CN110208193A - 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法 - Google Patents

一种基于光学遥感卫星影像的珊瑚礁一体化监测方法 Download PDF

Info

Publication number
CN110208193A
CN110208193A CN201910385363.4A CN201910385363A CN110208193A CN 110208193 A CN110208193 A CN 110208193A CN 201910385363 A CN201910385363 A CN 201910385363A CN 110208193 A CN110208193 A CN 110208193A
Authority
CN
China
Prior art keywords
coral reef
classification
wave band
image
index
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
Application number
CN201910385363.4A
Other languages
English (en)
Other versions
CN110208193B (zh
Inventor
石磊
陆璐
曹小敏
易凯
鲁航
刘闰舟
韩旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Space Star Technology Co Ltd
Original Assignee
Space Star Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Space Star Technology Co Ltd filed Critical Space Star Technology Co Ltd
Priority to CN201910385363.4A priority Critical patent/CN110208193B/zh
Publication of CN110208193A publication Critical patent/CN110208193A/zh
Application granted granted Critical
Publication of CN110208193B publication Critical patent/CN110208193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G01N2021/3155—Measuring in two spectral ranges, e.g. UV and visible

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明一种基于光学遥感卫星影像的珊瑚礁一体化监测方法，包括：预先利用遥感图像处理方法读取遥感影像的多光谱图像，计算出红光波段与红外波段的衰减系数比，以得出水深校正结果；利用不同的波段和NDVI、NDWI建立决策树进行分类，把海水、云和珊瑚礁区域区分开；对遥感影像的多光谱图像和水深校正结果进行掩膜，把海水和云区域掩膜掉，对珊瑚礁区域进行非监督分类获得珊瑚礁分类图；根据MODIS海表温度数据计算珊瑚礁白化的热点指数Hot Spot和周热度指数DHW，并根据取值范围进行分级显示，制成珊瑚礁白化预警分级图；将珊瑚礁分类图结合海水和云区域图像，输出珊瑚礁分布图。本发明能够实现有效检测，实现自动和半自动珊瑚礁监测与白化监测信息提取。

