基于深度学习的原位高光谱反演水质参数方法

本发明公开了一种基于深度学习的原位高光谱反演水质参数方法。该方法通过结合卷积神经网络(CNN)与Transformer构建并行网络模型，利用CNN提取局部特征和Transformer捕捉全局信息，实现对原位高光谱反射率数据中的复杂特征和波段信息的全面解析。在模型训练过程中，采用随机遮挡和噪声注入的自监督学习策略，对网络的初始层进行预训练，随后利用标注数据对网络权重进行微调，以增强模型对数据特征模式的理解。该方法充分利用了无标注数据，提高了模型的训练精度和泛化能力。相比于传统依赖先验知识构建的显式线性或非线性模型，本发明能够捕获光谱之间的隐性相关性，实现端到端的水质参数反演，其结果在精度和泛化能力方面都有显著提升。