一种增强型的水质监测参数分辨率提升方法及系统与流程

本发明涉及水质监测的，特别涉及一种增强型的水质监测参数分辨率提升方法及系统。

背景技术：

1、随着人类活动的不断增加和气候变化的影响，水体环境的水质监测变得尤为重要，水体环境作为重要的水资源，不仅直接关系到人类社会的生存和发展，还在全球生物地球化学循环和区域生态系统中发挥着关键作用。目前，水体环境水质日益受到富营养化等问题的威胁，其中叶绿素a（chl-a）浓度作为水质监测参数之一，是评估水体环境富营养化程度的直接指标，对水体环境中的水质监测参数预测研究具有重要意义。

2、传统的水质监测参数监测方法依赖于船舶取样和实验室分光光度法，这种方法不仅耗时费力，且成本高昂，难以实现对水体环境大范围区域的连续监测；而且由于浮游植物的快速生长和内陆环境的复杂多变，通过稀疏的原位采样难以获得水质监测参数浓度的代表性分布。遥感技术的发展为解决上述问题提供了新的途径，卫星传感器通过测量水体表面反射率，能够间接估计水质监测参数浓度，从而实现对水质的连续监测，然而这些卫星传感器的空间分辨率普遍较低，如卫星modis-aqua拥有1 km空间分辨率，这对于内陆湖泊的精细监测来说过于粗糙，而有些卫星传感器如sentinel-3 olci虽然提供了更高的300m空间分辨率，但其300m的空间分辨率仍然限制了其在中小型水体环境中的广泛应用。为了提高水质监测参数浓度监测的空间分辨率，研究者们开始探索水质监测参数的空间降尺度技术，如现有技术公开的chl-a浓度降尺度的方法主要包括基于图像融合的方法和基于统计回归的方法，基于图像融合的方法，通过建立不同时间点高低分辨率影像对之间的统计关系，实现对目标日期高分辨率影像的预测，然而，这类方法在处理复杂光学特性的内陆水体环境时，其精度往往受到限制；基于统计回归的方法则通过建立chl-a浓度与辅助特征变量之间的统计模型，利用高分辨率的遥感数据来预测高分辨率的chl-a浓度，且随着机器学习技术的发展，随机森林、支持向量回归等非线性数据回归方法在降尺度研究中得到了广泛应用。

3、因此，现有的水质监测参数浓度降尺度方法大多针对沿海宽阔水体环境，对于内陆水体环境由于其地理位置的相对封闭性、复杂性和受自然及人为活动影响大等特性，导致内陆水体环境水质监测参数成因复杂、具有高度的空间异质性，从而影响在复杂水体环境中的水质监测参数的预测精度。

技术实现思路

1、为解决上述现有技术在复杂水体环境中的水质监测参数的预测精度低的问题，本发明提出一种增强型的水质监测参数分辨率提升方法及系统，有效提高了在复杂水体环境中的水质监测参数的预测精度，以维护复杂水体环境的营养状况和生态系统的健康。

2、为了达到上述技术效果，本发明的技术方案如下：

3、一种增强型的水质监测参数分辨率提升方法，包括以下步骤：

4、s1.获取水体环境的多源遥感数据的预处理数据集；

5、s2.从所述预处理数据集中筛选影响水质监测参数的最优特征因子集，利用所述最优特征因子集对预设的水质监测参数分辨率提升模型进行训练，得到训练好的水质监测参数分辨率提升模型；

