基于A-ACEO特征选取结合GWO-SVR预测模型对Chl-a浓度的预测方法

本发明涉及水质数据分析，特别涉及一种基于a-aceo特征选取结合gwo-svr预测模型对chl-a浓度的预测方法。

背景技术：

1、叶绿素a(chl-a)作为湖泊湿地生态系统中藻类生物的重要载体，其浓度不仅是评估水体藻化程度的代表指标，还是衡量水体水质富营养化程度的重要指标。乌梁素海作为中国内蒙古自治区“一湖两海”的重要组成部分，具有北方典型寒旱区湖泊特征，又属于河套灌区，承载着区域内农田退水、工业废水和城市污水的排泄。因此，开展乌梁素海chl-a浓度监测，对了解区域水生态系统、治理水环境具有重要的现实意义。

2、传统水质监测技术存在成本高、耗时长、容易受外界条件影响等问题，无法进行大规模水质监测。遥感技术具有速度快、成本低、监测范围广、动态监测时间长等优势，已成为监测湖泊湿地中chl-a浓度的有效方法。当使用遥感特征波段的单波段建模时，波段数据对chl-a浓度的敏感度较低，模型的性能将受到影响；当使用全波段建模时，特征波段间由于多重共线性的影响相互干扰，影响模型预测的精度。因此，选择与chl-a浓度最相关的波段组合是提高预测模型的运行效率、简化模型结构、增强模型稳定性的前提。

3、遥感数据的波段特征选取方法分为两种类型。一类是基于数理统计特征的选取方法，常用相关系数分析(cc)、连续投影算法(spa)、竞争性自适应加权抽样法(cars)等。此类方法可以消除部分冗余信息，但经选取后仍存在大量的变量，模型的稳定性也较差；另一类是基于群智能优化算法(如遗传算法ga、粒子群算法pso和蚁群算法aco)的新型波段特征提取方法，此类方法可过滤掉不相关的特征波段、降低信噪比、提高预测模型精度。

4、机器学习为一种新的遥感预测方法，已在遥感预测中广泛运用。xu,s.；li,s.；tao,z.；song,k.；wen,z.；li,y.；chen,f.remote sensing of chlorophyll-a in xingkailake using machine learning and gf-6 wfv images.remote sens.2022,14(20),5136.通过构建三种机器学习模型对兴凯湖中chl-a浓度进行研究，结果表明：将机器学习算法与遥感技术结合可实现大规模监测，而且更加有效；xiaolan zhao,haoli xu,zhibin ding,daqing wang,zhengdong deng,yi wang,tingfong wu,wei li,zhao lu,guangyuan wang；comparing deep learning with several typical methods in prediction ofassessing chlorophyll-a by remote sensing:a case study in taihu lake,china.water supply,1 november 2021；21(7):3710-3724.通过对太湖chl-a浓度进行研究分析并构建多种线性模型和多种机器学习模型进行预测，结果表明：机器学习模型比线性模型的预测精度更高、更加准确；支持向量回归(svr)作为一种重要的机器学习算法，因其在解决小样本数据和非线性问题中有着良好的表现，在遥感领域中展示了较强的可用性。如guo hongwei,huang jinhui jeanne,zhu xiaotong,wang bo,tian shang,xu wang,mai youquan.a generalized machine learning approach fordissolved oxygenestimation at multiple spatiotemporal scales using remotesensing.environmental pollution,2021,288:117734.通过构建多种机器学习方法对休伦湖中溶解氧进行预测，结果表明：svr模型比其他机器学习模型预测精度更高，模型的稳定性和泛化能力更好；xu yunfeng,ma chunzi,liu qiang,xi beidou,qian guangren,zhang dayi,huo shouliang.method to predict key factors affecting lakeeutrophication-a new approach based on support vector regressionmodel.international biodeterioration&biodegradation,2015,102:308-315.通过对湖泊中chl-a浓度进行分析并构建svr模型和反向传播人工神经网络(bp-ann)模型进行预测，结果表明：svr模型在预测chl-a浓度中更加有效。

5、但是，传统的群智能优化算法(如aco算法)在解决动态组合问题中有着良好的优势，但参数的取值影响着算法的性能，很容易导致算法运行时间长，效率比较低下；对chl-a浓度预测时，传统的svr模型虽然能较好的解决小样本和非线性问题，但并无明确的方法来确定svr模型参数的取值，且依赖经验手动选取参数值很难获取最优值，而其参数取值直接影响了svr模型预测的精度。

技术实现思路

1、针对上述已有技术中存在的不足，本发明的目的在于提出一种自适应蚁群穷举优化算法(a-aceo)的遥感特征选取的算法，以所选取的特征波段作为输入值，综合考虑群智能优化算法的优势，通过引入灰狼算法(gwo)对支持向量回归(svr)参数进行优化，从而获取参数的最优值，构建起gwo-svr预测模型对chl-a浓度进行预测，以解决上述背景技术中存在的问题。

2、本发明的技术目的是通过以下技术方案得以实现的：

3、基于a-aceo特征选取结合gwo-svr预测模型对chl-a浓度的预测方法，包括以下步骤：

4、s1：获取sentinel-2遥感影像并做预处理；

5、s2：通过gwo算法对svr中的参数进行优化，得到gwo-svr预测模型；

6、s3：构建基于aco算法优化后的a-aceo算法，利用a-aceo算法对步骤s1中预处理后的数据进行特征波段选取，再通过gwo-svr预测模型对选取的特征波段进行训练和测试，最终筛选出最优特征波段子集；

