CN103983584A - 一种内陆二类水体叶绿素a浓度的反演方法及装置 - Google Patents
一种内陆二类水体叶绿素a浓度的反演方法及装置 Download PDFInfo
- Publication number
- CN103983584A CN103983584A CN201410240660.7A CN201410240660A CN103983584A CN 103983584 A CN103983584 A CN 103983584A CN 201410240660 A CN201410240660 A CN 201410240660A CN 103983584 A CN103983584 A CN 103983584A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing reflectance
- reflectance spectrum
- spectrum
- chlorophyll
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种内陆二类水体叶绿素a浓度的反演方法及装置,其中内陆二类水体叶绿素a浓度的反演方法首先对第一遥感反射率光谱进行分类,得到以不同组成成分为主要组分的若干类第二遥感反射率光谱并计算每条第二遥感反射率光谱的权重矩阵,再选择每一类的特征波段计算叶绿素光谱指数,最后将每一条光谱的每一类别下的叶绿素光谱指数用其权重进行加权融合得到加权叶绿素指数并拟合反演模型得到叶绿素a浓度。这种先分类后加权反演的方法降低区域和时间对反演方法的局限性,提高反演结果的平滑性和稳定性,因此后续在反演某类第二遥感反射率光谱的叶绿素a浓度时,可以采用与其对应的反演模型进行反演得到叶绿素a浓度,提高方法通用性。
Description
技术领域
本发明涉及内陆二类水体的水质参数反演技术领域,特别涉及一种内陆二类水体叶绿素a浓度的反演方法及装置。
背景技术
叶绿素a、悬浮物和有色可溶性有机物(也称黄色物质)是目前遥感能够监测到的内陆二类水体中的主要组成成分,其中叶绿素a作为光合作用最重要的色素是浮游植物生物量的指示参数,当叶绿素a浓度高时,往往导致水华发生,水质恶化,因此需要对内陆二类水体中的叶绿素a浓度进行实时监控。
目前对内陆二类水体中的叶绿素a浓度进行实时监控的一种常用手段是:利用水质参数反演算法来反演内陆二类水体中叶绿素a浓度,并且该水质参数反演算法针对特定区域和特定时间的水体建立。
但是内陆二类水体会随着区域和/或时间的变化而变化,因此针对某个特定区域的某个特定时间建立的反演算法,并不适用于反演其他区域和同一区域的不同时间的水体,降低反演算法的通用性。
发明内容
有鉴于此,本发明实施例提供一种内陆二类水体叶绿素a浓度的反演方法及装置,用于提高反演方法的通用性。技术方案如下:
本发明实施例提供一种内陆二类水体叶绿素a浓度的反演方法,包括:
获取实际测量的内陆二类水体的第一遥感反射率光谱;
对所述第一遥感反射率光谱进行分类,得到分类后的第二遥感反射率光谱,计算每类所述第二遥感反射率光谱的质心,其中每类所述第二遥感反射率子光谱以所述第一遥感反射率光谱中的一种组成成分为主要组分,且不同所述第二遥感反射率子光谱中的所述主要组分不同;
计算所述第一遥感反射率光谱中每条遥感反射率光谱到每个质心的光谱角度距离,得到距离矩阵;
对所述距离矩阵进行归一化处理,得到权重矩阵,其中所述权重矩阵中的每个权重对应一类第二遥感反射率光谱中的一条遥感反射率光谱;
为每类所述第二遥感反射率光谱选取特征波段;
以每类所述第二遥感反射率光谱的所述特征波段为依据,计算与每个特征波段对应的每类所述第二遥感反射率光谱的叶绿素光谱指数;
将每类所述第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类所述第二遥感反射率光谱的加权叶绿素光谱指数;
对每类所述第二遥感反射率光谱的加权叶绿素光谱指数和实际测量的所述第二遥感反射率光谱对应的叶绿素a浓度进行回归分析,以得到叶绿素a浓度反演模型;
利用所述叶绿素a浓度反演模型,反演其他遥感反射率光谱对应的叶绿素a浓度。
优选地,对所述第一遥感反射率光谱进行分类之前,所述方法还包括:
对所述第一遥感反射率光谱进行平滑处理和归一化处理,对处理后的所述第一遥感反射率光谱进行分类。
优选地,对所述第一遥感反射率光谱进行平滑处理,包括:利用窗口为15、多项式级数为2的Savitzky-Golay滤波算法,对所述第一遥感反射率光谱进行平滑处理。
优选地,对所述第一遥感反射率光谱进行分类,包括:用逐步迭代的K均值聚类算法将所述第一遥感反射率光谱划分为三类所述第二遥感反射率光谱。
优选地,将每类所述第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类所述第二遥感反射率光谱的加权叶绿素光谱指数,包括:
利用公式对每类所述第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类所述第二遥感反射率光谱的加权叶绿素光谱指数,其中gi(x)为第i类所述第二遥感反射率光谱的叶绿素光谱指数,fi(x)为第i类所述第二遥感反射率光谱的质心。
本发明实施例还提供一种内陆二类水体叶绿素a浓度的反演装置,包括:
获取单元,用于获取实际测量的内陆二类水体的第一遥感反射率光谱;
分类单元,用于对所述第一遥感反射率光谱进行分类,得到分类后的第二遥感反射率光谱,计算每类所述第二遥感反射率光谱的质心,其中每类所述第二遥感反射率子光谱以所述第一遥感反射率光谱中的一种组成成分为主要组分,且不同所述第二遥感反射率子光谱中的所述主要组分不同;
