【技术实现步骤摘要】
本专利技术涉及滩涂泥沙分析，具体是一种滩涂泥沙组分预测方法及系统。
技术介绍
1、潮滩不断演变是滩涂的典型特征之一，对泥沙组分的分析能够更好地处理滩涂演变问题，对滩涂的未来变化的研究及滩涂的进一步保护具有重要作用。目前，针对泥沙组分分析，现有研究方法多集中于常规回归模型，而对于通过人工智能机器学习对泥沙组分的估算研究却少有涉及。
2、为了更好地了解潮滩演变规律，为滩涂的保护提供科学依据，需要精确预测泥沙含量的组分变化。目前，借助卫星遥感技术可以获取光的不同波段信息，利用arcgis和空间模型，可以对光的波段数据进行空间整合分析，但主要存在难点：潮滩泥沙组分在小范围内都有较大变化，且其与光波段数据的关系并非完全线性，传统的预测模型多为多元线性回归模型，面对非线性问题时处理较为困难。
3、机器学习算法是一种利用数据，自动进行建模分析以及利用模型进一步预测的数据分析方法，是对非线性系统进行回归分析的有效方式，通过机器学习方法进行研究可以有效地克服多因素复杂关系的建立难题。将机器学习算法应用到泥沙组分的预测中，可以有效的提高精度。
4、综上，为了能够准确的掌握滩涂泥沙组分特性，有必要提出一种滩涂泥沙不同组分占比的估算方法，进一步为滩涂的科学保护提供有力的技术支撑。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种使用遥感手段，获取滩涂的不同光波段特征，并利用机器学习算法模型实现滩涂泥沙不同组分的准确估算。
2、为了达到上述目的，本专利
3、本专利技术的一种滩涂泥沙组分预测方法，包括如下操作：
4、对待测区域进行实地采样获得采样样本，根据采样样本测算出待测区域的泥沙组分数据；
5、对所测算出的泥沙组分数据进行线性均衡处理，获得第一预处理数据；
6、收集滩涂泥沙的卫星遥感数据并对卫星遥感数据进行预处理，得到第二预处理数据，第二预处理数据包括不同光波段的信息数据；
7、对第一预处理数据和第二预处理数据进行分割，得到训练数据集和测试数据集；
8、将训练数据集中的数据代入到多个机器学习算法模型中，在多个机器学习算法模型中以不同波段的信息数据作为输入变量，将粘土pc’、粉砂psi’、砂psa’作为输出变量，建立根据光不同波段对泥沙组分的估算模型，表达式为：
9、pc’=f（b1,b2,,bn）；
10、psi’=f（b1,b2,,bn）；
11、psa’=f（b1,b2,,bn）；
12、其中，f（）为回归函数，b1,b2,,bn为不同波段的信息数据，n为不同波段的数量；
13、利用测试集中的数据验证训练好的多个机器学习算法模型的拟合程度，根据拟合程度，对比不同机器学习算法模型反演结果的误差，筛选训练后误差最小、精度最高的机器学习算法模型，利用筛选出的机器学习算法模型计算滩涂泥沙组分。
14、本专利技术的进一步改进在于：对待测区域进行实地采样获得采样样本，根据采样样本测算出待测区域的泥沙组分数据，具体包括：
15、对待测区域进行多样点的采样，每一样点范围包括多个采样点，获得多个采样样品；
16、对采样样品进行泥沙颗粒分析并记录，获得各个采样点的泥沙组分数据,包含粘土pc、粉砂psi、砂psa。
17、本专利技术的进一步改进在于：收集滩涂泥沙的卫星遥感数据并对卫星遥感数据进行预处理，得到第二预处理数据，具体包括：
18、获取滩涂泥沙的卫星遥感数据；
19、利用envi软件对所收集的卫星遥感数据进行区域分割，按土地类型选取与待测区域对应的存在淹没频率的光滩，形成遥感图；
20、利用arcgis软件中的重采样功能，采用叠加采样的方式，即先使用最临近插值法，后使用双线性插值法，对遥感图进行重采样，利用掩膜提取功能对遥感图进行特征提取，并将提取出的特征进行矢量化处理，生成矢量图；
21、利用arcgis软件对矢量图进行多值提取到点得到第二预处理数据。
22、本专利技术的进一步改进在于：机器学习算法模型包括svr支持向量回归、随机森林rf、逻辑回归lr。
23、本专利技术的进一步改进在于：估算模型为：
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为海岸波段、b2为蓝波段、b3为绿波、b4为红波、b5为近红外波段、b6为短波红外1、b7为短波红外2。
