本发明涉及一种反演方法，具体涉及一种基于bp神经网络的沿海漂浮着落垃圾体量反演方法，属于遥感反演技术领域。
背景技术：
遥感反演技术是遥感图像技术领域中的一个重要类别，处理遥感影像数据并建立相对应的反演模型是将理论技术运用到实践中去的一个关键过程。近年来，bp神经网络在遥感反演技术领域应用广泛，为反演模型的建立、变化趋势的预测等提供了行之有效的方法。尤其在对以江苏省为例的沿海漂浮着落垃圾体量反演研究中，bp神经网络取得了很好的效果。
沿海漂浮着落垃圾严重破坏海岸带的生态环境，不仅对沿海珍惜物种的存续构成威胁，还大大增加了人类维护沿海旅游风景区环境的成本。江苏沿海漂浮着落垃圾的组成多样，往往由一些自然垃圾(互花米草秸秆、水葫芦植物体)和人工垃圾(玻璃瓶、塑料泡沫等)组成，受到波浪作用的影响，其常常以绵延数公里的条带形式聚集在岸边，且在遥感影像上呈现为高反射率的垃圾条带。沿海漂浮着落垃圾条带覆盖面积广，空间连续性高，由于其常位于沿海滩涂之上，难以开展大面积实地调查，因此，迄今为止还没有一种切实可行的方法来研究沿海漂浮着落垃圾的体量。
技术实现要素：
本发明正是针对现有技术中存在的问题，提供一种基于bp神经网络的沿海漂浮着落垃圾体量反演方法，该技术方案可以在高精度要求下，计算得到垃圾条带上各点的厚度，从而得出垃圾条带的体量。
为了实现上述目的，本发明的技术方案如下，一种基于bp神经网络的沿海漂浮着落垃圾体量反演方法，所述方法包括以下步骤：
s1：获取一景包含高亮度垃圾条带的遥感影像并做好预处理(由于着陆特征及规模，选取分辨率较高的遥感影像(1m左右分辨率))；
s2具体如下：将遥感影像导入arcgis软件，在垃圾条带上随机选取并创建大于等于50个“垃圾样本点”，在垃圾条带以外区域的图像上随机创建大于等于50个“非垃圾样本点”。
s3：在arcgis平台上将“垃圾样本点”和“非垃圾样本点”的光谱信息提取出来；
s4：探寻样本点光谱信息中各波段数值的联系，用其中的特征波段建立一个归一化的垃圾指数a(如垃圾指数a＝(b7-(b3 b4 b8)/3))/(b7 (b3 b4 b8)/3))；b3：单景landsat-8遥感影像第三波段的波段值，可由arcgis软件提取到点上；同理可得b4,b7,b8的含义。
该方案中，在excel工作表里以各点的波段类别为横坐标、波段值为纵坐标，分别建立“垃圾样本点光谱图”和“非垃圾样本点光谱图”，从而探寻样本点光谱信息中各波段数值的联系，最后发现垃圾样本点与非垃圾样本的光谱在b3、b4、b7、b8四个波段上存在较大区别，又由于垃圾样本点的b3、b4、b8波段值较接近，因此把归一化的垃圾指数a设立为a＝(b7-(b3 b4 b8)/3))/(b7 (b3 b4 b8)/3)。
s5：使用该指数和覆盖度计算公式(fv＝(a-a0)/(av-a0))，在envi软件平台上计算遥感影像的垃圾覆盖度；
s6：使用arcgis软件在垃圾条带上每隔固定距离设立一个垂直海岸线的剖面，并在每个剖面上设置三个站点(一号站点离陆地最近，三号站点离海洋最近，二号站点位于剖面的中点)；
s7：在arcgis平台上将所有站点的垃圾覆盖度值提取出来，并测量出二、三号站点与一号站点之间的距离x；
s8：实地测量所设站点处垃圾的厚度d和密度；
s9：将测量得到的距离x值和计算所得的垃圾覆盖度fv值作为输入数据，将实地测量所得的垃圾厚度d作为输出数据，使用matlab软件中的神经网络工具进行训练，多次调整参数以提高精度，将精度最高的bp神经网络模型作为最终的反演模型进行导出；r越接近1精度越好，最低要求为大于0.999；mse越接近0精度越好。
