【技术实现步骤摘要】
本专利技术属于遥感中水质参数的反演，具体涉及基于kan网络的水质参数遥感反演方法及系统。
技术介绍
1、遥感反演技术在环境监测、资源管理和气候研究中具有重要应用。通过遥感影像，研究人员可以从地物表面的电磁波反射和发射信息中获取地物特征参数，实现如水质总氮、总磷、叶绿素-a等环境参数的定量化估算。然而，遥感影像具有多维、多尺度和高噪声等特性，使得传统的反演方法如统计回归模型等往往难以在复杂场景中达到高精度，这些模型是对水质参数和波段组合数据进行拟合，以得到水质参数与波段数据之间的拟合方程来进行反演，这一方法主要基于先前对水质参数与某一波段相关性的研究，再对相关性高的波段进行组合拟合。尽管方法简便，但目前随着在复杂场景高精度的需求使得研究人员将目光转移到机器学习领域。近年，深度学习方法在遥感反演领域展现了较强的潜力，因此，结合深度学习模型和物理约束的反演方法成为热点，以提升反演精度并保持物理合理性。具有光学敏感信号的水色参数有悬浮物浓度、浮游植物色素浓度、有色溶解有机物（cdomn）等。codmn的光学信号呈现弱敏感特征，总氮、总磷及氨氮属于非光敏信号水质参数，尽管其与水色参数可能存在共变关系，但是常规的单、多元线性回归模型难以构建卫星数据与水质参数数据之间的量化关系。相较而言，机器学习或深度学习算法能更好地表达卫星数据与水质参数之间潜在的复杂关系，以牺牲解释性为代价，构建精度更高的反演模型，具有更好的预测性。
2、随着深度学习算法的推进，研究人员更希望深度学习不止表现出高性能，并且要有更好的表征能力与解释能力。在现有发
3、综上所述，现有遥感反演任务中面临的难题主要在于如何降低资源消耗，以及如何在提高反演精度的同时保证反演的可解释性。基于此，本专利技术采用kan网络构建了遥感反演框架，通过kan网络的自身特性对反演的结果进行解释性操作，以提供一种基于kan网络的水质参数遥感反演方法及系统。
技术实现思路
1、针对当前深度学习算法下遥感反演通过神经网络使用大量数据集与较复杂的硬件部署来构建精度更高模型所存在的问题，本专利技术提出了一种基于kan网络的水质参数遥感反演方法及系统。
2、为实现上述目的，本专利技术采取如下技术方案：
3、基于kan网络的水质参数遥感反演方法，其按如下步骤：
4、步骤1、获取特定区域实地探测的水质参数，并按时间进行分类；
5、步骤2、获取多光谱遥感图像并实施数据预处理，主要处理为去云、数据重构以及提取水质参数所在地的波段反射率；
6、步骤3、构建kan网络模型架构，其中输入为某一点处遥感图像的波段反射率，而输出为该点处的水质参数，标签为水质参数的真实探测数据，损失函数为输出与标签的均方误差；
7、步骤4、将步骤1生成的水质参数数据集、步骤2生成的波段反射率数据集作为训练集，用步骤3所述的损失函数训练kan网络；
8、步骤5、将其他没有实地检测水质参数值的波段反射率输入到步骤4训练好的kan网络中，得到整个水域水质参数值，完成反演。
9、进一步的，步骤2中，多光谱遥感图像通过云层检测得到图像的云层掩膜后对图像进行去云操作，去云后的相关区域像素点反射率为0，通过重构算法对去云后的图像进行波段反射率重构，再提取重构后的遥感图像在水质参数所在地处的波段反射率。
10、进一步的，步骤3中，kan网络结构根据训练集设置，kan网络结构优选为[x,5,1]，通过构建简单且参数量少的三层网络结构（输入层、隐藏层、输出层）来逐步提取特征和逼近目标函数，其中，x为输入层个数，根据不同的遥感图像类型不同个数的波段影像来决定，5为隐藏层个数，1为输出层个数；所述目标函数为最终需要的反演函数，具体表示为：
11、；
12、；
13、；
14、其中， f是一个多变量连续函数，需要通过网络进行逼近，表示输入与输出结果之间的映射；是隐藏层的特征变换函数，用于对输入变量进行单变量非线性变换，通过对p=1,2,…,n的所有输入变量求和，生成隐藏层输出；是输出层的非线性激活函数，负责将隐藏层输出映射为输出贡献值；对q=0,1,…,2n的隐藏层输出进行线性组合或非线性映射，得到最终函数值 。
