本發(fā)明涉及水環(huán)境監(jiān)測(cè)，尤其涉及一種河流水生態(tài)空間全域監(jiān)測(cè)方法和系統(tǒng)。

背景技術(shù)：

1、當(dāng)前，一般采用通過(guò)遙測(cè)數(shù)據(jù)來(lái)反演水質(zhì)參數(shù)的空間分布情況，從而實(shí)現(xiàn)水質(zhì)監(jiān)測(cè)空間全域化。星載高光譜數(shù)據(jù)是通過(guò)在地球軌道上的衛(wèi)星搭載高光譜成像儀來(lái)獲取的。這種數(shù)據(jù)的覆蓋范圍廣泛，可以提供連續(xù)的光譜信息，適用于大范圍的地表監(jiān)測(cè)和分析。例如，美國(guó)nasa在2000年發(fā)射的地球觀測(cè)一號(hào)(eo-1)衛(wèi)星搭載了hyperion成像光譜儀，其數(shù)據(jù)包含220個(gè)光譜通道，覆蓋范圍為0.4～2.5μm，軌道高度705km，空間分辨率和幅寬分別為30m和7.7km。高分五號(hào)(gf-5)衛(wèi)星則是世界上第一顆覆蓋全光譜范圍的高光譜衛(wèi)星，實(shí)現(xiàn)了對(duì)陸地和大氣的同時(shí)觀測(cè)，其先進(jìn)高光譜成像儀(ahsi)覆蓋330個(gè)波段，覆蓋范圍為0.4～2.5μm，空間分辨率30m，幅寬60km。

2、機(jī)載高光譜數(shù)據(jù)是通過(guò)飛機(jī)攜帶高光譜成像儀在較低的高度進(jìn)行數(shù)據(jù)采集。相較于星載數(shù)據(jù)，機(jī)載數(shù)據(jù)具有更高的空間分辨率和更靈活的飛行安排，適合對(duì)特定區(qū)域進(jìn)行詳細(xì)的監(jiān)測(cè)和分析。機(jī)載高光譜遙感技術(shù)可以獲取地物連續(xù)且完整的光譜數(shù)據(jù)，其光譜分辨率達(dá)到10-2λ量級(jí)以上。

3、星載和機(jī)載高光譜數(shù)據(jù)的獲取各有利弊。星載高光譜數(shù)據(jù)雖然具有廣闊的覆蓋范圍，對(duì)于大江大河的水質(zhì)反演能夠提供足夠的支持，但受限于衛(wèi)星的過(guò)境時(shí)間和空間分辨率，使得大河的支流無(wú)法得到關(guān)注。同時(shí)，衛(wèi)星拍攝在時(shí)間靈活度上也存在限制，只有當(dāng)衛(wèi)星過(guò)境時(shí)才能對(duì)目標(biāo)進(jìn)行拍攝，無(wú)法隨時(shí)隨刻、快速地對(duì)當(dāng)前水質(zhì)進(jìn)行檢測(cè)分析。機(jī)載高光譜數(shù)據(jù)能夠同時(shí)保證較高的空間分辨率和光譜分辨率，是進(jìn)行支流遙感水質(zhì)反演的最佳選擇。但是機(jī)載高光譜數(shù)據(jù)的獲取存在采集成本高、實(shí)驗(yàn)難度大和操控人員技術(shù)復(fù)雜等困難，這些問(wèn)題制約著機(jī)載水質(zhì)遙感的落地應(yīng)用。

4、此外，當(dāng)前還基于sentinel-3a衛(wèi)星的ocli水色傳感器進(jìn)行北部灣葉綠素濃度的遙感反演。ocli水色傳感器數(shù)據(jù)依賴于衛(wèi)星傳感器，可能受到天氣、云層等自然因素的影響，導(dǎo)致部分?jǐn)?shù)據(jù)不可用或不穩(wěn)定。同時(shí)在大范圍區(qū)域的遙感中，sentinel-3a衛(wèi)星的ocli水色傳感器數(shù)據(jù)的空間分辨率可能相對(duì)較低。相比之下，無(wú)人機(jī)航拍的rgb圖像可能具有更高的空間分辨率，能夠更精細(xì)地捕捉地表特征。