第一计算单元,用于计算所述第一遥感反射率光谱中每条遥感反射率光谱到每个质心的光谱角度距离,得到距离矩阵;
第二计算单元,用于对所述距离矩阵进行归一化处理,得到权重矩阵,其中所述权重矩阵中的每个权重对应一类第二遥感反射率光谱中的一条遥感反射率光谱;
选取单元,用于为每类所述第二遥感反射率光谱选取特征波段;
第三计算单元,用于以每类所述第二遥感反射率光谱的所述特征波段为依据,计算与每个特征波段对应的每类所述第二遥感反射率光谱的叶绿素光谱指数;
第四计算单元,用于将每类所述第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类所述第二遥感反射率光谱的加权叶绿素光谱指数;
分析单元,用于对每类所述第二遥感反射率光谱的加权叶绿素光谱指数和实际测量的所述第二遥感反射率光谱对应的叶绿素a浓度进行回归分析,以得到叶绿素a浓度反演模型;
反演单元,用于利用所述叶绿素a浓度反演模型,反演其他遥感反射率光谱对应的叶绿素a浓度。
优选地,所述装置还包括:
处理单元,用于对所述第一遥感反射率光谱进行平滑处理和归一化处理,并触发所述分类单元对处理后的所述第一遥感反射率光谱进行分类。
优选地,所述处理单元对所述第一遥感反射率光谱进行平滑处理,包括:利用窗口为15、多项式级数为2的Savitzky-Golay滤波算法,对所述第一遥感反射率光谱进行平滑处理。
优选地,所述分类单元对所述第一遥感反射率光谱进行分类,包括:用逐步迭代的K均值聚类算法将所述第一遥感反射率光谱划分为三类所述第二遥感反射率光谱。
优选地,所述第四计算单元将每类所述第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类所述第二遥感反射率光谱的加权叶绿素光谱指数,包括:
利用公式对每类所述第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类所述第二遥感反射率光谱的加权叶绿素光谱指数,其中gi(x)为第i类所述第二遥感反射率光谱的叶绿素光谱指数,fi(x)为第i类所述第二遥感反射率光谱的质心。
与现有技术相比,本发明包括以下优点:
从上述技术方案可以看出,本发明实施例提供的内陆二类水体叶绿素a浓度的反演方法首先对第一遥感反射率光谱进行分类,得到以不同组成成分为主要组分的若干类第二遥感反射率光谱并计算每条第二遥感反射率光谱的权重矩阵,再选择每一类的特征波段计算叶绿素光谱指数,最后将每一条光谱的每一类别下的叶绿素光谱指数用其权重进行加权融合得到加权叶绿素指数并拟合反演模型得到叶绿素a浓度。这种先分类后加权反演的方法降低区域和时间对反演方法的局限性,提高反演结果的平滑性和稳定性,因此后续在反演某类第二遥感反射率光谱的叶绿素a浓度时,可以采用与其对应的反演模型进行反演得到叶绿素a浓度,提高方法通用性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的内陆二类水体叶绿素a浓度的反演方法的流程图;
图2是本发明实施例提供的内陆二类水体叶绿素a浓度的反演装置的一种结构示意图;
图3是本发明实施例提供的内陆二类水体叶绿素a浓度的反演装置的另一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明实施例提供的一种内陆二类水体叶绿素a浓度的反演方法的流程图,可以包括以下步骤:
101:获取实际测量的内陆二类水体的第一遥感反射率光谱。
在本发明实施例中,第一遥感反射率光谱是采用“水面以上测量法”测量得到,该测量方法是目前测量水体的遥感反射率光谱的通用方法,其可以去除天空光对水体的遥感反射率光谱的影响。并且第一遥感反射率光谱中包括多条遥感反射率光谱。
例如第一遥感反射率光谱是以1nm(纳米)为间隔,至少包括400nm–900nm的光谱范围,即第一遥感反射率光谱包括400nm–900nm光谱范围内的遥感反射率光谱,遥感反射率光谱的波长间隔为1nm,且每条遥感反射率光谱的光谱范围和光谱分辨率相同。
102:对第一遥感反射率光谱进行分类,得到分类后的第二遥感反射率光谱,计算每类第二遥感反射率光谱的质心。
其中每类第二遥感反射率光谱以第一遥感反射率光谱中的一种组成成分为主要组分,且不同第二遥感反射率光谱中的主要组分不同。比如第一遥感反射率光谱中包括三种组成成分:叶绿素a、悬浮物和有色可溶性有机物,那么在进行划分时可以以这三种组成成分为主要组分对第一遥感反射率光谱进行划分,得到三类第二遥感反射率光谱,每类第二遥感反射率光谱包括的主要组分分别是:叶绿素a、悬浮物和有色可溶性有机物。
需要说明的一点是:划分得到的三类第二遥感反射率光谱中并不只包括主要组分,还包括第一遥感反射率光谱中的其他组成成分,因此需要获取每类第二遥感反射率光谱的叶绿素a浓度反演模型。并且第一遥感反射率光谱和第二遥感反射率光谱在本领域中可以直接称为遥感反射率光谱,在本发明实施例中采用第一遥感反射率光谱和第二遥感反射率光谱是为了更好地区分。
在本发明实施例中,对第一遥感反射率光谱进行分类可以采用逐步迭代的K-mean(K均值)聚类算法将第一遥感反射率光谱划分为三类第二遥感反射率光谱,并且可以通过逐步迭代的K-mean聚类算法计算出各类第二遥感反射率光谱的质心。相比直接K-mean聚类算法,逐步迭代的K-mean聚类算法较好的继承每次迭代的光谱特性,使得不同类别的光学特性更为接近。
此外,为了提高本发明实施例得到的叶绿素a浓度反演模型的准确度,在对第一遥感反射率光谱进行划分之前,首先对第一遥感反射率光谱进行平滑处理和归一化处理,然后再对处理后的第一遥感反射率光谱进行分类。
