本发明环境监测与环境保护，具体涉及一种基于多源遥感数据的沿海水质分类反演方法及系统。
背景技术：
1、卫星遥感技术凭借其高空间覆盖度和准实时优势，已成为海洋水质空间分布调查的重要手段，广泛应用于近海水质评价。常规的水质遥感监测方法主要利用遥感反射率和现场观测数据反演特定水质参数，再根据水质分类标准划分水质等级。这种方法操作复杂，且由于近海复杂的大气条件和水体光学特性，导致水质参数反演误差较大。
2、机器学习算法在处理多变量和非线性问题上具有明显优势，已经成为构建水质评价遥感反演模型的重要方向。然而，机器学习模型通常需要大量训练样本数据。在实际应用中，受限于现场观测数据和卫星遥感影像的不足，模型训练样本数据相对有限，导致模型精度和泛化能力有待提高。
技术实现思路
1、本发明的目的在于针对现有技术中的缺陷和不足，提出一种基于多源遥感数据的沿海水质分类反演方法及系统，基于现场水质监测数据和多源卫星遥感数据获得训练集和测试集，通过对水质分类模型的训练集进行均衡及对输入特征进行选择优化，获得高精度及高效率的水质分类模型，从而提高了沿海水质分类遥感反演的精度与效率。
2、本发明的技术方案如下。
3、一方面，一种基于多源遥感数据的沿海水质分类反演方法，包括：
4、数据收集与预处理步骤，对收集到的两颗卫星的遥感数据进行大气校正，获得两颗卫星所有波段的遥感反射率；对两颗卫星所有波段的遥感反射率进行一致性分析，获得两颗卫星的相似波段及对应的遥感反射率；
5、训练样本数据集构建步骤，基于收集到的现场水质监测数据的经纬度信息，在两颗卫星的遥感数据中提取空间上对应的匹配数据点；将匹配数据点按水质分类类型进行分配，获得各水质类别的训练集和测试集，并在各水质类别的训练集数量出现不平衡时，采用过采样处理获得数量均衡的训练集；
6、水质分类模型训练步骤，基于沿海水质的污染因子和相似波段的遥感反射率，选取出水质分类模型的输入特征；使用各水质类别的训练集对水质分类模型进行训练，获得训练好的水质分类模型；
7、水质分类反演步骤，获取目标海域的待反演卫星遥感影像，基于各水质类别的测试集，使用训练好的水质分类模型对待反演卫星遥感影像进行水质分类反演，得到目标水域的水质等级空间分布情况。
8、优选的，所述的基于多源遥感数据的沿海水质分类反演方法还包括：采用混淆矩阵对水质分类结果进行评价的水质分类模型评估步骤。
9、优选的，对两颗卫星所有波段的遥感反射率进行一致性分析，获得两颗卫星的相似波段，具体包括：
10、基于两颗卫星各波段的遥感反射率，采用皮尔逊相关系数、平均绝对百分比误差、平均偏差、无偏均方根误差和平均比值对波段一致性进行依次评价，如果两波段的平均绝对百分比误差、平均偏差和无偏均方根误差低于设定值，且平均比和皮尔逊相关系数保持在接近1的相对高值，则说明两波段的遥感反射率具有一致性，以此获得两颗卫星的所有相似波段。
11、优选的，在各水质类别的训练集数量出现不平衡时，采用过采样处理获得数量均衡的训练集，具体包括：
12、在各水质类别的训练集数量出现不平衡时，采用smote算法进行处理获得数量均衡的训练集，使得各水质类别的训练集数量相同。
13、优选的，基于沿海水质的污染因子和相似波段的遥感反射率，选取出水质分类模型的输入特征，具体包括：
14、利用相关分析法对收集到的现场水质监测数据和卫星遥感数据进行分析，获得原始特征子集；
15、采用沙普利加性解释法shap对原始特征子集中各个特征进行重要性排序，根据重要性得分筛选排序在前的预设个特征作为初始优化特征子集；
16、采用粒子群算法对初始优化特征子集进行计算优化，得到最优特征子集。
17、优选的，利用相关分析法对现场水质监测数据和卫星遥感数据进行分析，获得原始特征子集，具体包括：通过相关性分析的方法将卫星遥感数据中不同波段的遥感反射率与污染因子进行相关性分析，寻找相关系数高于预设阈值的敏感特征波段；基于敏感特征波段的遥感反射率获得原始特征集；所述原始特征子集包括单波段特征、波段比特征、三波段组合特征和光谱指数特征。
18、优选的，采用沙普利加性解释法shap对原始特征子集中各个特征进行重要性排序，根据重要性得分筛选排序在前的预设个特征作为初始优化特征子集，具体包括：
19、采用沙普利加性解释法shap计算原始特征子集中各个特征的整体重要性得分；
20、按各个特征的整体重要性得分进行排序，获得整体重要性排序；
21、采用沙普利加性解释法shap计算原始特征子集中各个特征对各类水质的分类重要性得分；
22、按各个特征的分类重要性得分进行排序，获得分类重要性排序；
23、结合整体重要性排序和分类重要性排序，获取整体重要性排序的前若干特征以及分类重要性排序的前若干特征，作为初始优化特征子集。
24、优选的，采用粒子群算法对初始优化特征子集进行计算优化，得到最优特征子集，具体包括：
25、将初始优化特征子集代入粒子群算法中进行训练，利用网格搜索的方法确定模型的最优参数，并设置支持向量机的可调参数惩罚参数c和核函数kernel；粒子群算法随机初始化粒子的速度和位置，计算粒子的适应度函数值，根据粒子群算法的更新公式不断更新粒子的个体极值和全局极值，寻找最优解，以最优解对应的特征作为最优特征子集。
26、优选的，所述水质分类模型采用随机森林机器学习算法。
27、另一方面，一种基于多源遥感数据的沿海水质分类反演系统，包括：
28、数据收集与预处理模块，用于对收集到的两颗卫星的遥感数据进行大气校正，获得两颗卫星所有波段的遥感反射率；对两颗卫星所有波段的遥感反射率进行一致性分析，获得两颗卫星的相似波段及对应的遥感反射率；
29、训练样本数据集构建模块，用于基于收集到的现场水质监测数据的经纬度信息，在两颗卫星的遥感数据中提取空间上对应的匹配数据点；将匹配数据点按水质分类类型进行分配，获得各水质类别的训练集和测试集，并在各水质类别的训练集数量出现不平衡时，采用过采样处理获得数量均衡的训练集；
30、水质分类模型训练模块，用于基于沿海水质的污染因子和相似波段的遥感反射率，选取出水质分类模型的输入特征；使用各水质类别的训练集对水质分类模型进行训练，获得训练好的水质分类模型；
31、水质分类反演模块，用于获取目标海域的待反演卫星遥感影像，基于各水质类别的测试集，使用训练好的水质分类模型对待反演卫星遥感影像进行水质分类反演，得到目标水域的水质等级空间分布情况。
32、相比于现有技术，本发明具有以下有益效果：
33、(1)本发明通过多源卫星遥感数据的一致性分析，增加训练样本数量，并采用优化提升小样本训练数据集所构建水质分类模型的精度，从而构建出出适用于近海水质等级分类的遥感反演模型，进一步拓展了卫星遥感在海洋水质监测评估中的应用，为近岸水环境质量实时监测和海洋生态污染治理提供了技术支持；
34、(2)本发明构建了acolite大气校正算法在gee大数据平台的在线处理方法，从而实现两颗卫星遥感影像的在线获取与预处理；同时对两颗卫星大气校正后相似波段的遥感反射率进行一致性分析，发现在日尺度和年尺度上具有良好一致性的波段；这些处理技术为实现更高采样频率、更长时间序列的水质监测和开发多源卫星遥感水质反演模型(水质分类模型)提供了参考依据；
35、(3)本发明采用smote算法(synthetic minority oversampling technique)解决了模型训练样本分类不平衡的问题，并采用shap-pso(粒子群)优化算法来筛选机器学习算法所需的最优特征子集，这些优化方法显著提升了沿海水质分类遥感模型的精度；
36、(4)本发明通过定量评估以及典型海湾水体分类等级时空分布特征的比较分析，构建了基于随机森林算法的沿海水质分类模型，该模型具有较高的水质分类精度，可为沿海水质遥感评价应用提供新的技术手段。
1.一种基于多源遥感数据的沿海水质分类反演方法，其特征在于，包括：
2.根据权利要求1所述的基于多源遥感数据的沿海水质分类反演方法，其特征在于，还包括：采用混淆矩阵对水质分类结果进行评价的水质分类模型评估步骤。
3.根据权利要求1所述的基于多源遥感数据的沿海水质分类反演方法，其特征在于，对两颗卫星所有波段的遥感反射率进行一致性分析，获得两颗卫星的相似波段，具体包括：
4.根据权利要求1所述的基于多源遥感数据的沿海水质分类反演方法，其特征在于，在各水质类别的训练集数量出现不平衡时，采用过采样处理获得数量均衡的训练集，具体包括：
5.根据权利要求1所述的基于多源遥感数据的沿海水质分类反演方法，其特征在于，基于沿海水质的污染因子和相似波段的遥感反射率，选取出水质分类模型的输入特征，具体包括：
6.根据权利要求5所述的基于多源遥感数据的沿海水质分类反演方法，其特征在于，利用相关分析法对现场水质监测数据和卫星遥感数据进行分析，获得原始特征子集，具体包括：通过相关性分析的方法将卫星遥感数据中不同波段的遥感反射率与污染因子进行相关性分析，寻找相关系数高于预设阈值的敏感特征波段；基于敏感特征波段的遥感反射率获得原始特征集；所述原始特征子集包括单波段特征、波段比特征、三波段组合特征和光谱指数特征。
7.根据权利要求5所述的基于多源遥感数据的沿海水质分类反演方法，其特征在于，采用沙普利加性解释法shap对原始特征子集中各个特征进行重要性排序，根据重要性得分筛选排序在前的预设个特征作为初始优化特征子集，具体包括：
8.根据权利要求5所述的基于多源遥感数据的沿海水质分类反演方法，其特征在于，采用粒子群算法对初始优化特征子集进行计算优化，得到最优特征子集，具体包括：
9.根据权利要求1所述的基于多源遥感数据的沿海水质分类反演方法，其特征在于，所述水质分类模型采用随机森林机器学习算法。
10.一种基于多源遥感数据的沿海水质分类反演系统，其特征在于，包括：