5、對(duì)于細(xì)小支流全流域同步反演，由于受到天氣、云層等自然因素的影響和采集周期的限制，衛(wèi)星航拍難以準(zhǔn)確采集信息，因此細(xì)小支流全流域同步反演無(wú)法準(zhǔn)確計(jì)算。對(duì)于現(xiàn)有技術(shù)中的無(wú)人機(jī)航拍，雖然能夠不受時(shí)間限制地獲取河流的細(xì)小支流的全流域圖像，但是對(duì)于河流的細(xì)小支流的葉綠素a的濃度的計(jì)算的精確度較差。

6、再例如，cn111274938a公開了一種面向web的高分遙感河流水質(zhì)動(dòng)態(tài)監(jiān)測(cè)方法。該方法包括以下步驟：s1、獲取需要對(duì)比的兩期高分遙感河流水質(zhì)反演結(jié)果圖像；s2、將兩期高分遙感河流水質(zhì)反演結(jié)果圖像進(jìn)行差異計(jì)算處理，獲得兩期高分遙感河流水質(zhì)反演結(jié)果差異柵格圖像；s3、將兩期高分遙感河流水質(zhì)反演結(jié)果差異柵格圖像在web后端進(jìn)行發(fā)布；s4、對(duì)發(fā)布的兩期高分遙感河流水質(zhì)反演結(jié)果差異柵格圖像進(jìn)行切片處理。該技術(shù)方案依賴于遙感影像數(shù)據(jù)和水體圖像數(shù)據(jù)的獲取和預(yù)處理，并且該計(jì)算模型無(wú)法對(duì)葉綠素a的濃度進(jìn)行準(zhǔn)確反演。

7、cn117392564a公開了一種基于深度學(xué)習(xí)的河流水質(zhì)反演方法，其采集河流所在目標(biāo)區(qū)域的遙感影像數(shù)據(jù)，采集河流所在目標(biāo)區(qū)域的水體圖像數(shù)據(jù)；對(duì)采集的遙感影像數(shù)據(jù)、水體圖像數(shù)據(jù)進(jìn)行預(yù)處理；構(gòu)建河流水質(zhì)反演模型；將預(yù)處理的遙感影像數(shù)據(jù)、水體圖像數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行河流水體識(shí)別，然后進(jìn)行反射率數(shù)據(jù)提取，得到用于河流水質(zhì)反演的數(shù)據(jù)集；將得到的用于河流水質(zhì)反演的數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集；利用得到的訓(xùn)練集對(duì)構(gòu)建的河流水質(zhì)反演模型進(jìn)行模型訓(xùn)練，然后對(duì)訓(xùn)練好的河流水質(zhì)反演模型進(jìn)行測(cè)試，得到基于深度學(xué)習(xí)的河流水質(zhì)反演結(jié)果。該技術(shù)方案依賴于遙感影像數(shù)據(jù)和水體圖像數(shù)據(jù)的獲取和預(yù)處理，若數(shù)據(jù)質(zhì)量不高或采集不完整，可能會(huì)直接影響模型的準(zhǔn)確性和魯棒性。

8、cn117422987a公開一種基于衛(wèi)星遙感影像和機(jī)器學(xué)習(xí)的河流水質(zhì)監(jiān)測(cè)方法，其將衛(wèi)星遙感影像與機(jī)器學(xué)習(xí)算法相結(jié)合，構(gòu)建地表水質(zhì)參數(shù)反演模型，包括：定位與獲取監(jiān)測(cè)點(diǎn)的landsat8影像并進(jìn)行預(yù)處理；對(duì)預(yù)處理后的影像數(shù)據(jù)集進(jìn)行波段組合；在arcgis中提取需要分析河流的影像；選取相應(yīng)的影像并提取各波段的反射率，形成水質(zhì)反演數(shù)據(jù)集；基于水質(zhì)反演數(shù)據(jù)集，利用機(jī)器學(xué)習(xí)算法構(gòu)建水質(zhì)參數(shù)反演模型；通過(guò)水質(zhì)參數(shù)反演模型模擬河流的水質(zhì)參數(shù)，并將模擬結(jié)果可視化。該技術(shù)方案使用landsat8衛(wèi)星影像，可能存在時(shí)間分辨率和空間分辨率的問(wèn)題，影響對(duì)水體的實(shí)時(shí)監(jiān)測(cè)和對(duì)小尺度水體的詳細(xì)觀測(cè)。