其中在对第一遥感反射率光谱进行平滑处理时,可以利用窗口为15、多项式级数为2的Savitzky-Golay滤波算法,对第一遥感反射率光谱进行平滑处理。Savitzky-Golay滤波算法(简称为S-G滤波算法)是由Savitzky和Golay于1964年提出,发表于Analytical Chemistry杂志。之后被广泛地运用于数据流平滑除噪,是一种在时域内基于局域多项式最小二乘法拟合的滤波算法。在经过平滑处理后第一遥感反射率光谱中的毛刺噪声被消除,而归一化处理可以去除环境对第一遥感反射率光谱的影响。
103:计算第一遥感反射率光谱中每条遥感反射率光谱到每个质心的光谱角度距离,得到距离矩阵。
104:对距离矩阵进行归一化处理,得到权重矩阵,其中权重矩阵中的每个权重对应一类第二遥感反射率光谱中的一条遥感反射率光谱。在距离到权重的转换时需要符合以下公式:
,其中pi(x)是一条遥感反射率光谱到第i个质心的权重,n为质心的总数量,该公式可以保证每条遥感反射率光谱到所有质心的权重之和为1。
105:为每类第二遥感反射率光谱选取特征波段。在选取特征波段时,可以依据不同类型的第二遥感反射率光谱的光学特性进行选取。并且还可以依据后续每类第二遥感反射率光谱的叶绿素光谱指数的类型进行选择,如叶绿素光谱指数为归一化叶绿素指数和综合叶绿素指数时,选择的特征波段可以不同。
106:以每类第二遥感反射率光谱的特征波段为依据,计算与每个特征波段对应的每类第二遥感反射率光谱的叶绿素光谱指数。
在本发明实施例中,不同的叶绿素光谱指数要求的特征波段不相同,选取特征波段的方法也不同,相应的叶绿素光谱指数的计算方法也不相同,对此本发明实施例不再一一列举,可以参阅现有依据特征波段选取叶绿素光谱指数及叶绿素光谱指数的计算方法。
107:将每类第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类第二遥感反射率光谱的加权叶绿素光谱指数。
具体可以利用公式对每类第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类第二遥感反射率光谱的加权叶绿素光谱指数,其中gi(x)为第i类第二遥感反射率光谱的叶绿素光谱指数,fi(x)为第i类第二遥感反射率光谱的质心。
108:对每类第二遥感反射率光谱的加权叶绿素光谱指数和实际测量的第二遥感反射率光谱对应的叶绿素a浓度进行回归分析,以得到叶绿素a浓度反演模型。
其中,回归分析是叶绿素a反演建模的一般过程,通过现有技术提供的回归分析方法可以得到每类第二遥感反射率光谱的叶绿素a浓度反演模型。
109:利用叶绿素a浓度反演模型,反演其他遥感反射率光谱对应的叶绿素a浓度。后续在反演其他第二遥感反射率光谱的叶绿素a浓度时,可以通过对其他遥感反射率光谱进行分类得到其类型,然后再采用与其类型对应的叶绿素a浓度反演模型进行反演得到叶绿素a浓度。
从上述技术方案可以看出,本发明实施例提供的内陆二类水体叶绿素a浓度的反演方法首先对第一遥感反射率光谱进行分类,得到以不同组成成分为主要组分的若干类第二遥感反射率光谱并计算每条第二遥感反射率光谱的权重矩阵,再选择每一类的特征波段计算叶绿素光谱指数,最后将每一条光谱的每一类别下的叶绿素光谱指数用其权重进行加权融合得到加权叶绿素指数并拟合反演模型得到叶绿素a浓度。这种先分类后加权反演的方法降低区域和时间对反演方法的局限性,提高反演结果的平滑性和稳定性,因此后续在反演某类第二遥感反射率光谱的叶绿素a浓度时,可以采用与其对应的反演模型进行反演得到叶绿素a浓度,提高方法通用性。
并且本发明实施例将不同类型的第二遥感反射率光谱的叶绿素光谱指数进行加权求和,这样加权求和得到的加权叶绿素光谱指数更加平滑,更能够符合内陆二类水体叶绿素a浓度的均一化分布特性。
此外本发明实施例融合不同类型的第二遥感反射率光谱,降低由于单一遥感反射率光谱对误差的影响,并且在基于权重的加权方法时可以为光谱特性相似度较高的第二遥感反射率分配较高的权重,而为光谱特性相似度较低的第二遥感反射率分配较低的权重,以降低光谱特性相似度较低的第二遥感反射率的影响,这样可以较好的模拟现实世界中不同类别内陆二类水体中不同组成成分对光谱曲线的影响,较好的反应叶绿素a等水质参数的分布情况。
与上述方法实施例相对应,本发明实施例还提供一种内陆二类水体叶绿素a浓度的反演装置,其结构示意图如图2所示,可以包括:获取单元11、分类单元12、第一计算单元13、第二计算单元14、选取单元15、第三计算单元16、第四计算单元17、分析单元18和反演单元19。其中,
获取单元11,用于获取实际测量的内陆二类水体的第一遥感反射率光谱。
在本发明实施例中,第一遥感反射率光谱是采用“水面以上测量法”测量得到,该测量方法是目前测量水体的遥感反射率光谱的通用方法,其可以去除天空光对水体的遥感反射率光谱的影响。并且第一遥感反射率光谱中包括多条遥感反射率光谱。
例如第一遥感反射率光谱是以1nm(纳米)为间隔,至少包括400nm–900nm的光谱范围,即第一遥感反射率光谱包括400nm–900nm光谱范围内的遥感反射率光谱,遥感反射率光谱的波长间隔为1nm,且每条遥感反射率光谱的光谱范围和光谱分辨率相同。
分类单元12,用于对第一遥感反射率光谱进行分类,得到分类后的第二遥感反射率光谱,计算每类第二遥感反射率光谱的质心,其中每类第二遥感反射率子光谱以第一遥感反射率光谱中的一种组成成分为主要组分,且不同第二遥感反射率子光谱中的主要组分不同。
其中每类第二遥感反射率光谱以第一遥感反射率光谱中的一种组成成分为主要组分,且不同第二遥感反射率光谱中的主要组分不同。比如第一遥感反射率光谱中包括三种组成成分:叶绿素a、悬浮物和有色可溶性有机物,那么在进行划分时可以以这三种组成成分为主要组分对第一遥感反射率光谱进行划分,得到三类第二遥感反射率光谱,每类第二遥感反射率光谱包括的主要组分分别是:叶绿素a、悬浮物和有色可溶性有机物。