s10：在arcgis平台上，于垃圾条带范围里随机生成若干密集的点，提取出这些点的垃圾覆盖度fv值，并测量这些点距离垃圾条带近陆一侧的距离x；
s11：将这些点的fv值和x值输入bp神经网络模型，即可得到bp神经网络预测的厚度d’。
s12：根据反演结果计算垃圾体量；将预测结果数据整理成数字表格，输入surfer软件可以得到研究区内垃圾条带的体积、输入r软件可以拟合出垃圾条带剖面的三维模型。结合实地测得的平均密度可以计算出垃圾的质量。
s13：验证反演的精度。选取若干随机生成的点并实地测量这些点处垃圾的厚度，与bp神经网络的预测值进行对比以确定精度是否符合要求。在反演结果(垃圾条带上每个点都会有对应的反演垃圾厚度d’)中随机挑选若干点(越多越好，不少于100个)，并在arcgis软件中查阅这些点的坐标，然后实地测量这些点处垃圾的实际厚度d，最后将d和d’代入均方差公式得到精度。
相对于现有技术，本发明具有如下优点，该技术方案提供了一种基于bp神经网络的沿海漂浮着落垃圾体量反演方法，通过在遥感影像中高反射率垃圾条带上设立样本点，可以提取出样本点的垃圾覆盖度fv值、测量得到样本点距离垃圾条带近陆一侧的垂直距离x值，结合实地测量这些样本点的垃圾厚度d值，可以训练出用于反演垃圾条带上其它点位垃圾厚度的bp神经网络模型。此方法只需实地测量垃圾条带上少量点位的垃圾厚度，即可反演出整个垃圾条带的体量，由于大部分工作可以在地理信息系统平台上完成，不需要进入海岸带大面积测量，因此节省了大量人力物力，同时依赖bp神经网络精度高的特性，也可以取得很好的反演效果。
附图说明
图1为本发明提供的一种基于bp神经网络的沿海漂浮着落垃圾体量反演方法的流程图；
图2、3为本实施例中的研究区域图和放大示例图；
图4为本实施例中垃圾条带剖面的反演结果图；
具体实施方式：
为了加深对本发明的理解，下面结合附图对本实施例做详细的说明。
实施例1：参见图1，一种基于bp神经网络的沿海漂浮着落垃圾体量反演方法，所述方法包括以下步骤：
s1：获取一景包含高亮度垃圾条带的遥感影像并做好预处理(由于着陆特征及规模，选取分辨率较高的遥感影像(1m左右分辨率))；需要说明的是，垃圾条带在遥感影像上成绵延数公里的亮白色条状，往往出现在海岸带附近，且与海岸线相平行。为了较好地设计一个反应垃圾覆盖度的归一化指数，最好获取多光谱遥感影像，本例中使用了高分二号和landsat8遥感影像，主要研究范围是江苏盐城珍禽自然保护区。预处理是保证反演精度的一项重要工作，一般包括大气校正、辐射校正和云掩膜等预处理方式，本例对landsat8遥感影像进行了云掩膜处理。
s2：将遥感影像导入arcgis软件，在垃圾条带上随机选取并创建50个“垃圾样本点”，在垃圾条带以外区域的图像上随机创建50个“非垃圾样本点”；s2中将遥感影像导入arcgis软件，在垃圾条带上随机选取并创建50个“垃圾样本点”，在垃圾条带以外区域的图像上随机创建50个“非垃圾样本点”；详细步骤为，打开arcgis软件，【文件】|【打开】，导入获取的多光谱遥感影像，点击【目录】，右击新建【shapefiles】点文件，新建点文件时将点的投影坐标系设置成和遥感影像的一致，然后打开编辑器，【开始编辑】|【新建要素】，找到遥感影像上的高亮度垃圾条带，在其上均匀选取50个点，随后在垃圾条带之外区域均匀选取50个点。
s3：在arcgis平台上将“垃圾样本点”和“非垃圾样本点”的光谱信息提取出来；使用toolbox中的【多值提取至点】工具，将遥感影像的波段值提取到“垃圾样本点”和“非垃圾样本点”的属性表中。在导入遥感影像时注意不要建立金字塔，否则在提取光谱信息时易报错；