9、上述多個(gè)專利文獻(xiàn)雖然利用機(jī)器學(xué)習(xí)模型來(lái)對(duì)大江大河的遙感圖像數(shù)據(jù)進(jìn)行處理，但是僅能夠?qū)τ诤恿鞯乃|(zhì)進(jìn)行反演，當(dāng)前還沒(méi)有一種能夠有效反演河流的葉綠素的計(jì)算模型。

10、再例如，cn116067897a公開了一種基于集成因子體系的葉綠素a濃度反演方法。通過(guò)多方位、綜合地選取葉綠素a的濃度反演因子構(gòu)建方法，構(gòu)建大量反演因子，利用因子分析法初步篩選出重要反演因子，之后通過(guò)實(shí)測(cè)數(shù)據(jù)和重要反演因子，構(gòu)建葉綠素a的濃度反演模型，并將葉綠素a的濃度反演模型應(yīng)用到遙感影像上，得到葉綠素a反演濃度。雖然該技術(shù)方案提高了反演精度，但是依賴于實(shí)測(cè)數(shù)據(jù)和選定的反演因子，這限制了方法的普適性和適應(yīng)性。如果實(shí)測(cè)數(shù)據(jù)不足或反演因子選擇不當(dāng)，可能會(huì)影響模型的準(zhǔn)確性和泛化能力。

11、本發(fā)明希望能夠?qū)θ斯ぶ悄苣Ｐ秃透吖庾V信息處理進(jìn)行全新改進(jìn)，實(shí)現(xiàn)大江大河的細(xì)小支流的水體葉綠色濃度的有效反演和監(jiān)測(cè)。

12、此外，一方面由于對(duì)本領(lǐng)域技術(shù)人員的理解存在差異；另一方面由于申請(qǐng)人做出本發(fā)明時(shí)研究了大量文獻(xiàn)和專利，但篇幅所限并未詳細(xì)羅列所有的細(xì)節(jié)與內(nèi)容，然而這絕非本發(fā)明不具備這些現(xiàn)有技術(shù)的特征，相反本發(fā)明已經(jīng)具備現(xiàn)有技術(shù)的所有特征，而且申請(qǐng)人保留在背景技術(shù)中增加相關(guān)現(xiàn)有技術(shù)之權(quán)利。

技術(shù)實(shí)現(xiàn)思路

1、現(xiàn)有技術(shù)的缺陷包括：

2、第一，高度依賴于高光譜數(shù)據(jù)的接收和處理。星載高光譜數(shù)據(jù)雖然覆蓋范圍廣，對(duì)于大江大河的水質(zhì)反演能夠提供足夠的支持，但是空間分辨率低，對(duì)大河支流無(wú)法得到關(guān)注。同時(shí)，衛(wèi)星拍攝在時(shí)間靈活度上也存在限制，只有當(dāng)衛(wèi)星過(guò)境時(shí)才能對(duì)目標(biāo)進(jìn)行拍攝，無(wú)法隨時(shí)隨刻、快速地對(duì)當(dāng)前水質(zhì)進(jìn)行檢測(cè)分析。機(jī)載高光譜數(shù)據(jù)的獲取存在相對(duì)采集成本高、實(shí)驗(yàn)難度大和操控人員技術(shù)復(fù)雜等困難，這些問(wèn)題制約著機(jī)載水質(zhì)遙感的落地應(yīng)用。如何不依賴高光譜數(shù)據(jù)也能夠?qū)恿髦械娜~綠素濃度進(jìn)行預(yù)測(cè)和監(jiān)測(cè)，是需要解決的技術(shù)問(wèn)題。