需要说明的一点是:划分得到的三类第二遥感反射率光谱中并不只包括主要组分,还包括第一遥感反射率光谱中的其他组成成分,因此需要获取每类第二遥感反射率光谱的叶绿素a浓度反演模型。并且第一遥感反射率光谱和第二遥感反射率光谱在本领域中可以直接称为遥感反射率光谱,在本发明实施例中采用第一遥感反射率光谱和第二遥感反射率光谱是为了更好地区分。
在本发明实施例中,分类单元12对第一遥感反射率光谱进行分类可以采用逐步迭代的K-mean(K均值)聚类算法将第一遥感反射率光谱划分为三类第二遥感反射率光谱,并且可以通过逐步迭代的K-mean聚类算法计算出各类第二遥感反射率光谱的质心。相比直接K-mean聚类算法,逐步迭代的K-mean聚类算法较好的继承每次迭代的光谱特性,使得不同类别的光学特性更为接近。
此外,为了提高本发明实施例得到的叶绿素a浓度反演模型的准确度,在图2所示的反演装置基础上,本发明实施例提供的反演装置还可以包括:处理单元10,如图3所示,其中处理单元10对第一遥感反射率光谱进行平滑处理和归一化处理,然后触发分类单元12对处理后的第一遥感反射率光谱进行分类。
其中在对第一遥感反射率光谱进行平滑处理时,处理单元10可以利用窗口为15、多项式级数为2的Savitzky-Golay滤波算法,对第一遥感反射率光谱进行平滑处理。在经过平滑处理后第一遥感反射率光谱中的毛刺噪声被消除,而归一化处理可以去除环境对第一遥感反射率光谱的影响。
第一计算单元13,用于计算第一遥感反射率光谱中每条遥感反射率光谱到每个质心的光谱角度距离,得到距离矩阵。
第二计算单元14,用于对距离矩阵进行归一化处理,得到权重矩阵,其中权重矩阵中的每个权重对应一类第二遥感反射率光谱中的一条遥感反射率光谱。在距离到权重的转换时需要符合以下公式:
,其中pi(x)是一条遥感反射率光谱到第i个质心的权重,n为质心的总数量,该公式可以保证每条遥感反射率光谱到所有质心的权重之和为1。
选取单元15,用于为每类第二遥感反射率光谱选取特征波段。在选取特征波段时,可以依据不同类型的第二遥感反射率光谱的光学特性进行选取。并且还可以依据后续每类第二遥感反射率光谱的叶绿素光谱指数的类型进行选择,如叶绿素光谱指数为归一化叶绿素指数和综合叶绿素指数时,选择的特征波段可以不同。
第三计算单元16,用于以每类第二遥感反射率光谱的特征波段为依据,计算与每个特征波段对应的每类第二遥感反射率光谱的叶绿素光谱指数。
在本发明实施例中,不同的叶绿素光谱指数要求的特征波段不相同,选取特征波段的方法也不同,相应的叶绿素光谱指数的计算方法也不相同,对此本发明实施例不再一一列举选取单元15和第三计算单元16采用的方法,可以参阅现有依据特征波段选取叶绿素光谱指数及叶绿素光谱指数的计算方法。
第四计算单元17,用于将每类第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类第二遥感反射率光谱的加权叶绿素光谱指数。
具体可以利用公式对每类第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类第二遥感反射率光谱的加权叶绿素光谱指数,其中gi(x)为第i类第二遥感反射率光谱的叶绿素光谱指数,fi(x)为第i类第二遥感反射率光谱的质心。
分析单元18,用于对每类第二遥感反射率光谱的加权叶绿素光谱指数和实际测量的第二遥感反射率光谱对应的叶绿素a浓度进行回归分析,以得到叶绿素a浓度反演模型。
其中,回归分析是叶绿素a反演建模的一般过程,通过现有技术提供的回归分析方法可以得到每类第二遥感反射率光谱的叶绿素a浓度反演模型。
反演单元19,用于利用叶绿素a浓度反演模型,反演其他遥感反射率光谱对应的叶绿素a浓度。
从上述技术方案可以看出,本发明实施例提供的内陆二类水体叶绿素a浓度的反演装置首先对第一遥感反射率光谱进行分类,得到以不同组成成分为主要组分的若干类第二遥感反射率光谱并计算每条第二遥感反射率光谱的权重矩阵,再选择每一类的特征波段计算叶绿素光谱指数,最后将每一条光谱的每一类别下的叶绿素光谱指数用其权重进行加权融合得到加权叶绿素指数并拟合反演模型得到叶绿素a浓度。这种先分类后加权反演的方法降低区域和时间对反演方法的局限性,提高反演结果的平滑性和稳定性,因此后续在反演某类第二遥感反射率光谱的叶绿素a浓度时,可以采用与其对应的反演模型进行反演得到叶绿素a浓度,提高方法通用性。
并且本发明实施例将不同类型的第二遥感反射率光谱的叶绿素光谱指数进行加权求和,这样加权求和得到的加权叶绿素光谱指数更加平滑,更能够符合内陆二类水体叶绿素a浓度的均一化分布特性。
此外本发明实施例融合不同类型的第二遥感反射率光谱,降低由于单一遥感反射率光谱对误差的影响,并且在基于权重的加权方法时可以为光谱特性相似度较高的第二遥感反射率分配较高的权重,而为光谱特性相似度较低的第二遥感反射率分配较低的权重,以降低光谱特性相似度较低的第二遥感反射率的影响,这样可以较好的模拟现实世界中不同类别内陆二类水体中不同组成成分对光谱曲线的影响,较好的反应叶绿素a等水质参数的分布情况。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明所提供的一种内陆二类水体叶绿素a浓度的反演方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种内陆二类水体叶绿素a浓度的反演方法,其特征在于,包括:
获取实际测量的内陆二类水体的第一遥感反射率光谱;
对所述第一遥感反射率光谱进行分类,得到分类后的第二遥感反射率光谱,计算每类所述第二遥感反射率光谱的质心,其中每类所述第二遥感反射率子光谱以所述第一遥感反射率光谱中的一种组成成分为主要组分,且不同所述第二遥感反射率子光谱中的所述主要组分不同;