7、s4：将最优特征波段子集输入gwo-svr预测模型中，获取chl-a浓度的预测结果。

8、本发明的进一步优化方案为：上述步骤s1中，对获取的遥感影像做预处理包括两个阶段：

9、第一阶段：利用裁剪、重采样、几何校正及波段反射率提取方法提取遥感影像的波段反射率；

10、第二阶段：通过二阶导数对第一阶段提取的波段反射率进行预处理。

11、本发明的进一步优化方案为：上述步骤s2中，通过gwo算法对svr中的惩罚因子c、不敏感系数ε和rbf核函数参数σ三个参数进行优化，得到gwo-svr预测模型，具体的步骤如下：

12、s21：确定初始模型结构

13、以全波段作为输入层，以chl-a浓度的预测值作为输出层，建立svr初始模型；

14、s22：初始化参数

15、设置gwo算法中灰狼种群数量为n，最大迭代次数为t，svr初始模型中参数c、ε和σ的上边界和下边界；

16、s23：定义适应度函数

17、计算gwo算法中个体狼的适应度，选择个体适应度最高的三只狼依次设置为α，β，δ，适应度函数公式如下：

18、

19、其中，yi为chl-a浓度实测值，为chl-a浓度预测值；

20、s24：更新狼群位置

21、计算每只狼在新位置的个体适应度，若优于历史最优适应度进行更新，否则不更新；

22、s25：初始模型参数优化

23、通过每只狼的个体适应度对参数c、ε和σ进行优化，当达到最大迭代次数后，执行步骤s26，否则继续执行步骤s24；

24、s26：gwo-svr预测模型的建立

25、输出α狼的位置，获得svr初始模型的参数c、ε和σ最优值，从而建立gwo-svr预测模型。

26、本发明的进一步优化方案为：

27、s31：将gwo-svr预测模型中每个节点对应的rmse的倒数作为初始信息素浓度，对蚂蚁选取初始节点进行自适应引导；

28、s32：将aco算法中的挥发因子由固定值改为自适应值，更改后的挥发因子的表达式如下：

29、

30、其中，ρ为挥发因子，t和t分别为当前和最大迭代次数；

31、s33：在aco算法中加入信息素启发因子，将信息素浓度更新为自适应模式，其中被选中子集集合内的节点信息素浓度增加，剩余节点信息素浓度挥发，表达式为：

32、τij(t+1)＝(1-ρ)τij(t)+δτij(t)

33、

34、其中：τij为节点信息素浓度，λij为蚂蚁所选取节点的初始化信息素浓度，q为信息素启发因子，b为所选取的特征波段子集集合，rmseij(t)为第t次迭代所选特征波段子集的rmse。

35、s34：结合穷举法，在aco算法中引入最优阈值和最优矩阵策略，形成a-aceo算法。

36、本发明的进一步优化方案为：上述步骤s34中，最优阈值和最优矩阵策略具体为：根据每次迭代所选择的节点个数，依次按照节点当时信息素浓度从高到低选择相应个数的节点作为最优阈值的节点子集；首先，保留每次迭代所产生的节点子集；然后，将节点子集输入gwo-svr模型中得出结果，并与组成最优阈值的节点子集在gwo-svr模型中的结果进行比较；最后，将大于最优阈值的节点子集存入最优矩阵中，在最优矩阵中筛选最优节点子集，即为最优特征波段子集，最优阈值表达式为：

37、

38、其中，bm为节点信息素浓度由高到低顺序的集合，rmsexy为最高信息素浓度节点子集集合的rmse。

39、本发明的进一步优化方案为：上述步骤s4中获取chl-a浓度的预测结果的具体过程为：将上述筛选的最优特征波段子集作为输入层再次输入gwo-svr预测模型，获取chl-a浓度的预测结果。

40、本发明的技术方案与现有技术相比，具有以下的有益效果：

41、1.本发明利用sd方法对遥感影像数据做预处理，有效消除了部分外界因素对遥感影像的干扰，减小了遥感数据存在的误差，增强了遥感数据与chl-a浓度的相关特征，进而提高模型预测的准确性。

42、2.本发明在标准aco算法基础上引入相应自适应策略，并结合穷举法，建立a-aceo算法用于特征波段选取；当预测模型相同时，与全波段、cars算法和aco算法比较，a-aceo算法可以更有效选取与chl-a浓度相关的特征波段，在增加子集多样性同时有效减少了计算资源和模型复杂度，同时提高了gwo-svr预测模型的预测效果。

43、3.本发明利用gwo对svr中惩罚因子c、不敏感系数ε和rbf核函数参数σ这三个参数进行优化，提出gwo-svr预测模型；当特征波段选取方法相同时，与传统svr模型相比，gwo-svr预测模型的r2与rmse均有所提升，具有更好地预测效果，利用gwo-svr预测模型可以更精确地预测中chl-a浓度，为chl-a浓度的检测提供新思路和新方法，有助于治理区域水环境系统和生态平衡。