A级毛片在线观看_国产午夜精品一区二区三区_最粗毛的熟妇_日本进口DVD播放器多少钱一部

題目

基(ji)于(yu)多人工神經網絡自(zi)適(shi)應(ying)選擇(ze)和城市河流高光譜圖(tu)像的水質參數制圖(tu)

應用關鍵(jian)詞

自適應、深(shen)度學習、多(duo)神經(jing)網絡(luo)、高光譜圖像、水質(zhi)監(jian)測(ce)

背景(jing)

水質參數主要包括磷、氮、生化需氧量（Biochemical oxygen demand, BOD）、化學需氧(yang)量（Chemical oxygen demand, COD）、葉綠素a。水(shui)(shui)(shui)質(zhi)參(can)數(shu)的異常會影響水(shui)(shui)(shui)生生物生存(cun)以及產(chan)生水(shui)(shui)(shui)污(wu)染，因此需要一種快速、高效的計算方法對水(shui)(shui)(shui)體污(wu)染物進行定(ding)量預測。

隨著(zhu)計算機科學和遙感(gan)技(ji)術的(de)迅速發(fa)展，高光譜遙感(gan)圖像(xiang)分析已被廣泛(fan)應用于大氣、土壤和水(shui)的(de)參數預(yu)測。目前，利用高光譜進行(xing)水(shui)質(zhi)估測的(de)研究(jiu)中(zhong)(zhong)，大多將其看成分類問題(ti)而不是回歸問題(ti)，并且研究(jiu)中(zhong)(zhong)構(gou)建的(de)模(mo)型較難適應水(shui)質(zhi)的(de)突然(ran)變化(hua)。同時，傳統的(de)特征選擇過程是低(di)效的(de)，并且只能預(yu)測一個(ge)水(shui)質(zhi)參數。

為(wei)解(jie)決上述(shu)問題(ti)，本研究提(ti)出(chu)了(le)多神經網絡自適應選擇方法（Self-adapting selection of multiple neural networks, SSNN），它是一種集相關和逐步回溯為一體(ti)(ti)的(de)端到端方法，可以(yi)在(zai)不同設置下(xia)選(xuan)擇最佳模(mo)型，并能定量預(yu)測6個水(shui)質(zhi)參數(shu)。在(zai)本研(yan)究中，使用數(shu)學和統計檢驗標準(zhun)支持所提出模(mo)型的(de)可靠性。本研(yan)究利用地面分析光譜儀（ASD）采集的(de)水(shui)體(ti)(ti)的(de)修正光譜反(fan)射(she)率，建立了(le)基于遙感數(shu)據(ju)的(de)自適應人工(gong)神經網絡（ANN），對水(shui)體(ti)(ti)氮、磷、BOD、COD、濁(zhuo)度(du)和Chla進行預(yu)測。

試驗設(she)計

試驗地點位于廣東省中山(shan)市的石(shi)岐河。北(bei)京大學劉瑜教(jiao)授團隊利用ASD（325 nm ~ 1075 nm）采集地(di)下水地(di)表光(guang)譜反射率(lv)，共獲(huo)(huo)得79個(ge)點的(de)地(di)面測量數據(ju)。每(mei)個(ge)采樣點獲(huo)(huo)取其水體氮(dan)、磷、BOD、COD、濁(zhuo)度和Chla數據(ju)。本研究使用(yong)的(de)無人機為大疆M600，高光(guang)譜成像儀為Gaiasky-mini2-VN（江蘇雙利合譜），其(qi)波長(chang)范(fan)圍為401.81 nm ~ 999.28 nm，在120米高(gao)的(de)天空中飛行，空間分辨(bian)率為40 cm。

ASD和(he)高(gao)光譜成(cheng)像儀(yi)(yi)的(de)波(bo)(bo)段(duan)值(zhi)不同，前(qian)者的(de)波(bo)(bo)段(duan)范圍(wei)覆蓋(gai)后(hou)(hou)者的(de)波(bo)(bo)段(duan)范圍(wei)。根(gen)據(ju)測量輻(fu)射度的(de)協議和(he)輻(fu)射度-反(fan)射率(lv)傳(chuan)遞法(fa)獲得ASD反(fan)射率(lv)后(hou)(hou)，我們將(jiang)ASD的(de)波(bo)(bo)長(chang)投影(ying)到高(gao)光譜成(cheng)像儀(yi)(yi)上，使其具有相同的(de)中心和(he)波段數。然后，通過特征工程，在(zai)404.0 nm ~ 894.3 nm范圍內(nei)選取145個(ge)特征波(bo)段。UAV高光譜(pu)圖像數據中每個(ge)像元點包含的270個(ge)波段的反射(she)率數據可以轉移成(cheng)145個(ge)特(te)征波段。由于未對圖像(xiang)進行大氣(qi)校(xiao)正，我們選擇地(di)面點來(lai)消除ASD與(yu)高光譜成像(xiang)儀反射率的差異。