s4：探寻样本点光谱信息中各波段数值的联系，用其中的特征波段建立一个归一化的垃圾指数a(如垃圾指数a＝(b7-(b3 b4 b8)/3))/(b7 (b3 b4 b8)/3))；本例中，在excel工作表里以各点的波段类别为横坐标、波段值为纵坐标，分别建立“垃圾样本点光谱图”和“非垃圾样本点光谱图”，从而探寻样本点光谱信息中各波段数值的联系，最后发现垃圾样本点与非垃圾样本的光谱在b3、b4、b7、b8四个波段上存在较大区别，又由于垃圾样本点的b3、b4、b8波段值较接近，因此把归一化的垃圾指数a设立为a＝(b7-(b3 b4 b8)/3))/(b7 (b3 b4 b8)/3)。
s5：使用该指数和覆盖度计算公式(fv＝(a-a0)/(av-a0))，在envi软件平台上计算遥感影像的垃圾覆盖度；垃圾覆盖度计算公式中的a0为非垃圾覆盖部分的归一化指数a的值，av为垃圾覆盖部分的归一化指数a的值，通常分别取某遥感影像归一化垃圾指数统计直方图中频率为5％和95％的a值作为a0和av的值。详细步骤为，打开envi软件，【file】|【openimagefile】,导入获取的多光谱遥感影像，打开【basictools】|【bandmath】,在bandmath对话框的“enteranexpression”框中输入归一化指数a的计算公式并进行计算，本例中为(float(b7-float(b3 b4 b8)/3))/(b7 (b3 b4 b8)/3)-(-0.01)。在availablebandlist窗口右击计算后得到的图像列表，点击【quickstats】进行统计分析，选取直方图中频率为5％和95％的a值作为a0和av的值，本例中a0的值为-0.01，av的值为0.06。接着在bandmath对话框的“enteranexpression”框中输入垃圾覆盖度fv的计算公式并进行计算，计算对象为原高光谱遥感影像，本例中的计算公式为((float(b7-float(b3 b4 b8)/3))/(b7 (b3 b4 b8)/3)-(-0.01))/(0.06-(-0.01))。最后保存计算fv值得到得图像。
s6：使用arcgis软件在垃圾条带上每隔固定距离设立一个垂直海岸线的剖面，并在每个剖面上设置三个站点(一号站点离陆地最近，三号站点离海洋最近，二号站点位于剖面的中点)；在设立剖面时应先测量出遥感影像中高亮度垃圾条带的长度，然后每隔相同距离设立与海岸线相垂直的剖面，本例中每隔90m设立了一个剖面，共设立了78个剖面。
s7：在arcgis平台上将所有站点的垃圾覆盖度值提取出来，并测量出二、三号站点与一号站点之间的距离x；垃圾条带的长度、剖面长度、距离x的测量以及站点的定位都可以通过在arcgis软件中新建shapefile文件来完成。将垃圾覆盖度fv值提取至站点时则需要将在envi软件中计算fv值得到的图像导入arcgis软件中，并使用toolbox中的“多值提取至点”工具进行提取操作，提取完成后将站点属性表导出，即可得到所需fv值数据。
s8：实地测量所设站点处垃圾的厚度d和密度；在arcgis平台上将所设站点的坐标从属性表导出，后进行实地测量站点垃圾厚度d的外业工作。
s9：将测量得到的距离x值和计算所得的垃圾覆盖度fv值作为输入数据，将实地测量所得的垃圾厚度d作为输出数据，使用matlab软件中的神经网络工具进行训练，多次调整参数以提高精度，将精度最高的bp神经网络模型作为最终的反演模型进行导出；具体流程为，在excel工作表中的a列中输入各站点的fv值数据，在b列中输入相对应的x值数据，此工作表即为bp神经网络训练样本的输入数据。新建一个工作表，在a列输入各站点对应的d值数据，此工作表为bp神经网络训练样本的输出数据。随后打开matlab软件，点击【app】|【neuralnetfitting】，跟随窗口指引导入样本数据，多次调整训练、验证和测试样本数量的比例和神经网络隐藏层的层数，同时对不同神经网络训练方案和相对应的神经网络精度做好记录，将精度最高的bp神经网络模型代码导出。
