验得到最优参数基础上开展真实实验，从而获得所需时间具有MSI数据传感器空间分辨率需的波段及波段组合；利用融合后反射率数据和原MSI反射率数据所构成的时序数据开展随机选取其中m+p个样点对作为训练数据集，通过极限梯度提升树的机器学习算法构建联5T2时刻对应的MSI波段作为Label，所有波段均重采样到20m空间分辨率，最终的网络输入[0028]1)利用步骤S4的分步骤4)中的融合后反射率数据与MSI反射率数据所构成的时序6[0032]1)根据步骤S4所提供的时序数据及同期区域站点叶绿素a浓度数据，构建有效样[0034]3)保持原有n_m个样点对的测试数据集不变，用于验证所构建联合反演模型的精限梯度提升树(XGBoost)的机器学习算法构建反演模型，实现了稀疏国控站点数据的叶绿7验得到最优参数基础上开展真实实验，从而获得所需时间具有MSI数据传感器空间分辨率需的波段及波段组合；利用融合后反射率数据和原MSI反射率数据所构成的时序数据开展随机选取其中m+p个样点对作为训练数据集，通过极限梯度提升树的机器学习算法构建联素在MOD09B13_B16中遭受饱和(图2灰白色显示的波段)，选择的MODIS反射率波段为B1~[0060]步骤1_3、构建MSI_MODIS训练数据集。根据MSI波段范围，选择与其波段对应的MODIS波段(若在该MSI波段范围内无对应的MODIS波段，则选择与其波段范围最邻近的8间具有MSI数据传感器空间分辨率的时序数据(包括融合后反射率数据和原MSI反射率数据)。表2展示了时空融合过程中涉及的MSI_MODIS数据对的相关时间信息及其用途，具体9为常数。[0079]步骤2_1、利用步骤1_3