6、s3.将多源遥感待处理数据输入所述水质监测参数分辨率提升模型，输出水质监测参数的高分辨率预测结果。

7、优选地，所述多源遥感数据包括卫星遥感图像数据和水质监测参数影响因子，所述卫星遥感图像数据包括第一辅助特征数据集、第二辅助特征数据集和第三辅助特征数据集。

8、优选地，对所述多源遥感数据进行标准化与统一化处理，得到所述预处理数据集。

9、优选地，所述从所述预处理数据集中筛选水质监测参数影响因子，包括：

10、s201.从所述预处理数据集中选择反映水体环境的实际情况和具有高影响力的水质监测参数影响因子；

11、s202.将所述水质监测参数影响因子进行组合，得到水质监测参数影响因子组合；

12、s203.在所述水质监测参数影响因子组合中，确定最具代表性和影响力的水质监测参数影响因子组合为所述最优特征因子集。

13、优选地，所述水质监测参数影响因子包括多光谱反射率、叶绿素指数、红边指数、纹理特征、后向散射特性和热特征。

14、优选地，所述水质监测参数影响因子组合为多光谱反射率、叶绿素指数、红边指数、纹理特征、后向散射特性和热特征的不同类型的任意组合。

15、优选地，所述利用所述最优特征因子集对预设的水质监测参数分辨率提升模型进行训练，包括：

16、s211.通过所述水质监测参数分辨率提升模型建立低分辨率下水质监测参数与最优特征因子集之间的统计关系；

17、s212.根据所述统计关系，分别使用高分辨率和低分辨率的最优特征因子集作为输入，输出高分辨率和低分辨率的水质监测参数；

18、s213.计算高分辨率和低分辨率的水质监测参数之间的差异，记所述差异为高分辨率纹理信息，将所述高分辨率纹理信息添加到原始低分辨率的水质监测参数中作为指导，以对水质监测参数分辨率提升模型进行训练，直至所述水质监测参数分辨率提升模型输出具有高分辨率的水质监测参数，训练结束。

19、优选地，所述输出具有高分辨率的水质监测参数的计算表达式如下：

20、

21、其中，下标 f表示高分辨率，下标 c表示低分辨率，表示输出的具有高分辨率的水质监测参数，表示原始低分辨率的水质监测参数，表示所述统计关系的函数；表示高分辨率下的最优特征因子集，表示低分辨率下的最优特征因子集。

22、优选地，在对预设的水质监测参数分辨率提升模型进行训练的过程中，需对所述水质监测参数分辨率提升模型的超参数进行调节，以完成水质监测参数分辨率提升模型的训练。

23、本发明还提出了一种增强型的水质监测参数分辨率提升系统，包括：

24、获取模块，用于获取水体环境的多源遥感数据的预处理数据集；

25、训练模块，用于从所述预处理数据集中筛选影响水质监测参数的最优特征因子集，利用所述最优特征因子集对预设的水质监测参数分辨率提升模型进行训练，得到训练好的水质监测参数分辨率提升模型；

26、输出模块，用于将多源遥感待处理数据输入所述水质监测参数分辨率提升模型，输出水质监测参数的高分辨率预测结果。在复杂水体环境中的水质监测参数的预测精度低

27、与现有技术相比，本发明技术方案的有益效果是：

28、本发明提出一种增强型的水质监测参数分辨率提升方法及系统，考虑了内陆水体环境与沿海水体环境的水质监测参数成因的差异性，首先通过获取水体环境的多源遥感数据的预处理数据集，通过预处理数据集对预设的水质监测参数分辨率提升模型进行训练，目的是将水质监测参数预测从沿海水体环境延伸至内陆水体环境，以应对复杂水体环境中水质监测参数预测精细化的挑战；然后，从所述预处理数据集中筛选影响水质监测参数的最优特征因子集，利用所述最优特征因子集对预设的水质监测参数分辨率提升模型进行训练，通过将最优特征因子集作为高空间分辨率解释变量集成到水质监测参数分辨率提升模型的训练过程中，以优化得到训练好的水质监测参数分辨率提升模型；进一步，将最优特征因子集的多元分析和水质监测参数分辨率提升模型预测的高效性充分结合，并通过深入分析优化水质监测参数分辨率提升模型的输出，有效提高了在复杂水体环境中的水质监测参数的预测精度，以维护复杂水体环境的营养状况和生态系统的健康。