s10：在arcgis平台上，于垃圾条带范围里随机生成若干密集的点，提取出这些点的垃圾覆盖度fv值，并测量这些点距离垃圾条带近陆一侧的距离x；为了在垃圾条带范围里随机生成若干密集的点，我们需要新建一个范围与垃圾条带重合的shapefile面要素，以此作为提取垃圾条带上其他点位fv值的掩膜。还需新建一个与垃圾条带近陆一侧重合的shapefile线要素作为测量距离x值的起算线。使用toolbox中的“随机生成点”工具，在垃圾条带上新建密集的点，然后使用“多值提取至点”工具将每个点位的fv值提取出来，下一步使用“近邻分析”工具得到每个点与垃圾条带近陆一侧的距离x值，最后将fv值和x值导出。
s11：将这些点的fv值和x值输入bp神经网络模型，即可得到bp神经网络预测的厚度d’；把厚度未知的点的fv值和x值输入excel工作表中，a列存放fv值，b列存放x值，作为bp神经网络的输入数据。接着在matlab软件中打开之前训练好的神经网络代码，在代码最后使用“sim(net,filename)”函数，即可得到bp神经网络预测得到的厚度d’值。
s12：根据反演结果计算垃圾体量；将预测结果数据整理成数字表格，输入surfer软件可以得到研究区内垃圾条带的体积、输入r软件可以拟合出垃圾条带剖面的三维模型。结合实地测得的平均密度可以计算出垃圾的质量。将预测结果数据整理成数字表格，输入surfer软件可以得到研究区内垃圾条带的体积、输入r软件可以拟合出垃圾条带剖面的三维模型。结合实地测得的平均密度可以计算出垃圾的质量。在反演结果(垃圾条带上每个点都会有对应的反演垃圾厚度d’)中随机挑选若干点(越多越好，不少于100个)，并在arcgis软件中查阅这些点的坐标，然后实地测量这些点处垃圾的实际厚度d，最后将d和d’代入均方差公式得到精度。
s13：验证反演的精度。选取若干随机生成的点并实地测量这些点处垃圾的厚度，与bp神经网络的预测值进行对比以确定精度是否符合要求。在反演结果(垃圾条带上每个点都会有对应的反演垃圾厚度d’)中随机挑选若干点(越多越好，不少于100个)，并在arcgis软件中查阅这些点的坐标，然后实地测量这些点处垃圾的实际厚度d，最后将d和d’代入均方差公式得到精度。
具体实施例1：参见图1-图4，该图为本实施例提供的一种基于卷积神经网络的目标分类方法的流程图。一种基于卷积神经网络的目标分类方法，包括以下步骤：
s1：获取一景包含高亮度垃圾条带的遥感影像并做好预处理(由于着陆特征及规模，选取分辨率较高的遥感影像(1m左右分辨率))；
该步骤中，垃圾条带在遥感影像上成绵延数公里的亮白色条状，往往出现在海岸带附近，且与海岸线相平行。为了较好地设计一个反应垃圾覆盖度的归一化指数，最好获取多光谱遥感影像，本例中使用了高分二号和landsat8遥感影像，主要研究范围是江苏盐城珍禽自然保护区。预处理是保证反演精度的一项重要工作，一般包括大气校正、辐射校正和云掩膜等预处理方式，本例对landsat8遥感影像进行了云掩膜处理。
s2：将遥感影像导入arcgis软件，在垃圾条带上随机选取并创建50个“垃圾样本点”，在垃圾条带以外区域的图像上随机创建50个“非垃圾样本点”；