计算所述第一遥感反射率光谱中每条遥感反射率光谱到每个质心的光谱角度距离,得到距离矩阵;
对所述距离矩阵进行归一化处理,得到权重矩阵,其中所述权重矩阵中的每个权重对应一类第二遥感反射率光谱中的一条遥感反射率光谱;
为每类所述第二遥感反射率光谱选取特征波段;
以每类所述第二遥感反射率光谱的所述特征波段为依据,计算与每个特征波段对应的每类所述第二遥感反射率光谱的叶绿素光谱指数;
将每类所述第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类所述第二遥感反射率光谱的加权叶绿素光谱指数;
对每类所述第二遥感反射率光谱的加权叶绿素光谱指数和实际测量的所述第二遥感反射率光谱对应的叶绿素a浓度进行回归分析,以得到叶绿素a浓度反演模型;
利用所述叶绿素a浓度反演模型,反演其他遥感反射率光谱对应的叶绿素a浓度。
2.根据权利要求1所述的方法,其特征在于,对所述第一遥感反射率光谱进行分类之前,所述方法还包括:
对所述第一遥感反射率光谱进行平滑处理和归一化处理,对处理后的所述第一遥感反射率光谱进行分类。
3.根据权利要求2所述的方法,其特征在于,对所述第一遥感反射率光谱进行平滑处理,包括:利用窗口为15、多项式级数为2的Savitzky-Golay滤波算法,对所述第一遥感反射率光谱进行平滑处理。
4.根据权利要求3所述的方法,其特征在于,对所述第一遥感反射率光谱进行分类,包括:用逐步迭代的K均值聚类算法将所述第一遥感反射率光谱划分为三类所述第二遥感反射率光谱。
5.根据权利要求1至4任意一项所述的方法,其特征在于,将每类所述第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类所述第二遥感反射率光谱的加权叶绿素光谱指数,包括:
利用公式对每类所述第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类所述第二遥感反射率光谱的加权叶绿素光谱指数,其中gi(x)为第i类所述第二遥感反射率光谱的叶绿素光谱指数,fi(x)为第i类所述第二遥感反射率光谱的质心。
6.一种内陆二类水体叶绿素a浓度的反演装置,其特征在于,包括:
获取单元,用于获取实际测量的内陆二类水体的第一遥感反射率光谱;
分类单元,用于对所述第一遥感反射率光谱进行分类,得到分类后的第二遥感反射率光谱,计算每类所述第二遥感反射率光谱的质心,其中每类所述第二遥感反射率子光谱以所述第一遥感反射率光谱中的一种组成成分为主要组分,且不同所述第二遥感反射率子光谱中的所述主要组分不同;
第一计算单元,用于计算所述第一遥感反射率光谱中每条遥感反射率光谱到每个质心的光谱角度距离,得到距离矩阵;
第二计算单元,用于对所述距离矩阵进行归一化处理,得到权重矩阵,其中所述权重矩阵中的每个权重对应一类第二遥感反射率光谱中的一条遥感反射率光谱;
选取单元,用于为每类所述第二遥感反射率光谱选取特征波段;
第三计算单元,用于以每类所述第二遥感反射率光谱的所述特征波段为依据,计算与每个特征波段对应的每类所述第二遥感反射率光谱的叶绿素光谱指数;
第四计算单元,用于将每类所述第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类所述第二遥感反射率光谱的加权叶绿素光谱指数;
分析单元,用于对每类所述第二遥感反射率光谱的加权叶绿素光谱指数和实际测量的所述第二遥感反射率光谱对应的叶绿素a浓度进行回归分析,以得到叶绿素a浓度反演模型;
反演单元,用于利用所述叶绿素a浓度反演模型,反演其他遥感反射率光谱对应的叶绿素a浓度。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
处理单元,用于对所述第一遥感反射率光谱进行平滑处理和归一化处理,并触发所述分类单元对处理后的所述第一遥感反射率光谱进行分类。
8.根据权利要求7所述的装置,其特征在于,所述处理单元对所述第一遥感反射率光谱进行平滑处理,包括:利用窗口为15、多项式级数为2的Savitzky-Golay滤波算法,对所述第一遥感反射率光谱进行平滑处理。
9.根据权利要求8所述的装置,其特征在于,所述分类单元对所述第一遥感反射率光谱进行分类,包括:用逐步迭代的K均值聚类算法将所述第一遥感反射率光谱划分为三类所述第二遥感反射率光谱。
10.根据权利要求6至9任意一项所述的装置,其特征在于,所述第四计算单元将每类所述第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类所述第二遥感反射率光谱的加权叶绿素光谱指数,包括:
利用公式对每类所述第二遥感反射率光谱的叶绿素光谱指数和对应的权重进行加权求和,得到每类所述第二遥感反射率光谱的加权叶绿素光谱指数,其中gi(x)为第i类所述第二遥感反射率光谱的叶绿素光谱指数,fi(x)为第i类所述第二遥感反射率光谱的质心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410240660.7A CN103983584B (zh) | 2014-05-30 | 2014-05-30 | 一种内陆二类水体叶绿素a浓度的反演方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410240660.7A CN103983584B (zh) | 2014-05-30 | 2014-05-30 | 一种内陆二类水体叶绿素a浓度的反演方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103983584A true CN103983584A (zh) | 2014-08-13 |