圖1顯(xian)示了用于(yu)估(gu)計水(shui)質參數(shu)(shu)(shu)的(de)方法。首先，地面樣本包含ASD反(fan)(fan)射率數(shu)(shu)(shu)據(ju)(ju)和水(shui)質參數(shu)(shu)(shu)兩部分，用于(yu)建(jian)立(li)SSNN模(mo)(mo)型(xing)。其次，利(li)用非線性反(fan)(fan)射率傳遞(di)模(mo)(mo)型(xing)中的(de)UAV高(gao)光譜圖像數(shu)(shu)(shu)據(ju)(ju)作為輸入(ru)，通過將UAV的(de)反(fan)(fan)射率傳遞(di)到ASD來細化數(shu)(shu)(shu)據(ju)(ju)。第(di)三，傳遞(di)的(de)UAV反(fan)(fan)射率數(shu)(shu)(shu)據(ju)(ju)被(bei)用于(yu)SSNN模(mo)(mo)型(xing)，從而對水(shui)質參數(shu)(shu)(shu)進(jin)行定量估(gu)計，并利(li)用ArcGIS軟件包生成專題圖。

本文提出的SSNN模型主(zhu)要(yao)由神經網絡、線(xian)性回歸(gui)和反饋機三部分組成（圖2）。ANN是傳統的(de)數值預(yu)測ANN，包括特征選擇、逐步回溯和權重(zhong)相關性。線性回歸(gui)被設計(ji)用(yong)于(yu)調整最終結果。反饋(kui)機(ji)用(yong)于(yu)SSNN模(mo)型的(de)自(zi)適應，更新(xin)神經(jing)(jing)網絡結構的(de)設置(zhi)，如隱藏層(ceng)數、激活函數和每個隱藏層(ceng)的(de)神經(jing)(jing)元數。

SSNN的訓練數據包括每個點的水面反射率和所有污染物的含量水平。該方法通過對所有ANN - BP進行比較，篩選出最(zui)you的(de)反演模型。在SSNN模型中進行反向傳播、逐步回溯、Pearson相關和余弦相關。根據均方根誤差（RMSE）、F統計量、t統計量和R平方值，使用具有不同隱層數、隱層節點數、優化器和激活函數的各種神經網絡來選擇其中的最佳神經網絡。

圖1 用于水(shui)質參數的多(duo)神經(jing)網絡自(zi)適應選擇法(fa)（SSNN）的工作流程

圖2 SSNN模(mo)型結構

結論

表1展示了不同路線(xian)(xian)的(de)水(shui)(shui)(shui)質(zhi)(zhi)參(can)數。D1的(de)渾濁度(du)、Chla、BOD、COD和氮在(zai)各樣(yang)地中(zhong)最高(gao)，因為(wei)水(shui)(shui)(shui)樣(yang)采集于養魚池(chi)。有機(ji)物導致(zhi)高(gao)濃度(du)的(de)BOD、COD和氮。由于缺乏良好的(de)出水(shui)(shui)(shui)口和進水(shui)(shui)(shui)口，水(shui)(shui)(shui)池(chi)濁度(du)高(gao)度(du)集中(zhong)，造(zao)成水(shui)(shui)(shui)池(chi)濁度(du)迅速增加。其他路線(xian)(xian)的(de)水(shui)(shui)(shui)質(zhi)(zhi)參(can)數濃度(du)較低(di)，這是因為(wei)存在水交(jiao)換，生(sheng)活廢物較少。

表1 研究區(qu)79個訓練數(shu)據組(zu)成的(de)不同路線水質(zhi)參(can)數(shu)的(de)范(fan)圍(wei)和平均值(zhi)

圖3展示(shi)了迭代次數(shu)(shu)從100到1000次過程中，每100次迭代的(de)(de)精度(du)變化，以及(ji)所選(xuan)ANN-BP模型(xing)精度(du)優(you)于其他(ta)(ta)4個(ge)模型(xing)。所選(xuan)模型(xing)在隱層(ceng)數(shu)(shu)、隱層(ceng)節點(dian)數(shu)(shu)、優(you)化器的(de)(de)選(xuan)擇、激(ji)活函數(shu)(shu)的(de)(de)選(xuan)擇等方面與其他(ta)(ta)四個(ge)模型(xing)不同。從圖3a-c可以看出，在100 ~ 400次迭代下，所選(xuan)ANN-BP模型(xing)的(de)(de)性能并沒有(you)優(you)于其他(ta)(ta)4個(ge)ANN-BP模型(xing)，但逐(zhu)漸優(you)于其余模型。經過(guo)600次(ci)迭(die)代，圖3a-c獲得相(xiang)對穩(wen)定的精度，模型(xing)達(da)到平衡。