15、进一步的，步骤4中，损失函数通过均方误差来进行计算。更新迭代训练后得到的最终模型用于进行反演操作。损失函数为均方误差mse，具体表示为：
16、；
17、其中， l为函数损失， n是样本数量，是第 i个样本的真实值，是第 i 个样本的预测值。
18、进一步的，步骤4中，训练完成时会对网络的输出进行一个函数拟合，拟合过程是基于kan思想构建的网络的方法，网络每个神经元学习一种激活函数，但在拟合前，神经元处只有一个函数图像，需进行校验并与现有的已知函数，如对比后使用现有的已知函数拟合该处的函数图像，通过对所有神经元的函数拟合，得到最终的水质参数反演函数，x与y均是网络输入，这个函数可以用于步骤5的反演，也可以将所需反演的波段反射率输入给网络进行反演。因其网络的特殊性，可以可视化整个训练过程与结果。
19、进一步的，步骤5所得到的模型更加轻量化，反演效率也更高，可以更有效地进行部署，并用于工程实践。
20、进一步的，损失函数 是用来衡量网络输出与目标函数之间差距的指标；目标函数是kan网络最终逼近的理想结果，损失函数是优化目标函数逼近过程的工具。
21、本专利技术还公开了一种基于kan网络的水质参数遥感反演系统，用于执行上述方法，包括如下模块：
22、水质参数获取模块：获取特定区域实地探测的水质参数，并按时间进行分类；
23、图像获取及预处理模块：获取多光谱遥本文档来自技高网...
【技术保护点】
1.基于KAN网络的水质参数遥感反演方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于KAN网络的水质参数遥感反演方法，其特征在于，步骤2中，多光谱遥感图像通过云层检测得到图像的云层掩膜后对图像进行去云操作，去云后的相关区域像素点反射率为0，通过重构算法对去云后的图像进行波段反射率重构，再提取重构后的遥感图像在水质参数所在地处的波段反射率。
3.如权利要求1所述的基于KAN网络的水质参数遥感反演方法，其特征在于，步骤3中，KAN网络通过构建三层网络结构即输入层、隐藏层、输出层，逐步提取特征和逼近目标函数；所述目标函数为最终需要的反演函数，具体表示为：
4.如权利要求3所述的基于KAN网络的水质参数遥感反演方法，其特征在于，步骤4中，损失函数通过均方误差进行计算，具体表示为：
5.如权利要求4所述的基于KAN网络的水质参数遥感反演方法，其特征在于，步骤4中，训练完成时，对网络的输出进行函数拟合，拟合过程是基于KAN构建网络的方法，网络每个神经元学习一种激活函数，在拟合前，神经元处只有一个函数图像，需进行校验并与现有函数对比后
6.如权利要求4所述的基于KAN网络的水质参数遥感反演方法，其特征在于，损失函数是用来衡量网络输出与目标函数之间差距的指标；目标函数是KAN网络最终逼近的理想结果，损失函数是优化目标函数逼近过程的工具。
7.基于KAN网络的水质参数遥感反演系统，用于执行如权利要求1-6任一项所述的方法，其特征在于，包括如下模块：
...【技术特征摘要】
1.基于kan网络的水质参数遥感反演方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于kan网络的水质参数遥感反演方法，其特征在于，步骤2中，多光谱遥感图像通过云层检测得到图像的云层掩膜后对图像进行去云操作，去云后的相关区域像素点反射率为0，通过重构算法对去云后的图像进行波段反射率重构，再提取重构后的遥感图像在水质参数所在地处的波段反射率。
3.如权利要求1所述的基于kan网络的水质参数遥感反演方法，其特征在于，步骤3中，kan网络通过构建三层网络结构即输入层、隐藏层、输出层，逐步提取特征和逼近目标函数；所述目标函数为最终需要的反演函数，具体表示为：
4.如权利要求3所述的基于kan网络的水质参数遥感反演方法，其特征在于，步骤4中，损失函数通过均方误差进行计算，具体表示为：
5....
【专利技术属性】
技术研发人员：赵思远，胡淼，郭子璇，冯午，毕美华，罗杰，耿秀琳，
申请(专利权)人：杭州电子科技大学，
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。