详细步骤为，打开arcgis软件，【文件】|【打开】，导入获取的多光谱遥感影像，点击【目录】，右击新建【shapefiles】点文件，新建点文件时将点的投影坐标系设置成和遥感影像的一致，然后打开编辑器，【开始编辑】|【新建要素】，找到遥感影像上的高亮度垃圾条带，在其上均匀选取50个点，随后在垃圾条带之外区域均匀选取50个点。
s3：在arcgis平台上将“垃圾样本点”和“非垃圾样本点”的光谱信息提取出来；
使用toolbox中的【多值提取至点】工具，将遥感影像的波段值提取到“垃圾样本点”和“非垃圾样本点”的属性表中。在导入遥感影像时注意不要建立金字塔，否则在提取光谱信息时易报错。
s4：探寻样本点光谱信息中各波段数值的联系，用其中的特征波段建立一个归一化的垃圾指数a(如垃圾指数a＝(b7-(b3 b4 b8)/3))/(b7 (b3 b4 b8)/3))；
本例中，在excel工作表里以各点的波段类别为横坐标、波段值为纵坐标，分别建立“垃圾样本点光谱图”和“非垃圾样本点光谱图”，从而探寻样本点光谱信息中各波段数值的联系，最后发现垃圾样本点与非垃圾样本的光谱在b3、b4、b7、b8四个波段上存在较大区别，又由于垃圾样本点的b3、b4、b8波段值较接近，因此把归一化的垃圾指数a设立为a＝(b7-(b3 b4 b8)/3))/(b7 (b3 b4 b8)/3)。
s5：使用该指数和覆盖度计算公式(fv＝(a-a0)/(av-a0))，在envi软件平台上计算遥感影像的垃圾覆盖度；其中，垃圾覆盖度计算公式中的a0为非垃圾覆盖部分的归一化指数a的值，av为垃圾覆盖部分的归一化指数a的值，通常分别取某遥感影像归一化垃圾指数统计直方图中频率为5％和95％的a值作为a0和av的值。详细步骤为，打开envi软件，【file】|【openimagefile】,导入获取的多光谱遥感影像，打开【basictools】|【bandmath】,在bandmath对话框的“enteranexpression”框中输入归一化指数a的计算公式并进行计算，本例中为(float(b7-float(b3 b4 b8)/3))/(b7 (b3 b4 b8)/3)-(-0.01)。在availablebandlist窗口右击计算后得到的图像列表，点击【quickstats】进行统计分析，选取直方图中频率为5％和95％的a值作为a0和av的值，本例中a0的值为-0.01，av的值为0.06。接着在bandmath对话框的“enteranexpression”框中输入垃圾覆盖度fv的计算公式并进行计算，计算对象为原高光谱遥感影像，本例中的计算公式为((float(b7-float(b3 b4 b8)/3))/(b7 (b3 b4 b8)/3)-(-0.01))/(0.06-(-0.01))。最后保存计算fv值得到得图像。
s6：使用arcgis软件在垃圾条带上每隔若干米设立一个垂直海岸线的剖面，并在每个剖面上设置三个站点(一号站点离陆地最近，三号站点离海洋最近，二号站点位于剖面的中点)；在设立剖面时应先测量出遥感影像中高亮度垃圾条带的长度，然后每隔相同距离设立与海岸线相垂直的剖面，本例中每隔90m设立了一个剖面，共设立了78个剖面。
s7：在arcgis平台上将所有站点的垃圾覆盖度值提取出来，并测量出二、三号站点与一号站点之间的距离x；
垃圾条带的长度、剖面长度、距离x的测量以及站点的定位都可以通过在arcgis软件中新建shapefile文件来完成。将垃圾覆盖度fv值提取至站点时则需要将在envi软件中计算fv值得到的图像导入arcgis软件中，并使用toolbox中的“多值提取至点”工具进行提取操作，提取完成后将站点属性表导出，即可得到所需fv值数据。