CN103983584B CN103983584B (zh) | 2016-06-01 |
Family
ID=51275643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410240660.7A Active CN103983584B (zh) | 2014-05-30 | 2014-05-30 | 一种内陆二类水体叶绿素a浓度的反演方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103983584B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359847A (zh) * | 2014-12-08 | 2015-02-18 | 中国科学院遥感与数字地球研究所 | 获取代表典型水体类别的质心集的方法及装置 |
CN105891124A (zh) * | 2016-04-12 | 2016-08-24 | 山东理工大学 | 近岸河口水色参数反演装置及方法 |
CN106092909A (zh) * | 2016-05-23 | 2016-11-09 | 新疆农垦科学院 | 一种枣树冠层叶绿素含量的检测方法 |
CN106769903A (zh) * | 2017-01-12 | 2017-05-31 | 南京渔管家物联网科技有限公司 | 一种养殖水体藻类浓度检测方法 |
CN106855502A (zh) * | 2015-12-09 | 2017-06-16 | 深圳先进技术研究院 | 一种陆源入海排污口的遥感监测方法与系统 |
CN106960204A (zh) * | 2017-05-05 | 2017-07-18 | 南京信息工程大学 | 一种估算近海水体浮游植物粒级结构的遥感方法 |
CN107991249A (zh) * | 2016-10-26 | 2018-05-04 | 南京吉泽信息科技有限公司 | 一种内陆水体叶绿素a浓度的普适性遥感估算方法 |
CN111504915A (zh) * | 2020-04-27 | 2020-08-07 | 中国科学技术大学先进技术研究院 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
CN111650131A (zh) * | 2020-06-18 | 2020-09-11 | 中国科学院烟台海岸带研究所 | 一种高泥沙含量水体表层叶绿素a浓度反演方法 |
CN112528559A (zh) * | 2020-12-04 | 2021-03-19 | 广东省科学院广州地理研究所 | 一种结合预分类与机器学习的叶绿素a浓度反演方法 |
CN113159167A (zh) * | 2021-04-19 | 2021-07-23 | 福州大学 | 基于内陆不同类型水体的叶绿素a反演方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5126978A (en) * | 1991-04-23 | 1992-06-30 | The United States Of America As Represented By The Secretary Of The Navy | Undersea data collection, analysis, and display system |
CN101477036A (zh) * | 2009-01-13 | 2009-07-08 | 中国科学院遥感应用研究所 | 基于分段协同模型的内陆水体叶绿素a浓度遥感监测方法 |
CN101852722A (zh) * | 2010-05-20 | 2010-10-06 | 北京航空航天大学 | 一种实现水体叶绿素a遥感反演精度评估方法 |
CN101893550A (zh) * | 2010-07-14 | 2010-11-24 | 青岛海洋地质研究所 | 一种实现水体叶绿素a浓度反演的半分析方法 |
CN102012528A (zh) * | 2010-11-23 | 2011-04-13 | 北京理工大学 | 一种稀疏植被地区的高光谱遥感油气勘探方法 |
CN102200576A (zh) * | 2011-03-10 | 2011-09-28 | 王桥 | 叶绿素a浓度反演方法及系统 |
CN102508959A (zh) * | 2011-10-31 | 2012-06-20 | 南京师范大学 | 反演高浑浊度水体中叶绿素a浓度的四波段半分析模型 |
WO2013002349A1 (ja) * | 2011-06-29 | 2013-01-03 | 富士通株式会社 | 植物種識別装置、方法およびプログラム |
CN102955878A (zh) * | 2012-09-05 | 2013-03-06 | 环境保护部卫星环境应用中心 | 基于meris全分辨率影像数据的内陆水体光学分类方法 |
-
2014
- 2014-05-30 CN CN201410240660.7A patent/CN103983584B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5126978A (en) * | 1991-04-23 | 1992-06-30 | The United States Of America As Represented By The Secretary Of The Navy | Undersea data collection, analysis, and display system |
