(19)中华 人民共和国 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 202111669249.8 (22)申请日 2021.12.31 (71)申请人 中国电建集团河南省电力勘测设计 院有限公司 地址 450000 河南省郑州市中原区中原西 路212号 申请人 中国电建集团华中电力设计 研究院 有限公司 (72)发明人 孙步阳　高首都　剧成宇　张俊鹏　 王胜磊　蒋硕颜　李珂　吕献林　 (74)专利代理 机构 郑州中原 专利事务所有限公 司 41109 代理人 张春　李想 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06N 3/00(2006.01) (54)发明名称 一种基于高光谱遥感的湖泊水质 富营养化 状态评价方法 (57)摘要 本发明公开了一种基于高光谱遥感的湖泊 水质富营养化状态评价方法， 包括以下步骤： 1） ． 将高光谱遥感数据进行10折划分为训练和测试 数据； 2） ． 开发基于FA算法的智能优化特性改进 ELM的算法， 综合两种算法的优势实现最优评价； 3） ． 设置FA算法与ELM算法迭代的初始参数和 终 止参数， 采用FA算法优化计算辅助寻求ELM算法 的最优参数； 判断参数最优使用分类准确率 fT作 为目标函数； 4） ． 建立FA ‑ELM的湖泊水质富营养 化状态评价模型， 提高评价的准确率。 最后将模 型应用于高光谱数据进行水质富营养化状态测 试， 可极大的提高测试准确率。 权利要求书1页 说明书4页 附图5页 CN 114399102 A 2022.04.26 CN 114399102 A 1.一种基于高光谱遥感的湖泊水质富营养化状态评价方法， 其特征在于： 包括以下步 骤： 1).将高光谱遥感数据进行10折划分为训练和 测试数据； 2).开发基于FA算法的智能优化特性改进ELM的算法， 综合两种算法的优势 实现最优评 价； 3).设置FA算法与ELM算法迭代的初始参数和终止参数， 采用FA算法优化计算辅助寻求 ELM算法的最优参数； 判断参数最优使用分类准确率fT作为目标函数： 4).建立FA ‑ELM的湖泊水质富营养化状态评价模型， 提高评价的准确率。 2.根据权利要求1所述基于高光谱遥感的湖泊水质富营养化状态评价方法， 其特征在 于： 步骤1)中， 高光谱 数据是指传感器 分辨率达到纳米级， 可以大面积高分辨率合理评价水 域富营养化状态的数据。 3.根据权利要求1所述基于高光谱遥感的湖泊水质富营养化状态评价方法， 其特征在 于： 在步骤2)中， 开发基于FA算法的智能优化特性改进ELM的算法是指， 运用FA算法对初始 输入权重Wi和隐含层偏置bi进行优化选择。 4.根据权利要求1所述基于高光谱遥感的湖泊水质富营养化状态评价方法， 其特征在 于： 步骤2)中， 萤火虫数量N＝10、 最大迭代 次数Tmax＝50、 初始吸引度β0＝1以及步长因子α ＝0.5， 搜索区间[ ‑1,1]； ELM参数设置为： 隐含层节点数hid dennum＝16。 5.根据权利要求1所述基于高光谱遥感的湖泊水质富营养化状态评价方法， 其特征在 于： 步骤3)中， ELM算法的迭代终止条件为： 由于是寻求最准确的评价结果， 故设置迭代次数 为迭代终止条件。权　利　要　求　书 1/1 页 2 CN 114399102 A 2一种基于高光谱遥感的湖泊水质富营养化状态 评价方法 技术领域 [0001]本发明属于高光谱遥感、 人工智能算法领域， 具体的说就是基于高分辨率高光谱 遥感数据， 使用人工智能算法进行湖泊水质富营养化状态评价， 主要应用在大面积水域的 富营养化状态评价、 水质环境 监测和防治。 背景技术 [0002]湖泊富营养化一方面是湖泊发展的自然过程， 另一方面， 随着经济 的快速发展和 城市化的加剧以及工农业废弃物的排放等使湖泊水体逐步由贫营养状态向富营养状态变 化的现象。 传统的富营养化状态评价主要包括如下流程： (1)样点水样采集； (2)水质参数指 标分析； (3)富营养化状态评价。 传统的湖泊水体富营养化评价方法只能评价样点处的富营 养化状态， 无法进行大面积水域的富营养化状态评价。 传统的富营养化评价方法实时性较 差， 费时费力。 [0003]深度学习在计算机视觉领域的巨大成功为遥感大数据信息智能提取提供了重要 机遇， 近年来， 大量学者尝试将 针对RGB三波段真彩色自然图像的神经网络引入遥感图像领 域， 在遥感图像分类和目标探测等方面的应用效果远优于传统算法。 即便如此， 遥感图像数 据由于其产生方式、 获取条件、 数据信息和应用等诸多方面都相对常规自然图像具有非常 明显的独特性， 使得现有基于数码照 片设计的深度学习算法仍旧无法深入挖掘遥感图像蕴 含的辐射、 光谱及地物理化参数等信息。 此外， 遥感图像观测尺度大、 场景复杂， 现有网络模 型对遥感图像的理解和特征提取还存在明显不足。 因此， 基于对地球观测信息的理解和应 用需求， 研究融合遥感数据特征与深度学习等智能信息提取算法， 构建适用于遥感大数据 的模型、 方法与系统工具， 是解决遥感大 数据时代信息提取与知识挖掘的必由之 路。 [0004]随着遥感技术的快速发展和应用为湖泊水体监测和研究提供了新的方法和途径。 高光谱遥感具有信息量大、 精度高的特点被广泛地应用于遥感水质监测， 极大地提高了水 质监测的精度。 由于传统多光谱传感器分辨率较低， 很难定量分析水质参数的吸收特征。 随 着高光谱传感器的出现， 传感器分辨率达到纳米级， 可以有效提高光谱特性的分辨力， 极大 地提高了传感器监测精度。 因此， 运用高光谱遥感技术合理评价大面积水域的富营养化状 态对水质环境 监测和防治具有重要意 义和理论 价值。 发明内容 [0005]本发明要解决的技术问题是： 针对传统的富营养化评价方法实时性较差， 费时费 力。 利用高精度的高光谱遥感数据及技术， 使用基于FA的ELM算法实现大面积水域的富营养 化状态评价， 能达 到较高的准确率。 [0006]为实现上述目的， 本发明采用以下技 术方案步骤如下： [0007]1).将高光谱遥感数据进行10折划分为训练和 测试数据； [0008]2).开发基于FA算法的智能优化特性改进ELM的算法， 综合两种算法的优势实现最 优评价；说　明　书 1/4 页 3 CN 114399102 A 3