本發(fā)明涉及灘涂泥沙分析，具體是一種灘涂泥沙組分預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、潮灘不斷演變是灘涂的典型特征之一，對泥沙組分的分析能夠更好地處理灘涂演變問題，對灘涂的未來變化的研究及灘涂的進(jìn)一步保護(hù)具有重要作用。目前，針對泥沙組分分析，現(xiàn)有研究方法多集中于常規(guī)回歸模型，而對于通過人工智能機(jī)器學(xué)習(xí)對泥沙組分的估算研究卻少有涉及。

2、為了更好地了解潮灘演變規(guī)律，為灘涂的保護(hù)提供科學(xué)依據(jù)，需要精確預(yù)測泥沙含量的組分變化。目前，借助衛(wèi)星遙感技術(shù)可以獲取光的不同波段信息，利用arcgis和空間模型，可以對光的波段數(shù)據(jù)進(jìn)行空間整合分析，但主要存在難點(diǎn)：潮灘泥沙組分在小范圍內(nèi)都有較大變化，且其與光波段數(shù)據(jù)的關(guān)系并非完全線性，傳統(tǒng)的預(yù)測模型多為多元線性回歸模型，面對非線性問題時處理較為困難。

3、機(jī)器學(xué)習(xí)算法是一種利用數(shù)據(jù)，自動進(jìn)行建模分析以及利用模型進(jìn)一步預(yù)測的數(shù)據(jù)分析方法，是對非線性系統(tǒng)進(jìn)行回歸分析的有效方式，通過機(jī)器學(xué)習(xí)方法進(jìn)行研究可以有效地克服多因素復(fù)雜關(guān)系的建立難題。將機(jī)器學(xué)習(xí)算法應(yīng)用到泥沙組分的預(yù)測中，可以有效的提高精度。

4、綜上，為了能夠準(zhǔn)確的掌握灘涂泥沙組分特性，有必要提出一種灘涂泥沙不同組分占比的估算方法，進(jìn)一步為灘涂的科學(xué)保護(hù)提供有力的技術(shù)支撐。

技術(shù)實現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出了一種使用遙感手段，獲取灘涂的不同光波段特征，并利用機(jī)器學(xué)習(xí)算法模型實現(xiàn)灘涂泥沙不同組分的準(zhǔn)確估算。

2、為了達(dá)到上述目的，本發(fā)明是通過以下技術(shù)方案來實現(xiàn)的：

3、本發(fā)明的一種灘涂泥沙組分預(yù)測方法，包括如下操作：

4、對待測區(qū)域進(jìn)行實地采樣獲得采樣樣本，根據(jù)采樣樣本測算出待測區(qū)域的泥沙組分?jǐn)?shù)據(jù)；

5、對所測算出的泥沙組分?jǐn)?shù)據(jù)進(jìn)行線性均衡處理，獲得第一預(yù)處理數(shù)據(jù)；

6、收集灘涂泥沙的衛(wèi)星遙感數(shù)據(jù)并對衛(wèi)星遙感數(shù)據(jù)進(jìn)行預(yù)處理，得到第二預(yù)處理數(shù)據(jù)，第二預(yù)處理數(shù)據(jù)包括不同光波段的信息數(shù)據(jù)；

7、對第一預(yù)處理數(shù)據(jù)和第二預(yù)處理數(shù)據(jù)進(jìn)行分割，得到訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；

8、將訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)代入到多個機(jī)器學(xué)習(xí)算法模型中，在多個機(jī)器學(xué)習(xí)算法模型中以不同波段的信息數(shù)據(jù)作為輸入變量，將粘土pc’、粉砂psi’、砂psa’作為輸出變量，建立根據(jù)光不同波段對泥沙組分的估算模型，表達(dá)式為：

9、pc’=f（b1,b2,,bn）；

10、psi’=f（b1,b2,,bn）；

11、psa’=f（b1,b2,,bn）；

12、其中，f（）為回歸函數(shù)，b1,b2,,bn為不同波段的信息數(shù)據(jù)，n為不同波段的數(shù)量；

13、利用測試集中的數(shù)據(jù)驗證訓(xùn)練好的多個機(jī)器學(xué)習(xí)算法模型的擬合程度，根據(jù)擬合程度，對比不同機(jī)器學(xué)習(xí)算法模型反演結(jié)果的誤差，篩選訓(xùn)練后誤差最小、精度最高的機(jī)器學(xué)習(xí)算法模型，利用篩選出的機(jī)器學(xué)習(xí)算法模型計算灘涂泥沙組分。