CN101477036A (zh) * | 2009-01-13 | 2009-07-08 | 中国科学院遥感应用研究所 | 基于分段协同模型的内陆水体叶绿素a浓度遥感监测方法 |
CN101852722A (zh) * | 2010-05-20 | 2010-10-06 | 北京航空航天大学 | 一种实现水体叶绿素a遥感反演精度评估方法 |
CN101893550A (zh) * | 2010-07-14 | 2010-11-24 | 青岛海洋地质研究所 | 一种实现水体叶绿素a浓度反演的半分析方法 |
CN102012528A (zh) * | 2010-11-23 | 2011-04-13 | 北京理工大学 | 一种稀疏植被地区的高光谱遥感油气勘探方法 |
CN102200576A (zh) * | 2011-03-10 | 2011-09-28 | 王桥 | 叶绿素a浓度反演方法及系统 |
WO2013002349A1 (ja) * | 2011-06-29 | 2013-01-03 | 富士通株式会社 | 植物種識別装置、方法およびプログラム |
CN102508959A (zh) * | 2011-10-31 | 2012-06-20 | 南京师范大学 | 反演高浑浊度水体中叶绿素a浓度的四波段半分析模型 |
CN102955878A (zh) * | 2012-09-05 | 2013-03-06 | 环境保护部卫星环境应用中心 | 基于meris全分辨率影像数据的内陆水体光学分类方法 |
Non-Patent Citations (4)
Title |
---|
GONGLIANG YU ET AL.: "Remote Estimation of Chlorophyll a in Inland Waters by a NIR-Red-Based Algorithm: Validation in Asian Lakes", 《REMOTE SENS.》 * |
TIMOTHY S.MOORE ET AL.: "A class-based approach to characterizing and mapping the uncertainty of the MODIS ocean chlorophyll product", 《REMOTE SENSING OF ENVIRONMENT》 * |
张兵 等: "太湖水体3种典型水质参数的高光谱遥感反演", 《湖泊科学》 * |
李俊生 等: "太湖水面多角度遥感反射率光谱测量与方向特性分析", 《光谱学与光谱分析》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359847B (zh) * | 2014-12-08 | 2017-02-22 | 中国科学院遥感与数字地球研究所 | 获取代表典型水体类别的质心集的方法及装置 |
CN104359847A (zh) * | 2014-12-08 | 2015-02-18 | 中国科学院遥感与数字地球研究所 | 获取代表典型水体类别的质心集的方法及装置 |
CN106855502A (zh) * | 2015-12-09 | 2017-06-16 | 深圳先进技术研究院 | 一种陆源入海排污口的遥感监测方法与系统 |
CN105891124A (zh) * | 2016-04-12 | 2016-08-24 | 山东理工大学 | 近岸河口水色参数反演装置及方法 |
CN105891124B (zh) * | 2016-04-12 | 2019-04-16 | 山东理工大学 | 近岸河口水色参数反演装置及方法 |
CN106092909A (zh) * | 2016-05-23 | 2016-11-09 | 新疆农垦科学院 | 一种枣树冠层叶绿素含量的检测方法 |
CN107991249A (zh) * | 2016-10-26 | 2018-05-04 | 南京吉泽信息科技有限公司 | 一种内陆水体叶绿素a浓度的普适性遥感估算方法 |
CN106769903A (zh) * | 2017-01-12 | 2017-05-31 | 南京渔管家物联网科技有限公司 | 一种养殖水体藻类浓度检测方法 |
CN106769903B (zh) * | 2017-01-12 | 2020-05-19 | 南京渔管家物联网科技有限公司 | 一种养殖水体藻类浓度检测方法 |
CN106960204A (zh) * | 2017-05-05 | 2017-07-18 | 南京信息工程大学 | 一种估算近海水体浮游植物粒级结构的遥感方法 |
CN106960204B (zh) * | 2017-05-05 | 2020-07-28 | 南京信息工程大学 | 一种估算近海水体浮游植物粒级结构的遥感方法 |
CN111504915A (zh) * | 2020-04-27 | 2020-08-07 | 中国科学技术大学先进技术研究院 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
CN111650131A (zh) * | 2020-06-18 | 2020-09-11 | 中国科学院烟台海岸带研究所 | 一种高泥沙含量水体表层叶绿素a浓度反演方法 |
CN111650131B (zh) * | 2020-06-18 | 2023-12-19 | 中国科学院烟台海岸带研究所 | 一种高泥沙含量水体表层叶绿素a浓度反演方法 |
CN112528559A (zh) * | 2020-12-04 | 2021-03-19 | 广东省科学院广州地理研究所 | 一种结合预分类与机器学习的叶绿素a浓度反演方法 |
