一种基于极限学习机的高分一号黄东海绿潮遥感探测方法[发明专利]_百.docx

PAGE

1-

一种基于极限学习机的高分一号黄东海绿潮遥感探测方法[发明专利]_百

一、引言

随着全球气候变化和人类活动的影响，海洋生态系统正面临着前所未有的压力，其中之一就是绿潮现象的频繁发生。绿潮，也称为有害藻华，是指某些浮游生物在特定条件下大量繁殖，导致水体颜色异常，严重威胁海洋生物多样性和人类海洋活动。在我国，绿潮现象尤其在沿海地区时有发生，其中黄东海是绿潮事件的高发区之一。据统计，近年来黄东海绿潮事件发生的频率和强度逐年上升，严重影响了渔业资源和水产品质量，给沿海地区带来了巨大的经济损失。

为了有效监测和预警绿潮事件，遥感技术因其覆盖范围广、时效性强、成本低等优势，成为海洋环境监测的重要手段。高分一号卫星是我国自主研制的高分辨率对地观测卫星，具备全色和多光谱成像能力，能够提供高质量的海洋遥感数据。然而，由于绿潮水体与正常水体在光谱特征上存在较大差异，传统的遥感图像处理方法难以准确提取绿潮信息。

针对上述问题，本研究提出了一种基于极限学习机（ExtremeLearningMachine，ELM）的高分一号黄东海绿潮遥感探测方法。极限学习机是一种单隐层前馈神经网络，具有训练速度快、泛化能力强等优点。通过分析高分一号卫星的遥感数据，本研究选取了多个光谱波段和纹理特征作为输入，建立了ELM模型，实现了对黄东海绿潮的自动识别和分类。实验结果表明，该方法在黄东海绿潮遥感探测中具有较高的准确率和稳定性，能够有效提高绿潮监测的效率和精度。

本研究选取了2018年至2020年间黄东海地区的多景高分一号卫星遥感影像作为数据源，通过对这些影像的预处理和特征提取，构建了包含多个光谱波段和纹理特征的训练数据集。在模型训练过程中，我们针对不同类型的绿潮水体设计了多种特征组合，以增强模型的识别能力。经过多次实验对比，最终确定了最优的特征组合和参数设置，实现了对黄东海绿潮的准确识别。在实际应用中，该方法能够实时监测黄东海绿潮的动态变化，为相关部门提供及时、准确的预警信息，为海洋生态环境保护和渔业生产提供有力支持。

二、方法与材料

(1)本研究采用的高分一号卫星数据具有全色和多光谱成像能力，能够提供黄东海地区的详细遥感影像。数据预处理是模型建立的基础，包括辐射校正、几何校正和大气校正等步骤。在辐射校正中，利用太阳天顶角、太阳方位角和卫星传感器角度等参数，对原始遥感影像进行校正，消除大气和传感器本身的辐射影响。几何校正则通过地面控制点（GCPs）对影像进行精确定位，确保影像的空间几何精度。大气校正采用大气校正模型，如MODTRAN，对遥感影像进行大气校正，提高遥感数据的辐射质量。

(2)在特征提取阶段，本研究选取了多个光谱波段和纹理特征作为ELM模型的输入。光谱波段包括蓝光、绿光、红光、近红外等，分别对应不同的生物物理过程。纹理特征则通过影像的灰度共生矩阵（GLCM）等方法提取，如对比度、能量、熵等。为了提高特征的有效性，我们采用主成分分析（PCA）对特征进行降维处理，减少冗余信息，同时保留主要信息。经过特征降维后，我们得到了一个包含约30个特征的新特征集，用于ELM模型的训练。

(3)极限学习机（ELM）作为一种单隐层前馈神经网络，具有训练速度快、泛化能力强等优点。在模型训练过程中，我们首先确定隐层神经元数量，然后通过随机选择输入样本的方式生成训练样本集。对于ELM模型，隐层神经元数量与输入特征数量之间没有严格的限制，但过多的神经元可能导致过拟合。因此，我们通过交叉验证的方法确定最佳隐层神经元数量。在参数优化方面，我们采用遗传算法对ELM模型的参数进行优化，包括隐层神经元数量、激活函数和权重等。经过多次实验，我们选取了最佳的参数组合，实现了对黄东海绿潮的准确识别。在实际应用中，该模型能够对遥感影像进行实时处理，为绿潮监测提供有力支持。

三、实验结果与分析

(1)实验过程中，我们对建立的ELM模型进行了交叉验证，以评估模型的泛化能力。交叉验证采用5折法，将数据集分为5个子集，每次使用4个子集作为训练集，1个子集作为验证集，重复5次，最终取平均结果。经过交叉验证，ELM模型在黄东海绿潮遥感探测任务上的准确率达到88.2%，召回率为85.5%，F1分数为86.7%，表现出了良好的性能。与其他传统分类方法相比，ELM模型在准确率和召回率上均有显著提升，特别是在复杂的水体环境中，ELM模型的识别效果更为突出。

(2)为了验证模型在实际应用中的可行性，我们选取了2019年黄东海地区发生的一次绿潮事件作为案例。该事件覆盖面积约1000平方公里，持续时间约2个月。我们使用高分一号卫星获取的遥感影像，通过ELM模型对绿潮区域进行了自动识别。结果显示，模型成功识别出了约900平方公里的绿潮区域，与实地调查结果基本一致。通过与其他遥感分类方法的比较，E