s8：实地测量所设站点处垃圾的厚度d和密度；在arcgis平台上将所设站点的坐标从属性表导出，后进行实地测量站点垃圾厚度d的外业工作。
s9：将测量得到的距离x值和计算所得的垃圾覆盖度fv值作为输入数据，将实地测量所得的垃圾厚度d作为输出数据，使用matlab软件中的神经网络工具进行训练，多次调整参数以提高精度，将精度最高的bp神经网络模型作为最终的反演模型进行导出；具体流程为，在excel工作表中的a列中输入各站点的fv值数据，在b列中输入相对应的x值数据，此工作表即为bp神经网络训练样本的输入数据。新建一个工作表，在a列输入各站点对应的d值数据，此工作表为bp神经网络训练样本的输出数据。随后打开matlab软件，点击【app】|【neuralnetfitting】，跟随窗口指引导入样本数据，多次调整训练、验证和测试样本数量的比例和神经网络隐藏层的层数，同时对不同神经网络训练方案和相对应的神经网络精度做好记录，将精度最高的bp神经网络模型代码导出。
s10：在arcgis平台上，于垃圾条带范围里随机生成若干密集的点，提取出这些点的垃圾覆盖度fv值，并测量这些点距离垃圾条带近陆一侧的距离x；为了在垃圾条带范围里随机生成若干密集的点，我们需要新建一个范围与垃圾条带重合的shapefile面要素，以此作为提取垃圾条带上其他点位fv值的掩膜。还需新建一个与垃圾条带近陆一侧重合的shapefile线要素作为测量距离x值的起算线。使用toolbox中的“随机生成点”工具，在垃圾条带上新建密集的点，然后使用“多值提取至点”工具将每个点位的fv值提取出来，下一步使用“近邻分析”工具得到每个点与垃圾条带近陆一侧的距离x值，最后将fv值和x值导出。
s11：将这些点的fv值和x值输入bp神经网络模型，即可得到bp神经网络预测的厚度d’；把厚度未知的点的fv值和x值输入excel工作表中，a列存放fv值，b列存放x值，作为bp神经网络的输入数据。接着在matlab软件中打开之前训练好的神经网络代码，在代码最后使用“sim(net,filename)”函数，即可得到bp神经网络预测的厚度d’。
s12：根据反演结果计算垃圾体量；将预测结果数据整理成数字表格，输入surfer软件可以得到研究区内垃圾条带的体积、输入r软件可以拟合出垃圾条带剖面的三维模型。结合实地测得的平均密度可以计算出垃圾的质量。在反演结果(垃圾条带上每个点都会有对应的反演垃圾厚度d’)中随机挑选若干点(越多越好，不少于100个)，并在arcgis软件中查阅这些点的坐标，然后实地测量这些点处垃圾的实际厚度d，最后将d和d’代入均方差公式得到精度。
s13：选取若干随机生成的点并实地测量这些点处垃圾的厚度，与bp神经网络的预测值进行对比以确定精度是否符合要求。
表1本实施例中bp神经网络反演结果的精度
本实施例研究的是江苏盐城自然保护区内沿海漂浮着落垃圾的体量，主要使用了excel、arcgis、envi、matlab、surfer、r这六种软件，bp神经网络的预测精度良好，r值达到0.968以上。由此可见，本发明大量减少了对沿海漂浮着落垃圾体量的实地调查工作，节约了人力物力，同时大量运用地理信息系统和数字化数据处理方式，在保证反演精度的同时大大提高了效率。
需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。
1.一种基于bp神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，所述方法包括以下步骤：
s1：获取遥感影像并做好预处理；
s2：随机选取并创建“垃圾样本点”和“非垃圾样本点”；
s3：提取样本点光谱信息；