28、本专利技术的进一步改进在于：利用测试集中的数据验证训练好的多个机器学习算法模型的拟合程度，根据拟合程度，对比不同机器学习算法模型反演结果的误差，筛选训练后误差最小、精度最高的机器学习算法模型，具体包括：
29、将测试数据集的数据代入到训练好的多个机器学习算法模型中，获得对应机器学习算法模型的预测结果，包括粘土pc、粉砂psi、砂psa含量百分比；
30、验证多个机器学习算法模型的拟合程度，具体包括：
31、利用决定系数、均方根误差与平均绝对误差作为评估指标，对不同的机器学习算法模型的预测结果进行对比，选取最优的机器学习算法模型。
32、本专利技术的滩涂泥沙组分预测系统，系统包括：
33、采样模块，用于对待测区域进行实地采样获得采样样本，根据采样样本测算出待测区域的泥沙组分数据；
34、第一预处理模块，用于对所测算出的泥沙组分数据进行线性均衡处理，获得第一预处理数据；
35、第二预处理模块，用于收集滩涂泥沙的卫星遥感数据并对卫星遥感数据进行预处理，得到第二预处理数据，第二预处理数据包括不同光波段的信息数据；
36、分割模块，用于对第一预处理数据和第二预处理数据进行分割，得到训练数据集和测试数据集；
37、模型建立模块，用于利用多个机器学习算法建立多个根据光不同波段对泥沙组分的估算模型，包括在在多个机器学习算法模型中以不同波段的信息数据作为输入变量，将粘土pc’、粉砂psi’、砂psa’作为输出变量，建立根据光不同波段对泥沙组分的估算模型，表达式为：
38、pc’=f（b1,b2,,bn）；
39、psi’=f（b1,b2,,bn）；
40、psa’=f（b1,b2,,bn）；
41、其中，f（）为回归函数，b1,b2,,bn为不同波段的信息数据，n为不同波段的数量；
42、模型验证模块，用于利用测试集中的数据验证训练好的多个机器学习算法模型的拟合程度，根据拟合程度筛选出最优算法模型；
43、预测模块，用于筛选出最优算法模型，并利用最优算法模型计算滩涂泥沙组分。
44、本专利技术的进一步改进本文档来自技高网...
【技术保护点】
1.一种滩涂泥沙组分预测方法，其特征在于：包括如下操作：
2.根据权利要求1所述的一种滩涂泥沙组分预测方法，其特征在于：所述对待测区域进行实地采样获得采样样本，根据采样样本测算出待测区域的泥沙组分数据，具体包括：
3.根据权利要求1所述的一种滩涂泥沙组分预测方法，其特征在于：所述收集滩涂泥沙的卫星遥感数据并对卫星遥感数据进行预处理，得到第二预处理数据，具体包括：
4.根据权利要求1所述的一种滩涂泥沙组分预测方法，其特征在于：所述机器学习算法模型包括SVR支持向量回归、随机森林RF、逻辑回归LR。
5.根据权利要求4所述的一种滩涂泥沙组分预测方法，其特征在于：所述估算模型为：
6.根据权利要求1所述的一种滩涂泥沙组分预测方法，其特征在于：所述利用测试集中的数据验证训练好的多个机器学习算法模型的拟合程度，根据拟合程度，对比不同机器学习算法模型反演结果的误差，筛选训练后误差最小、精度最高的机器学习算法模型，具体包括：
7.滩涂泥沙组分预测系统，其特征在于：所述系统包括：
8.根据权利要求7所述的滩涂泥沙
9.根据权利要求7所述的滩涂泥沙组分预测系统，其特征在于：所述第二预处理模块进行的具体操作包括：
10.根据权利要求7所述的滩涂泥沙组分预测系统，其特征在于：所述模型验证模块进行的具体操作包括：
...【技术特征摘要】
1.一种滩涂泥沙组分预测方法，其特征在于：包括如下操作：
2.根据权利要求1所述的一种滩涂泥沙组分预测方法，其特征在于：所述对待测区域进行实地采样获得采样样本，根据采样样本测算出待测区域的泥沙组分数据，具体包括：
3.根据权利要求1所述的一种滩涂泥沙组分预测方法，其特征在于：所述收集滩涂泥沙的卫星遥感数据并对卫星遥感数据进行预处理，得到第二预处理数据，具体包括：
4.根据权利要求1所述的一种滩涂泥沙组分预测方法，其特征在于：所述机器学习算法模型包括svr支持向量回归、随机森林rf、逻辑回归lr。
5.根据权利要求4所述的一种滩涂泥沙组分预测方法，其特征在于：所述估算模型为：
...【专利技术属性】
技术研发人员：安冬阳，方致远，王子杰，何凯彬，林宇豪，李欢，周曾，龚政，赵晨宇，秦景雪，
申请(专利权)人：河海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。