日韩av大片在线观看欧美成人不卡|午夜先锋看片|中国女人18毛片水多|免费xx高潮喷水|国产大片美女av|丰满老熟妇好大bbbbbbbbbbb|人妻上司四区|japanese人妻少妇乱中文|少妇做爰喷水高潮受不了|美女人妻被颜射的视频,亚洲国产精品久久艾草一,俄罗斯6一一11萝裸体自慰,午夜三级理论在线观看无码

題目

基于多人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)選擇和城市河流高光譜圖像的水質(zhì)參數(shù)制圖

應(yīng)用關(guān)鍵詞

自適應(yīng)、深度學(xué)習(xí),、多神經(jīng)網(wǎng)絡(luò),、高光譜圖像、水質(zhì)監(jiān)測

背景

水質(zhì)參數(shù)主要包括磷,、氮,、生化需氧量（Biochemical oxygen demand, BOD）、化學(xué)需氧量（Chemical oxygen demand, COD）、葉綠素a,。水質(zhì)參數(shù)的異常會影響水生生物生存以及產(chǎn)生水污染,，因此需要一種快速、高效的計算方法對水體污染物進行定量預(yù)測,。

隨著計算機科學(xué)和遙感技術(shù)的迅速發(fā)展,，高光譜遙感圖像分析已被廣泛應(yīng)用于大氣、土壤和水的參數(shù)預(yù)測,。目前,，利用高光譜進行水質(zhì)估測的研究中，大多將其看成分類問題而不是回歸問題,，并且研究中構(gòu)建的模型較難適應(yīng)水質(zhì)的突然變化,。同時，傳統(tǒng)的特征選擇過程是低效的,，并且只能預(yù)測一個水質(zhì)參數(shù),。

為解決上述問題，本研究提出了多神經(jīng)網(wǎng)絡(luò)自適應(yīng)選擇方法（Self-adapting selection of multiple neural networks, SSNN）,，它是一種集相關(guān)和逐步回溯為一體的端到端方法,，可以在不同設(shè)置下選擇最佳模型，并能定量預(yù)測6個水質(zhì)參數(shù),。在本研究中,，使用數(shù)學(xué)和統(tǒng)計檢驗標(biāo)準(zhǔn)支持所提出模型的可靠性。本研究利用地面分析光譜儀（ASD）采集的水體的修正光譜反射率,，建立了基于遙感數(shù)據(jù)的自適應(yīng)人工神經(jīng)網(wǎng)絡(luò)（ANN）,，對水體氮、磷,、BOD,、COD、濁度和Chla進行預(yù)測,。

試驗設(shè)計

試驗地點位于廣東省中山市的石岐河,。北京大學(xué)劉瑜教授團隊利用ASD（325 nm ~ 1075 nm）采集地下水地表光譜反射率，共獲得79個點的地面測量數(shù)據(jù),。每個采樣點獲取其水體氮,、磷、BOD,、COD,、濁度和Chla數(shù)據(jù)。本研究使用的無人機為大疆M600,，高光譜成像儀為Gaiasky-mini2-VN（江蘇雙利合譜）,，其波長范圍為401.81 nm ~ 999.28 nm,，在120米高的天空中飛行，空間分辨率為40 cm,。

ASD和高光譜成像儀的波段值不同,，前者的波段范圍覆蓋后者的波段范圍。根據(jù)測量輻射度的協(xié)議和輻射度-反射率傳遞法獲得ASD反射率后,，我們將ASD的波長投影到高光譜成像儀上,，使其具有相同的中心和波段數(shù)。然后,，通過特征工程,，在404.0 nm ~ 894.3 nm范圍內(nèi)選取145個特征波段。UAV高光譜圖像數(shù)據(jù)中每個像元點包含的270個波段的反射率數(shù)據(jù)可以轉(zhuǎn)移成145個特征波段,。由于未對圖像進行大氣校正，我們選擇地面點來消除ASD與高光譜成像儀反射率的差異,。

圖1顯示了用于估計水質(zhì)參數(shù)的方法,。首先，地面樣本包含ASD反射率數(shù)據(jù)和水質(zhì)參數(shù)兩部分,，用于建立SSNN模型,。其次，利用非線性反射率傳遞模型中的UAV高光譜圖像數(shù)據(jù)作為輸入,，通過將UAV的反射率傳遞到ASD來細(xì)化數(shù)據(jù),。第三，傳遞的UAV反射率數(shù)據(jù)被用于SSNN模型,，從而對水質(zhì)參數(shù)進行定量估計,，并利用ArcGIS軟件包生成專題圖。

本文提出的SSNN模型主要由神經(jīng)網(wǎng)絡(luò),、線性回歸和反饋機三部分組成（圖2）,。ANN是傳統(tǒng)的數(shù)值預(yù)測ANN，包括特征選擇,、逐步回溯和權(quán)重相關(guān)性,。線性回歸被設(shè)計用于調(diào)整最終結(jié)果。反饋機用于SSNN模型的自適應(yīng),，更新神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)置,，如隱藏層數(shù)、激活函數(shù)和每個隱藏層的神經(jīng)元數(shù),。