s4：创建归一化垃圾指数；
s5：计算垃圾覆盖度；
s6：在垃圾条带上设立剖面和站点；
s7：提取站点的垃圾覆盖度、测量距离；
s8：实地测量站点垃圾的厚度和密度；
s9：训练bp神经网络模型；
s10：提取垃圾条带上所有的覆盖度，测量距离；
s11：使用bp神经网络反演所有点的厚度；
s12：根据反演结果计算垃圾体量；
s13：验证反演的精度。
2.根据权利要求1所述的基于bp神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，s1具体如下：获取一景包含高亮度垃圾条带的遥感影像并做好预处理；
s2具体如下：将遥感影像导入arcgis软件，在垃圾条带上随机选取并创建大于等于50个“垃圾样本点”，在垃圾条带以外区域的图像上随机创建大于等于50个“非垃圾样本点”。
3.根据权利要求2所述的基于bp神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，s3提取样本点光谱信息为在arcgis平台上将“垃圾样本点”和“非垃圾样本点”的光谱信息提取出来；
s4创建归一化垃圾指数为探寻样本点光谱信息中各波段数值的联系，用其中的特征波段建立一个归一化的垃圾指数a。
4.根据权利要求3所述的基于bp神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，s5：计算垃圾覆盖度为使用该指数和覆盖度计算公式(fv＝(a-a0)/(av-a0))，在envi软件平台上计算遥感影像的垃圾覆盖度；其中，fv为垃圾覆盖度，a为归一化垃圾指数，a0为非垃圾覆盖部分的归一化指数a的值，av为垃圾覆盖部分的归一化指数a的值，通常分别取某遥感影像归一化垃圾指数统计直方图中频率为5％和95％的a值作为a0和av的值；
s6：在垃圾条带上设立剖面和站点；使用arcgis软件在垃圾条带上每隔固定距离设立一个垂直海岸线的剖面，并在每个剖面上设置三个站点，一号站点离陆地最近，三号站点离海洋最近，二号站点位于剖面的中点。
5.根据权利要求4所述的基于bp神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，s7为在arcgis平台上将所有站点的垃圾覆盖度值提取出来，并测量出二、三号站点与一号站点之间的距离x；
s8为实地测量所设站点处垃圾的厚度d和密度。
6.根据权利要求5所述的基于bp神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，s9：将测量得到的距离x值和计算所得的垃圾覆盖度fv值作为输入数据，将实地测量所得的垃圾厚度d作为输出数据，使用matlab软件中的神经网络工具进行训练，多次调整参数以提高精度，将精度最高的bp神经网络模型作为最终的反演模型进行导出。
7.根据权利要求6所述的基于bp神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，s10：在arcgis平台上，于垃圾条带范围里随机生成若干密集的点，提取出这些点的垃圾覆盖度fv值，并测量这些点距离垃圾条带近陆一侧的距离x；
s11：将这些点的fv值和x值输入bp神经网络模型，即可得到bp神经网络预测的厚度d’；
s12：根据反演结果计算垃圾体量。
8.根据权利要求6所述的基于bp神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，s13：选取若干随机生成的点并实地测量这些点处垃圾的厚度，与bp神经网络的预测值进行对比以确定精度是否符合要求。
技术总结