14、本發(fā)明的進(jìn)一步改進(jìn)在于：對待測區(qū)域進(jìn)行實地采樣獲得采樣樣本，根據(jù)采樣樣本測算出待測區(qū)域的泥沙組分?jǐn)?shù)據(jù)，具體包括：

15、對待測區(qū)域進(jìn)行多樣點(diǎn)的采樣，每一樣點(diǎn)范圍包括多個采樣點(diǎn)，獲得多個采樣樣品；

16、對采樣樣品進(jìn)行泥沙顆粒分析并記錄，獲得各個采樣點(diǎn)的泥沙組分?jǐn)?shù)據(jù),包含粘土pc、粉砂psi、砂psa。

17、本發(fā)明的進(jìn)一步改進(jìn)在于：收集灘涂泥沙的衛(wèi)星遙感數(shù)據(jù)并對衛(wèi)星遙感數(shù)據(jù)進(jìn)行預(yù)處理，得到第二預(yù)處理數(shù)據(jù)，具體包括：

18、獲取灘涂泥沙的衛(wèi)星遙感數(shù)據(jù)；

19、利用envi軟件對所收集的衛(wèi)星遙感數(shù)據(jù)進(jìn)行區(qū)域分割，按土地類型選取與待測區(qū)域?qū)?yīng)的存在淹沒頻率的光灘，形成遙感圖；

20、利用arcgis軟件中的重采樣功能，采用疊加采樣的方式，即先使用最臨近插值法，后使用雙線性插值法，對遙感圖進(jìn)行重采樣，利用掩膜提取功能對遙感圖進(jìn)行特征提取，并將提取出的特征進(jìn)行矢量化處理，生成矢量圖；

21、利用arcgis軟件對矢量圖進(jìn)行多值提取到點(diǎn)得到第二預(yù)處理數(shù)據(jù)。

22、本發(fā)明的進(jìn)一步改進(jìn)在于：機(jī)器學(xué)習(xí)算法模型包括svr支持向量回歸、隨機(jī)森林rf、邏輯回歸lr。

23、本發(fā)明的進(jìn)一步改進(jìn)在于：估算模型為：

24、pc’=f（b1,b2,b3,b4,b5,b6,b7）；

25、psi’=f（b1,b2,b3,b4,b5,b6,b7）；

26、psa’=f（b1,b2,b3,b4,b5,b6,b7）；

27、其中，b1為海岸波段、b2為藍(lán)波段、b3為綠波、b4為紅波、b5為近紅外波段、b6為短波紅外1、b7為短波紅外2。

28、本發(fā)明的進(jìn)一步改進(jìn)在于：利用測試集中的數(shù)據(jù)驗證訓(xùn)練好的多個機(jī)器學(xué)習(xí)算法模型的擬合程度，根據(jù)擬合程度，對比不同機(jī)器學(xué)習(xí)算法模型反演結(jié)果的誤差，篩選訓(xùn)練后誤差最小、精度最高的機(jī)器學(xué)習(xí)算法模型，具體包括：

29、將測試數(shù)據(jù)集的數(shù)據(jù)代入到訓(xùn)練好的多個機(jī)器學(xué)習(xí)算法模型中，獲得對應(yīng)機(jī)器學(xué)習(xí)算法模型的預(yù)測結(jié)果，包括粘土pc、粉砂psi、砂psa含量百分比；

30、驗證多個機(jī)器學(xué)習(xí)算法模型的擬合程度，具體包括：

31、利用決定系數(shù)、均方根誤差與平均絕對誤差作為評估指標(biāo)，對不同的機(jī)器學(xué)習(xí)算法模型的預(yù)測結(jié)果進(jìn)行對比，選取最優(yōu)的機(jī)器學(xué)習(xí)算法模型。

32、本發(fā)明的灘涂泥沙組分預(yù)測系統(tǒng)，系統(tǒng)包括：

33、采樣模塊，用于對待測區(qū)域進(jìn)行實地采樣獲得采樣樣本，根據(jù)采樣樣本測算出待測區(qū)域的泥沙組分?jǐn)?shù)據(jù)；

34、第一預(yù)處理模塊，用于對所測算出的泥沙組分?jǐn)?shù)據(jù)進(jìn)行線性均衡處理，獲得第一預(yù)處理數(shù)據(jù)；

35、第二預(yù)處理模塊，用于收集灘涂泥沙的衛(wèi)星遙感數(shù)據(jù)并對衛(wèi)星遙感數(shù)據(jù)進(jìn)行預(yù)處理，得到第二預(yù)處理數(shù)據(jù)，第二預(yù)處理數(shù)據(jù)包括不同光波段的信息數(shù)據(jù)；