3、第二，現(xiàn)有技術(shù)中，采用ocli水色傳感器進(jìn)行北部灣葉綠素濃度的遙感反演，這些數(shù)據(jù)依賴于衛(wèi)星傳感器，可能受到天氣、云層等自然因素的影響，導(dǎo)致部分?jǐn)?shù)據(jù)不可用或不穩(wěn)定。尤其是在大范圍區(qū)域的遙感中，sentinel-3a衛(wèi)星數(shù)據(jù)的空間分辨率可能相對(duì)較低。不僅如此，ocli水色傳感器的數(shù)據(jù)處理過(guò)程中，進(jìn)行葉綠素a的濃度反演的數(shù)據(jù)模型復(fù)雜，無(wú)法直接適用于特定場(chǎng)景的需求，還需要提供更多的樣本和進(jìn)行參數(shù)調(diào)整才滿足特定場(chǎng)景的需求。如何簡(jiǎn)化計(jì)算模型也是需要解決的技術(shù)問(wèn)題。

4、針對(duì)現(xiàn)有技術(shù)之不足，本發(fā)明從第一方面提供一種河流水生態(tài)空間全域監(jiān)測(cè)方法，方法包括：基于u-net深度學(xué)習(xí)模型從無(wú)人機(jī)航拍的rgb圖像中識(shí)別并分割水體圖像，形成水體識(shí)別圖像；基于高光譜信息延拓重建模型將從無(wú)人機(jī)航拍的rgb圖像轉(zhuǎn)換并重建為水體高光譜圖像并發(fā)送至u-net深度學(xué)習(xí)模型；u-net深度學(xué)習(xí)模型提取水體高光譜圖像中的水體的像素點(diǎn)的多光譜段序列并發(fā)送至分類回歸模型；基于分類回歸模型對(duì)多光譜段序列進(jìn)行計(jì)算，以將葉綠素a的濃度分類結(jié)果在水體高光譜圖像中標(biāo)注，實(shí)現(xiàn)葉綠素濃度高低的可視化。

5、本發(fā)明采用無(wú)人機(jī)航拍的rgb圖像作為圖像樣本進(jìn)行河流的全域監(jiān)測(cè)，擺脫了對(duì)高光譜數(shù)據(jù)的采集的技術(shù)手段和時(shí)間采集限制，實(shí)現(xiàn)了隨時(shí)隨刻都可以采集河流全域圖像的效果。本發(fā)明通過(guò)u-net深度學(xué)習(xí)模型、高光譜信息延拓重建模型和分類回歸模型的構(gòu)建和使用，將航拍的rgb圖像轉(zhuǎn)化為高光譜圖像，增強(qiáng)了對(duì)水體環(huán)境細(xì)節(jié)的捕捉能力，為水質(zhì)分析提供了更豐富的光譜信息。本發(fā)明還以可視化的方式將河流中的葉綠素濃度高低值預(yù)測(cè)并顯示出來(lái)，提供了直觀的水質(zhì)全域監(jiān)測(cè)結(jié)果，有利于快速識(shí)別和響應(yīng)水質(zhì)問(wèn)題。

6、根據(jù)一個(gè)優(yōu)選實(shí)施方式，u-net深度學(xué)習(xí)模型的構(gòu)建方法包括：將完成水體標(biāo)注的rgb圖像作為訓(xùn)練集輸入u-net深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，將無(wú)水體標(biāo)注的rgb圖像作為測(cè)試集輸入u-net深度學(xué)習(xí)模型進(jìn)行測(cè)試，直至輸出的水體識(shí)別圖像的識(shí)別率達(dá)到指定預(yù)測(cè)成功率為止。本發(fā)明通過(guò)訓(xùn)練集和測(cè)試集的迭代訓(xùn)練，優(yōu)化u-net深度學(xué)習(xí)模型的識(shí)別能力，確保水體識(shí)別的準(zhǔn)確性和可靠性，提高整個(gè)監(jiān)測(cè)系統(tǒng)的預(yù)測(cè)成功率。