SSNN的訓(xùn)練數(shù)據(jù)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you的反演模型,。在SSNN模型中進行反向傳播,、逐步回溯,、Pearson相關(guān)和余弦相關(guān)。根據(jù)均方根誤差（RMSE）,、F統(tǒng)計量,、t統(tǒng)計量和R平方值，使用具有不同隱層數(shù),、隱層節(jié)點數(shù),、優(yōu)化器和激活函數(shù)的各種神經(jīng)網(wǎng)絡(luò)來選擇其中的最佳神經(jīng)網(wǎng)絡(luò)。

圖1 用于水質(zhì)參數(shù)的多神經(jīng)網(wǎng)絡(luò)自適應(yīng)選擇法（SSNN）的工作流程

圖2 SSNN模型結(jié)構(gòu)

結(jié)論

表1展示了不同路線的水質(zhì)參數(shù),。D1的渾濁度,、Chla、BOD,、COD和氮在各樣地中最高,，因為水樣采集于養(yǎng)魚池。有機物導(dǎo)致高濃度的BOD,、COD和氮,。由于缺乏良好的出水口和進水口，水池濁度高度集中,，造成水池濁度迅速增加,。其他路線的水質(zhì)參數(shù)濃度較低，這是因為存在水交換,，生活廢物較少,。

表1 研究區(qū)79個訓(xùn)練數(shù)據(jù)組成的不同路線水質(zhì)參數(shù)的范圍和平均值

圖3展示了迭代次數(shù)從100到1000次過程中，每100次迭代的精度變化,，以及所選ANN-BP模型精度優(yōu)于其他4個模型,。所選模型在隱層數(shù)、隱層節(jié)點數(shù),、優(yōu)化器的選擇,、激活函數(shù)的選擇等方面與其他四個模型不同。從圖3a-c可以看出,，在100 ~ 400次迭代下,，所選ANN-BP模型的性能并沒有優(yōu)于其他4個ANN-BP模型，但逐漸優(yōu)于其余模型,。經(jīng)過600次迭代,，圖3a-c獲得相對穩(wěn)定的精度，模型達到平衡,。

圖3 不同水質(zhì)參數(shù)和訓(xùn)練迭代的精度圖

表2給出了所選ANN-BP模型的評價標(biāo)準(zhǔn)以及t統(tǒng)計量對應(yīng)的p值,。濁度和Chla有最大的RMSE，因為濁度和Chla在單位的量級和范圍上都大于其他值,。F檢驗零假設(shè)表明,，模型2并不比模型1更能顯著擬合數(shù)據(jù),。一個好的ANN-BP模型通常會給出一個較大的F統(tǒng)計量，并且所有模型之間只對一種水質(zhì)參數(shù)進行比較,。表2中的P值都大于0.05,，表明在95%的置信水平下，接受無效假設(shè),，對于其中一個水質(zhì)參數(shù)而言,，模型產(chǎn)生的平均值等于真實模型的分布。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方法中有關(guān)水質(zhì)的參數(shù)

表3列出了不同方法在整個區(qū)域測試集上的性能，包括SSNN,、傳統(tǒng)單層神經(jīng)網(wǎng)絡(luò)和Liew等人的經(jīng)驗方法,。本研究所提出方法在RMSE和MPAE方面優(yōu)于其他方法。SSNN對氮的估算效果最jia（MPAE最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(shù)值預(yù)測的準(zhǔn)確性。后期需要在整個區(qū)域內(nèi)收集更多的數(shù)據(jù),，以確保對各項水質(zhì)參數(shù)進行準(zhǔn)確的數(shù)值預(yù)測。氮的R²值比其他的R²值大,，而一些R²值高的水質(zhì)參數(shù)由于隨機樣本量小,，其MPAE可能并不低。本研究所提出的方法對大多數(shù)水質(zhì)參數(shù)的預(yù)測是正確的,，盡管樣本沒有覆蓋整個區(qū)域上所有間隔40厘米的像素點,。

表3 不同模式的統(tǒng)計參數(shù)比較

如前所述，將地面ASD反射率和水質(zhì)參數(shù)作為SSNN模型的輸入,，建立訓(xùn)練模型,，然后將UAV高光譜反射率圖像作為SSNN模型的輸入，預(yù)測水質(zhì)參數(shù),。圖4顯示了在480,、550和670 nm三個波長下估計水質(zhì)參數(shù)的結(jié)果圖像。各個水質(zhì)參數(shù)的分布可以很容易地觀察到,，當(dāng)?shù)丨h(huán)保部門可以追蹤各個水質(zhì)參數(shù)含量水平隨時間的分布和變化情況,，以確定污染源。雖然圖4只顯示了整個研究區(qū)域的一部分,，但其結(jié)果具有代表性,。結(jié)果表明，人們居住的地方或生產(chǎn)皮革和塑料的工廠大多被高濁度,、COD,、BOD和磷污染,。特征波長可以定量和定性地解釋水質(zhì)參數(shù)的變化。

圖4 SSNN在水質(zhì)參數(shù)反演中的應(yīng)用

作者信息

劉瑜,，博士,，北京大學(xué)地球與空間科學(xué)學(xué)院教授，博士生導(dǎo)師,。

主要研究方向：基于時空大數(shù)據(jù)的人文社會科學(xué)研究,。

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).