36、分割模塊，用于對第一預(yù)處理數(shù)據(jù)和第二預(yù)處理數(shù)據(jù)進(jìn)行分割，得到訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；

37、模型建立模塊，用于利用多個機(jī)器學(xué)習(xí)算法建立多個根據(jù)光不同波段對泥沙組分的估算模型，包括在在多個機(jī)器學(xué)習(xí)算法模型中以不同波段的信息數(shù)據(jù)作為輸入變量，將粘土pc’、粉砂psi’、砂psa’作為輸出變量，建立根據(jù)光不同波段對泥沙組分的估算模型，表達(dá)式為：

38、pc’=f（b1,b2,,bn）；

39、psi’=f（b1,b2,,bn）；

40、psa’=f（b1,b2,,bn）；

41、其中，f（）為回歸函數(shù)，b1,b2,,bn為不同波段的信息數(shù)據(jù)，n為不同波段的數(shù)量；

42、模型驗證模塊，用于利用測試集中的數(shù)據(jù)驗證訓(xùn)練好的多個機(jī)器學(xué)習(xí)算法模型的擬合程度，根據(jù)擬合程度篩選出最優(yōu)算法模型；

43、預(yù)測模塊，用于篩選出最優(yōu)算法模型，并利用最優(yōu)算法模型計算灘涂泥沙組分。

44、本發(fā)明的進(jìn)一步改進(jìn)在于：采樣模塊進(jìn)行的具體操作包括：

45、對待測區(qū)域進(jìn)行多樣點(diǎn)的采樣，每一樣點(diǎn)范圍包括多個采樣點(diǎn)，獲得多個采樣樣品；

46、對采樣樣品進(jìn)行泥沙顆粒分析并記錄，獲得各個采樣點(diǎn)的泥沙組分?jǐn)?shù)據(jù),包含粘土pc、粉砂psi、砂psa。

47、本發(fā)明的進(jìn)一步改進(jìn)在于：第二預(yù)處理模塊進(jìn)行的具體操作包括：

48、獲取灘涂泥沙的衛(wèi)星遙感數(shù)據(jù)；

49、利用envi軟件對所收集的衛(wèi)星遙感數(shù)據(jù)進(jìn)行區(qū)域分割，按土地類型選取與待測區(qū)域?qū)?yīng)的存在淹沒頻率的光灘，形成遙感圖，其中，土地類型包括光灘、鹽沼植被帶等；

50、利用arcgis軟件中的重采樣功能，采用疊加采樣的方式，即先使用最臨近插值法，后使用雙線性插值法，對遙感圖進(jìn)行重采樣，利用掩膜提取功能對遙感圖進(jìn)行特征提取，并將提取出的特征進(jìn)行矢量化處理，生成矢量圖；

51、利用arcgis軟件對矢量圖進(jìn)行多值提取到點(diǎn)得到第二預(yù)處理數(shù)據(jù)。

52、本發(fā)明的進(jìn)一步改進(jìn)在于：模型驗證模塊進(jìn)行的具體操作包括：

53、將測試數(shù)據(jù)集的數(shù)據(jù)代入到訓(xùn)練好的多個機(jī)器學(xué)習(xí)算法模型中，獲得對應(yīng)機(jī)器學(xué)習(xí)算法模型的預(yù)測結(jié)果，包括粘土pc、粉砂psi、砂psa含量百分比；

54、驗證多個機(jī)器學(xué)習(xí)算法模型的擬合程度，具體包括：

55、利用決定系數(shù)、均方根誤差與平均絕對誤差作為評估指標(biāo)，對不同的機(jī)器學(xué)習(xí)算法模型的預(yù)測結(jié)果進(jìn)行對比，選取最優(yōu)的機(jī)器學(xué)習(xí)算法模型。

56、本發(fā)明的有益效果是：本發(fā)明使用遙感手段，獲取潮灘的不同光波段特征，并在gis平臺上整合，利用機(jī)器學(xué)習(xí)算法模型，可以實現(xiàn)潮灘泥沙不同組分的準(zhǔn)確估算，消除傳統(tǒng)方式在反演時的基礎(chǔ)數(shù)據(jù)誤差與非線性數(shù)據(jù)問題，從而提高灘涂泥沙組分的模擬精度。