7、根據(jù)一個(gè)優(yōu)選實(shí)施方式，高光譜信息延拓重建模型的構(gòu)建方法包括：將rgb圖像進(jìn)行線性重新縮放并形成數(shù)據(jù)集；從數(shù)據(jù)集中以預(yù)設(shè)比例縮放出高光譜圖像樣本；從高光譜圖像樣本中提取出r、g、b三通道的數(shù)值來(lái)構(gòu)建對(duì)應(yīng)的rgb圖片；建立hsi-rgb樣本對(duì)。在該過(guò)程中，利用線性縮放和樣本縮放技術(shù)，提高了模型對(duì)不同光照和環(huán)境條件下圖像的處理能力，確保了光譜信息的準(zhǔn)確性和完整性。通過(guò)建立hsi-rgb樣本對(duì)，通過(guò)結(jié)合顏色和光譜信息，增強(qiáng)了模型對(duì)水體特征的識(shí)別和重建能力。

8、根據(jù)一個(gè)優(yōu)選實(shí)施方式，分類回歸模型的構(gòu)建方法包括：對(duì)室內(nèi)拍攝的高光譜圖像按照葉綠素濃度進(jìn)行分類，其中，同一高光譜圖像中的各像元類別相同；將高光譜圖像分為訓(xùn)練集進(jìn)行濃度預(yù)測(cè)值訓(xùn)練，將濃度預(yù)測(cè)值以可視化的方式在水體高光譜圖像中標(biāo)注并顯示。通過(guò)對(duì)室內(nèi)高光譜圖像的分類和濃度預(yù)測(cè)訓(xùn)練，提高了模型對(duì)不同濃度水平的識(shí)別和預(yù)測(cè)能力，為水體中生物指標(biāo)的定量分析提供了強(qiáng)有力的支持。對(duì)可視化標(biāo)注技術(shù)的應(yīng)用，使得監(jiān)測(cè)結(jié)果更加直觀，便于監(jiān)測(cè)人員快速識(shí)別和評(píng)估水質(zhì)狀況。

9、根據(jù)一個(gè)優(yōu)選實(shí)施方式，高光譜信息延拓重建模型的網(wǎng)絡(luò)結(jié)構(gòu)包括最小生成樹和由若干單極頻譜轉(zhuǎn)化器組成的級(jí)聯(lián)結(jié)構(gòu)，其中，基于mst算法建立水體識(shí)別圖像的最小生成樹，保留水體識(shí)別圖像中像素之間的關(guān)聯(lián)關(guān)系；單極頻譜轉(zhuǎn)化器捕捉水體識(shí)別圖像的整體上下文信息。

10、本發(fā)明利用最小生成樹算法保留水體識(shí)別圖像中的像素關(guān)聯(lián)關(guān)系，增強(qiáng)了模型對(duì)水體結(jié)構(gòu)特征的捕捉能力。本發(fā)明的單極頻譜轉(zhuǎn)化器的級(jí)聯(lián)結(jié)構(gòu)設(shè)計(jì)，通過(guò)編碼器、瓶頸層和解碼器的協(xié)同工作，有效捕捉和轉(zhuǎn)化水體圖像的頻譜信息。

11、根據(jù)一個(gè)優(yōu)選實(shí)施方式，單極頻譜轉(zhuǎn)化器包括編碼器，瓶頸層和解碼器；編碼器包括第一降采樣模塊、n1個(gè)頻譜注意力機(jī)制模塊、第二降采樣模塊和n2個(gè)頻譜注意力機(jī)制模塊；瓶頸層包括n3個(gè)頻譜注意力機(jī)制模塊；編碼器和解碼器之間跳線連接。

12、編碼器中的降采樣模塊和頻譜注意力機(jī)制模塊，提高了模型對(duì)圖像細(xì)節(jié)和頻譜特征的提取能力，增強(qiáng)了對(duì)水體環(huán)境的深入理解。瓶頸層的頻譜注意力機(jī)制模塊，通過(guò)集中處理關(guān)鍵信息，優(yōu)化了模型的頻譜轉(zhuǎn)換效率。

