叶绿素a浓度反演模型：堆栈自编码器粒子群优化BP神经网络

内陆水体叶绿素a浓度是衡量水体富营养化程度的主要指标,是影响水体反射率光谱特征的重要因素之一。本文以白洋淀烧车淀、圈头乡各村庄等水域为研究区,采集了高光谱数据和水样,并在实验室测定叶绿素a等水质参数,应用于白洋淀区域的叶绿素a高光谱遥感反演。针对线性降维方法特征提取能力不足和神经网络构建叶绿素a遥感反演模型时学习效率低、泛化能力差的问题,提出了堆栈自编码器粒子群优化BP神经网络模型。该模型利用堆栈自编码器强大的非线性变换能力,通过最小化重构误差来学习高光谱数据特征,在实现数据降维的同时最大程度保留原始光谱数据中的水体辐射信息,提取出实测水体光谱的深度特征,将BP神经网络初始权重作为粒子的位置向量,通过粒子群算法搜寻网络初始权重的最优值,降低出现局部极值的概率,提高模型的稳定性和反演的精确度。堆栈自编码器粒子群优化BP神经网络模型(R²=0.82,RMSE=2.65μg/L,MAE=1.89μg/L)相较于对高光谱数据不降维的BP神经网络模型(R²=0.75,RMSE=3.16μg/L,MAE=2.39μg/L)、基于主成分分析法降维的BP神经...