圖3 不同(tong)水質參(can)數和訓(xun)練(lian)迭代的精度(du)圖

表2給(gei)出了所選(xuan)ANN-BP模(mo)(mo)(mo)型(xing)的(de)評(ping)價標準以(yi)及(ji)t統計量(liang)對(dui)應的(de)p值。濁度(du)和Chla有最大的(de)RMSE，因為濁度(du)和Chla在(zai)單位(wei)的(de)量(liang)級(ji)和范(fan)圍上(shang)都大于其他值。F檢驗零假設(she)表(biao)明，模(mo)(mo)(mo)型(xing)2并不比模(mo)(mo)(mo)型(xing)1更能顯著擬合數(shu)據。一(yi)個好的(de)ANN-BP模(mo)(mo)(mo)型(xing)通常會給(gei)出一(yi)個較(jiao)大的(de)F統計量(liang)，并且所有模(mo)(mo)(mo)型(xing)之(zhi)間只對(dui)一(yi)種水(shui)質(zhi)參(can)(can)數(shu)進行比較(jiao)。表(biao)2中的(de)P值都大于0.05，表(biao)明在(zai)95%的(de)置(zhi)信水(shui)平下，接受無效假設(she)，對(dui)于其中一(yi)個水(shui)質(zhi)參(can)(can)數(shu)而(er)言，模(mo)(mo)(mo)型(xing)產生的(de)平均值等于真實模(mo)(mo)(mo)型(xing)的(de)分(fen)布。R²值均大于0.5，表明超過50%的方差可以被自變量解釋。

表2 SSNN方法(fa)中有關(guan)水質的參數

表3列出了不同方法在整個區域測試集上的性能，包括SSNN、傳統單層神經網絡和Liew等人的經驗方法。本研究所提出方法在RMSE和MPAE方面優于其他方法。SSNN對氮的估算效(xiao)果最(zui)jia（MPAE最(zui)di）。MPAE比RMSE更有說服力，因為它有效地證明了所提出方法的數值預測的準確性。后期需(xu)要在整(zheng)個區域內(nei)收集更多的(de)(de)數據(ju)，以確保對各項水(shui)質(zhi)參數進行準確的(de)(de)數值(zhi)預測(ce)。氮的(de)(de)R²值比其他(ta)的R²值大，而一些R²值高的水質(zhi)參數(shu)由于(yu)隨(sui)機樣本量(liang)小，其MPAE可能并不(bu)低。本(ben)研究所(suo)提(ti)出(chu)的(de)方法(fa)對大(da)多數水(shui)質參數的(de)預測是正確(que)的(de)，盡(jin)管樣(yang)本(ben)沒有覆蓋整個區域上所(suo)有間(jian)隔40厘米的(de)像素(su)點。

表3 不(bu)同(tong)模式(shi)的統計參數比(bi)較

如前所述，將地面ASD反(fan)射(she)率(lv)和(he)水(shui)質(zhi)參(can)(can)(can)數(shu)(shu)(shu)作(zuo)為(wei)SSNN模(mo)型(xing)(xing)的(de)輸入，建立(li)訓練(lian)模(mo)型(xing)(xing)，然(ran)后將UAV高光譜反(fan)射(she)率(lv)圖(tu)像(xiang)作(zuo)為(wei)SSNN模(mo)型(xing)(xing)的(de)輸入，預測水(shui)質(zhi)參(can)(can)(can)數(shu)(shu)(shu)。圖(tu)4顯示了在480、550和(he)670 nm三個波長(chang)下(xia)估計水(shui)質(zhi)參(can)(can)(can)數(shu)(shu)(shu)的(de)結果(guo)圖(tu)像(xiang)。各個水(shui)質(zhi)參(can)(can)(can)數(shu)(shu)(shu)的(de)分(fen)(fen)布可(ke)以(yi)(yi)很容易地觀察到，當(dang)地環保部門可(ke)以(yi)(yi)追蹤各個水(shui)質(zhi)參(can)(can)(can)數(shu)(shu)(shu)含(han)量水(shui)平(ping)隨時間的(de)分(fen)(fen)布和(he)變化情(qing)況，以(yi)(yi)確定污染源。雖然(ran)圖(tu)4只顯示了整個研(yan)究區域的(de)一(yi)部分(fen)(fen)，但其結果(guo)具有代表(biao)性。結果(guo)表(biao)明，人們居住的(de)地方或生產皮革和(he)塑料(liao)的(de)工(gong)廠大多(duo)被高濁度、COD、BOD和(he)磷污染。特征波長(chang)可(ke)以(yi)(yi)定量和(he)定性地解釋(shi)水(shui)質(zhi)參(can)(can)(can)數(shu)(shu)(shu)的(de)變化。

圖4 SSNN在水質參數反演中的應用

作者信息(xi)

劉瑜，博士，北京大學地球與空間科學學院(yuan)教授，博士生(sheng)導師。

主要(yao)研究(jiu)方向：基于時空大數據的人文(wen)社會科學研究(jiu)。

參考文獻：

Zhang, Y., Wu, L., Ren, H., Liu, Y., Zheng, Y., Liu, Y., & Dong, J. (2020). Mapping Water Quality Parameters in Urban Rivers from Hyperspectral Images Using a New Self-Adapting Selection of Multiple Artificial Neural Networks. Remote Sensing, 12(2).