13、根據(jù)一個(gè)優(yōu)選實(shí)施方式，頻譜注意力機(jī)制模塊由前饋網(wǎng)絡(luò)、頻譜多頭自注意力機(jī)制模塊和兩層歸一化模塊構(gòu)成；前饋網(wǎng)絡(luò)基于非線性操作來(lái)捕獲輸入的非線性特征；頻譜多頭自注意力機(jī)制模塊的多頭機(jī)制提供了對(duì)多個(gè)頻譜尺度的關(guān)注，兩層歸一化模塊用于確保輸出保持適當(dāng)?shù)某叨取?/p>

14、前饋網(wǎng)絡(luò)的非線性操作，增強(qiáng)了模型對(duì)輸入特征的非線性表達(dá)能力，提高了對(duì)復(fù)雜水體環(huán)境的適應(yīng)性。頻譜多頭自注意力機(jī)制模塊的多尺度關(guān)注，使得模型能夠同時(shí)考慮不同頻譜尺度的信息，提高了對(duì)水體特征的綜合分析能力。兩層歸一化模塊的應(yīng)用，確保了模型輸出的穩(wěn)定性和準(zhǔn)確性，為水體監(jiān)測(cè)提供了可靠的數(shù)據(jù)支持。

15、本發(fā)明從第二方面提供一種河流水生態(tài)空間全域監(jiān)測(cè)系統(tǒng)，系統(tǒng)包括圖像采集裝置和處理器。圖像采集裝置設(shè)置在無(wú)人機(jī)上，用于航拍河流的水體的rgb圖像。處理器與圖像采集裝置通信連接，其被配置為：基于u-net深度學(xué)習(xí)模型從無(wú)人機(jī)航拍的rgb圖像中識(shí)別并分割水體圖像，形成水體識(shí)別圖像；基于高光譜信息延拓重建模型將從無(wú)人機(jī)航拍的rgb圖像轉(zhuǎn)換并重建為水體高光譜圖像并發(fā)送至u-net深度學(xué)習(xí)模型；u-net深度學(xué)習(xí)模型提取水體高光譜圖像中的水體的像素點(diǎn)的多光譜段序列并發(fā)送至分類回歸模型；基于分類回歸模型對(duì)多光譜段序列進(jìn)行計(jì)算，以將葉綠素a的濃度分類結(jié)果在水體高光譜圖像中標(biāo)注，實(shí)現(xiàn)葉綠素濃度高低的可視化。

16、本發(fā)明的系統(tǒng)采用無(wú)人機(jī)航拍的rgb圖像作為圖像樣本進(jìn)行河流的全域監(jiān)測(cè)，擺脫了對(duì)高光譜數(shù)據(jù)的采集的技術(shù)手段和時(shí)間采集限制，實(shí)現(xiàn)了隨時(shí)隨刻都可以采集河流全域圖像的效果。本發(fā)明通過(guò)u-net深度學(xué)習(xí)模型、高光譜信息延拓重建模型和分類回歸模型的構(gòu)建和使用，將航拍的rgb圖像轉(zhuǎn)化為高光譜圖像，增強(qiáng)了對(duì)水體環(huán)境細(xì)節(jié)的捕捉能力，為水質(zhì)分析提供了更豐富的光譜信息。本發(fā)明還以可視化的方式將河流中的葉綠素濃度高低值預(yù)測(cè)并顯示出來(lái)，提供了直觀的水質(zhì)全域監(jiān)測(cè)結(jié)果，有利于快速識(shí)別和響應(yīng)水質(zhì)問(wèn)題。

17、不僅如此，該系統(tǒng)通過(guò)無(wú)人機(jī)搭載的圖像采集裝置，實(shí)現(xiàn)了對(duì)河流水體的實(shí)時(shí)rgb圖像采集，大幅減少了傳統(tǒng)監(jiān)測(cè)方法所需的人力物力，提高了數(shù)據(jù)采集的效率和覆蓋范圍。