CN112528559B (zh) * | 2020-12-04 | 2024-04-23 | 广东省科学院广州地理研究所 | 一种结合预分类与机器学习的叶绿素a浓度反演方法 |
CN113159167A (zh) * | 2021-04-19 | 2021-07-23 | 福州大学 | 基于内陆不同类型水体的叶绿素a反演方法 |
CN113159167B (zh) * | 2021-04-19 | 2023-03-03 | 福州大学 | 基于内陆不同类型水体的叶绿素a反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103983584B (zh) | 2016-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103983584A (zh) | 一种内陆二类水体叶绿素a浓度的反演方法及装置 | |
Hong et al. | Combination of fractional order derivative and memory-based learning algorithm to improve the estimation accuracy of soil organic matter by visible and near-infrared spectroscopy | |
Vauhkonen et al. | Introduction to forestry applications of airborne laser scanning | |
CN102313699B (zh) | 作物冠层叶片的全氮含量估算方法 | |
Cybulski et al. | From voids to Coma: the prevalence of pre-processing in the local Universe | |
Sila et al. | Evaluating the utility of mid-infrared spectral subspaces for predicting soil properties | |
CN107748146A (zh) | 一种基于近红外光谱检测的原油属性快速预测方法 | |
WO2016000088A1 (zh) | 一种基于最佳指数-相关系数法的高光谱波段提取方法 | |
CN104990894B (zh) | 一种基于加权吸光度及相似样本的汽油性质检测方法 | |
CN115828140B (zh) | 邻域互信息与随机森林相融合故障检测方法、系统及应用 | |
CN102944583A (zh) | 基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法 | |
Mages et al. | Shear viscosity from lattice QCD | |
Maltamo et al. | Predicting tree diameter distributions | |
CN104359847B (zh) | 获取代表典型水体类别的质心集的方法及装置 | |
Lavine et al. | Development of search prefilters for infrared library searching of clear coat paint smears | |
Sun et al. | Prediction of soil organic carbon in a coal mining area by Vis-NIR spectroscopy | |
CN108169165A (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
Cheng et al. | Combining multivariate method and spectral variable selection for soil total nitrogen estimation by Vis–NIR spectroscopy | |
Lin et al. | Hyperspectral analysis of soil total nitrogen in subsided land using the local correlation maximization-complementary superiority (LCMCS) method | |
Losa et al. | The reliability of tests and data processing procedures for pavement macrotexture evaluation | |
CN110703277A (zh) | 一种基于全波形激光雷达数据反演森林冠层聚集指数的方法 | |
CN104155245A (zh) | 一种基于模式识别与谱图映射的油品多类性质的检测方法 | |
Zhao et al. | Application of a Fractional Order Differential to the Hyperspectral Inversion of Soil Iron Oxide | |
CN107632010A (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
CN108074046A (zh) | 食品安全评定方法、系统、移动终端及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |