本发明属于遥感图像智能分析，尤其涉及一种河湖叶绿素a浓度遥感监测预警方法。
背景技术：
1、叶绿素a浓度是河湖水质安全监测的重要要素，也是水环境治理的关键内容。随着城市和社会经济快速发展，大量河湖富营养化，导致水藻爆发，叶绿素a浓度超标，严重威胁河湖饮用水安全。河湖叶绿素a是水质监测站点的关键参数，其对于河湖富营养化转换以及碳氮循环具有重要价值，也是水污染监测和治理的重要要素。
2、传统的河湖叶绿素a浓度监测一般以站点连续监测或实地采样分析为主，虽然能够准确地测得叶绿素a浓度，但需要消耗大量人力、物力、财力，且只能获得监测点位局部范围内的叶绿素a浓度。遥感技术具有连续性强、监测范围广、相对成本低等优点，用多光谱或高光谱遥感技术监测水质不仅可以快速及时地掌握大范围河湖的整体叶绿素a浓度状况，提高监测效率、降低监测成本，还可以反映常规方法难以揭示的叶绿素a浓度时空迁移特征。因此，遥感作为现有水质参数立体监测体系的重要组成部分，与传统水质站点监测数据有机结合，已经在河湖叶绿素a浓度监测和预警中发挥着重要作用。
3、自20世纪70年代开始，遥感技术被应用到内陆河湖水体水质的研究中。zarco-tejada等通过对超光谱数据casi的72个波段进行分析，发现使用波段r750/r710波段组合能取得更好的水质参数叶绿素a浓度的反演精度。mattews等通过对南非zeekoevlei湖泊chla、tss、cdom等水质参数反演进行研发，发现营养程度较高的水体中使用经验方法建立的模型具有较高的反演精度。闻见广等使用半经验方法，建立了太湖水体叶绿素a的遥感监测模型，探讨了使用高光谱和多光谱数据建立反演模型的可行性。
4、目前已有大量国内外学者针对不同类型遥感数据，开展了叶绿素a浓度反演模型研究，但存在以下不足：(1)利用哨兵二号等数据开展叶绿素a浓度反演以经验模型居多，缺乏采用智能算法进行多源卫星数据协同叶绿素a浓度反演模型研究；(2)以局部区域研究居多，缺乏对大范围的叶绿素a浓度时空连续的遥感产品生产能力；(3)利用遥感手段开展叶绿素a浓度反演和监测居多，尚缺乏对于叶绿素a浓度预警的产品。
技术实现思路
1、为解决上述技术问题，本发明提出了一种河湖叶绿素a浓度遥感监测预警方法，实现河湖水质风险动态预警。
2、为实现上述目的，本发明提供了一种河湖叶绿素a浓度遥感监测预警方法，包括：获取河湖叶绿素a浓度的多源遥感数据，对所述多源遥感数据进行辐射归一化处理，获得归一化处理后的数据集；
3、基于所述归一化处理后的数据集，采用卷积神经网络获得河湖叶绿素a遥感特征波段，结合辐射归一化特征波段构建叶绿素a遥感特征集；
4、基于所述叶绿素a遥感特征集，结合地面连续观测的水质监测数据，构建大范围、长时序河湖叶绿素a遥感样本库，所述大范围、长时序河湖叶绿素a遥感样本库用于训练河湖叶绿素a智能反演模型；
5、将所述叶绿素a遥感特征集输入训练好的河湖叶绿素a智能反演模型，结合gee卫星遥感数据平台，获得大范围、长时序河湖时序叶绿素a含量图，对叶绿素a含量的定量反演，生成大范围河湖水体的时序叶绿素a遥感产品；
6、根据所述大范围河湖水体的时序叶绿素a遥感产品，以水质监测站点为真值约束，采用改进步长的长短期记忆网络模型，获得训练好的河湖叶绿素a预测模型，对河湖叶绿素a的未来浓度进行预测；
7、根据河湖叶绿素a时序遥感监测和未来预测浓度，对大范围河湖水质进行预警。
8、根据本发明提供的河湖叶绿素a浓度遥感监测预警方法，获得归一化处理后的数据集包括：
9、
10、其中，为第i个波段辐射归一化图像的dn值；si为原始目标图像第i个波段的dn值；αi和βi分别为第i个波段增益系数与偏置系数。
11、根据本发明提供的河湖叶绿素a浓度遥感监测预警方法，获得河湖叶绿素a遥感特征波段包括：
12、采用卷积神经网络抽取河湖叶绿素a遥感特征，具体包括：
13、卷积公式如下：
14、
15、relu激活函数公式如下：
16、f(zi,j)＝max(0,zi,j)，
17、其中，zi,j为位置为(i,j)像素点卷积后的特征值；x为归一化图像位置为(i,j)像素点的辐射值；k为卷积核。
18、根据本发明提供的河湖叶绿素a浓度遥感监测预警方法，构建叶绿素a遥感特征集包括：
19、featureset＝{itf,t＝1,2,…,t；f＝1,2,…,f}，
20、其中，t为时序图像；f为特征数量；f为图像波段数。
21、根据本发明提供的河湖叶绿素a浓度遥感监测预警方法，所述大范围、长时序河湖叶绿素a遥感样本库为：
22、dataset＝{(xtn,ytn)}，t＝1,2…,t,n＝1,2,…n，
23、xtn＝[it1(i,j),it2(i,j),…,itf(i,j)]，
24、其中，dataset为大范围、长时序河湖叶绿素a遥感样本库；t为时序遥感图像的数量；n为样本数量；f为特征数量；xtn为第n个样本点第t时刻的特征向量；ytn为第n个样本点第t时刻的观测值。
25、根据本发明提供的河湖叶绿素a浓度遥感监测预警方法，获得训练好的河湖叶绿素a智能反演模型的过程包括：
26、采用二分法对所述叶绿素a遥感特征集中的连续特征值进行离散化并进行排序，获得第一特征的若干切分点；
27、根据所述第一特征进行切分，获得若干切分点的集合；
28、采用具有若干个叶子节点的回归树将所述叶绿素a遥感特征集划分为若干子集；
29、选取特征和切分点，获得所述叶绿素a遥感特征集中被切分的两个特征空间子集；
30、遍历所述叶绿素a遥感特征集中的所有特征，寻找最优切分特征和最优切分点；
31、将每个所述特征空间子集中所有目标的平均值作为所述特征空间子集的输出值；
32、重复上述六个步骤，直到平方误差最小，获得训练好的河湖叶绿素a智能反演模型。
33、根据本发明提供的河湖叶绿素a浓度遥感监测预警方法，获得训练好的河湖叶绿素a预测模型的过程包括：
34、根据所述时序叶绿素a遥感数据产品，将河湖监测区域中每个观测点的时序叶绿素a浓度记为一个集合；
35、从所述集合中提取出长度为l的训练样本，并将所述训练样本中的前l-1个时间点的叶绿素a浓度作为样本输入，将最后一个时间点的叶绿素a浓度作为样本标签；
36、将所述训练样本输入长短期记忆网络模型，对叶绿素a量异常的驱动因素进行学习，并采用反向传播算法优化所述长短期记忆网络模型的参数，获得训练好的河湖叶绿素a预测模型。
37、根据本发明提供的河湖叶绿素a浓度遥感监测预警方法，采用反向传播算法对长短期记忆网络模型进行训练，获得训练好的长短期记忆网络模型包括：
38、通过前向传播计算方法获得每个长短期记忆网络神经元的输出值；
39、按照时间和网络层级两个反向传播方向计算每个长短期记忆网络神经元的误差项；
40、根据每个长短期记忆网络神经元的误差项，获得长短期记忆网络模型每个权重的更新梯度；
41、选取深度学习优化器，设定损失函数最小为优化目标，给定样本分割长度、网络层数、隐藏层节点数、学习率以及训练次数，不断更新长短期记忆网络模型的权重，获得训练好的长短期记忆网络模型。
42、本发明技术效果：本发明公开了一种河湖叶绿素a浓度遥感监测预警方法，构建了大范围河湖叶绿素a遥感智能反演模型，突破了原有大范围河湖叶绿素a遥感监测预警产品难以自动生产的技术瓶颈；本发明采用多源卫星遥感数据，构建叶绿素a遥感特征波段和样本库，结合随机森林算法，构建河湖叶绿素a浓度智能反演模型；本发明进一步结合时序叶绿素a遥感数据产品，采用基于改进步长的长短期记忆网络算法，构建河湖叶绿素a预测产品生成模型，实现河湖水质风险动态预警。
1.一种河湖叶绿素a浓度遥感监测预警方法，其特征在于，包括：
2.如权利要求1所述的河湖叶绿素a浓度遥感监测预警方法，其特征在于，
3.如权利要求1所述的河湖叶绿素a浓度遥感监测预警方法，其特征在于，
4.如权利要求1所述的河湖叶绿素a浓度遥感监测预警方法，其特征在于，
5.如权利要求1所述的河湖叶绿素a浓度遥感监测预警方法，其特征在于，
6.如权利要求1所述的河湖叶绿素a浓度遥感监测预警方法，其特征在于，
7.如权利要求1所述的河湖叶绿素a浓度遥感监测预警方法，其特征在于，
8.如权利要求7所述的河湖叶绿素a浓度遥感监测预警方法，其特征在于，