18、處理器配置的u-net深度學(xué)習(xí)模型，利用高效的并行計(jì)算能力，快速?gòu)拇罅亢脚膱D像中識(shí)別和分割出水體，大幅提高了水體識(shí)別的速度和準(zhǔn)確性。系統(tǒng)采用的無(wú)人機(jī)航拍技術(shù)，實(shí)現(xiàn)了對(duì)河流全域的持續(xù)監(jiān)測(cè)，擺脫了傳統(tǒng)監(jiān)測(cè)手段的時(shí)間和空間限制，提高了監(jiān)測(cè)的靈活性和實(shí)時(shí)性。

19、高光譜信息延拓重建模型的應(yīng)用，通過(guò)先進(jìn)的算法將rgb圖像轉(zhuǎn)換為高光譜圖像，提升了光譜信息的豐富度和分辨率，增強(qiáng)了對(duì)水體環(huán)境細(xì)節(jié)的捕捉能力，同時(shí)減少了對(duì)高光譜設(shè)備的依賴，降低了成本。通過(guò)深度學(xué)習(xí)和高光譜重建技術(shù)，系統(tǒng)能夠快速處理和分析大量圖像數(shù)據(jù)，顯著提升了數(shù)據(jù)處理速度，縮短了監(jiān)測(cè)周期，使得水質(zhì)分析更加迅速和及時(shí)。

20、根據(jù)一個(gè)優(yōu)選實(shí)施方式，高光譜信息延拓重建模型的網(wǎng)絡(luò)結(jié)構(gòu)包括最小生成樹和由若干單極頻譜轉(zhuǎn)化器組成的級(jí)聯(lián)結(jié)構(gòu)，其中，基于mst算法建立水體識(shí)別圖像的最小生成樹，保留水體識(shí)別圖像中像素之間的關(guān)聯(lián)關(guān)系；單極頻譜轉(zhuǎn)化器捕捉水體識(shí)別圖像的整體上下文信息。

21、高光譜信息延拓重建模型的網(wǎng)絡(luò)結(jié)構(gòu)如此設(shè)置，基于mst算法構(gòu)建的最小生成樹，優(yōu)化了水體識(shí)別圖像中像素間的關(guān)聯(lián)關(guān)系，提高了圖像處理的效率和準(zhǔn)確性，同時(shí)減少了計(jì)算資源的消耗。單極頻譜轉(zhuǎn)化器的級(jí)聯(lián)結(jié)構(gòu)設(shè)計(jì)，通過(guò)編碼器、瓶頸層和解碼器的協(xié)同工作，實(shí)現(xiàn)了對(duì)水體識(shí)別圖像的高效頻譜轉(zhuǎn)換和信息提取，提升了計(jì)算性能和處理速度。

22、根據(jù)一個(gè)優(yōu)選實(shí)施方式，單極頻譜轉(zhuǎn)化器包括編碼器，瓶頸層和解碼器；編碼器包括第一降采樣模塊、n1個(gè)頻譜注意力機(jī)制模塊、第二降采樣模塊和n2個(gè)頻譜注意力機(jī)制模塊；瓶頸層包括n3個(gè)頻譜注意力機(jī)制模塊；編碼器和解碼器之間跳線連接。

23、編碼器中的降采樣模塊和頻譜注意力機(jī)制模塊，通過(guò)減少數(shù)據(jù)維度和聚焦關(guān)鍵頻譜特征，提高了模型的計(jì)算效率，同時(shí)保持了對(duì)水體特征的敏感性。

24、瓶頸層的頻譜注意力機(jī)制模塊，通過(guò)集中處理關(guān)鍵信息，優(yōu)化了模型的頻譜轉(zhuǎn)換效率，減少了不必要的計(jì)算，提高了整體的計(jì)算性能。

25、編碼器和解碼器之間的跳線連接，實(shí)現(xiàn)了信息的有效傳遞和融合，減少了冗余計(jì)算，提高了模型的計(jì)算效率和準(zhǔn)確性。