Description

一种基于光学遥感卫星影像的珊瑚礁一体化监测方法
技术领域
本发明属于遥感影像应用领域，涉及一种基于光学遥感卫星影像的珊瑚礁一体化监测方法。
背景技术
珊瑚礁是热带海洋最突出、最具代表性的生态系统之一，具有惊人的生物多样性和极高的初级生产力。栖息在珊瑚礁区的各类海洋生物达到上万种，对海洋环境和海洋生态系统的优化具有重要的意义。珊瑚礁大都位于离岸或离岛很近的浅水海域，很容易受到人类活动的影响。尽管全球珊瑚礁面积达到2×108km2，但目前珊瑚礁正处于不断衰减的恶化状态中。受全球气候和环境变化的影响，全球绝大部分发育珊瑚礁的海域都出现过珊瑚大量死亡和生态系统恶化的现象。
遥感技术的发展，促进了遥感在海岛、海岸带制图中的广泛应用。遥感快速、大面积、周期性地获取全球范围内珊瑚礁的各类信息的特征，克服珊瑚礁区域不易进行常规水深、地形、地貌勘测的难题，突破传统调查方式的诸多限制，已经发展成为珊瑚礁调查和监测的主要手段。
珊瑚礁遥感监测一般分为：针对珊瑚礁本身的遥感监测，如资源调查、分布状况、生态系统健康状况和变化监测；以及对威胁珊瑚礁生态系统的各类灾害事件的监测。目前应用于珊瑚礁监测的遥感资源丰富，既有光学类影像，也有雷达影像，也有各类机载、星载、地面和船载传感器资料供研究使用。其中被动式光学星载遥感能够以较低的成本快速获取大面积的珊瑚礁信息，具有很高的性价比，是目前珊瑚礁遥感监测领域的热点。
发明内容
本发明依托于中国-东盟卫星信息(海事)应用中心项目，所要解决的课题是：利用水深校正、决策树分类和非监督分类等算法，实现珊瑚礁遥感信息一体化监测与提取，实现珊瑚礁监测产品的自动或半自动化制作，减少了人工主观参与与误判，提高检测过程的自动化和检测结果的规范化能力。
用于解决课题的技术手段是，本发明提出一种基于光学遥感卫星影像的珊瑚礁一体化监测方法，包括以下步骤：
步骤1、预先利用遥感图像处理方法读取遥感影像的多光谱图像，选取至少3个不同深度同一种物质的点作为判断点，利用光穿透水时强度随着水深的增加而以指数的形式减小的特征，计算出红光波段与红外波段的衰减系数比，以得出水深校正结果；
步骤2、利用不同的波段和归一化植被指数NDVI、归一化水体指数NDWI建立决策树进行分类，把海水、云和珊瑚礁区域区分开；根据决策树分类结果，对遥感影像的多光谱图像和水深校正结果进行掩膜，把海水和云区域掩膜掉，对珊瑚礁区域进行非监督分类获得珊瑚礁分类图；
步骤3、根据MODIS海表温度数据计算珊瑚礁白化的热点指数Hot Spot和周热度指数DHW，并根据热点指数Hot Spot及周热度指数DHW的取值范围进行分级显示，制成珊瑚礁白化预警分级图；
步骤4、将珊瑚礁分类图结合海水和云区域的遥感影像的多光谱图像，去除干扰信息同时提取珊瑚礁信息，输出珊瑚礁分布图。
进一步地，作为本发明的一种优选技术方案，所述步骤1计算出红光波段与红外波段的衰减系数比，具体为：
步骤1a、建立水深Xi与图像辐亮度的线性关系：Xi＝ln(Li)；其中Li为数据的第i波段的图像辐亮度；
步骤1b、计算第i波段和第j波段的衰减系数比值
其中，σi为第i波段的方差，σj为第j波段的方差，σij为第i波段和第j波段的协方差；
步骤1c、根据第i波段和第j波段的衰减系数比值生成每对波段DII指数：
其中Li和Lj分别为第i波段和第j波段的图像福亮度。
进一步地，作为本发明的一种优选技术方案，所述步骤2对珊瑚礁区域采用K均值分类法进行非监督分类。
进一步地，作为本发明的一种优选技术方案，所述步骤2采用K均值分类法进行非监督分类，具体为：
随机选取K个对象作为初始的聚类中心；
计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；
将聚类中心以及分配给它们的对象代表一个聚类，一旦全部对象都被分配完，每个聚类的聚类中心根据聚类中现有的对象被重新计算；这个过程不断重复直到满足某个终止条件，最终得到珊瑚礁分类图。
进一步地，作为本发明的一种优选技术方案，所述终止条件是没有或最小数目对象被重新分配给不同的聚类，没有或最小数目聚类中心再发生变化，误差平方和局部最小。
进一步地，作为本发明的一种优选技术方案，所述步骤3根据MODIS海表温度数据计算瑚礁白化的热点指数Hot Spot，具体为：
根据MODIS海表温度数据中某天海表温度数据SST以及最热月平均温度MMMClimatology，求得瑚礁白化的热点指数Hot Spot，采用公式：
根据瑚礁白化的热点指数Hot Spot，求得珊瑚礁白化的周热度指数DHW，采用公式：
发明效果为：
本发明的基于光学遥感卫星影像的珊瑚礁一体化监测方法，利用多源遥感卫星数据，实现珊瑚礁遥感信息监测与提取，实现珊瑚礁监测产品的自动/半自动化制作，产品包括珊瑚礁分布图与珊瑚礁白化预警分级图等。本发明采用决策树分类的方法将珊瑚礁区域从遥感卫星影像中分离出来，然后对珊瑚礁区域进行水深校正和非监督分类，获得珊瑚礁分类图，最后与非珊瑚礁区域进行图像合成，输出珊瑚礁分布图。同时，可以在此基础上利用珊瑚礁白化指数计算得出白化热点以及周热度数据，进行分级显示，形成白化预警分级图。
本发明基于国内外光学遥感卫星，采用水深校正、决策树和非监督分类算法，提供了一个一体化的自动/半自动珊瑚礁监测和白化信息监测方法，减少了人工主观参与与误判，提高检测过程的自动化和检测结果的规范化能力。
附图说明
图1为本发明的珊瑚礁一体化监测方法流程示意图；
图2为本发明中水深校正流程框图；
图3为本发明中GF-1影像决策树分类示意图；
图4为本发明中珊瑚礁白化监测流程示意图；
图5为本发明中GF-1数据影像图；
图6为本发明中GF-1数据分类结果图；
图7为本发明实施例中2015年6月19日，NOAA发布的覆盖全球的SST产品图；
图8为本发明中白化热点数据HOTSPOT示意图；
图9为本发明中白化监测结果图。
具体实施方式
以下，基于附图针对本发明进行详细地说明。
珊瑚礁丰富的生物多样性和经济价值使其成为地球上最重要的生态系统。然而，随着全球变化的影响，珊瑚礁生态系统正经历着巨大的变化，大面积珊瑚白化以及珊瑚覆盖减少使得全球珊瑚礁前景堪忧。相比实地调查，遥感技术可以大面积、实时获取全球范围珊瑚礁地貌、底质和环境要素等多种信息，有助于理解和应对全球变化下的珊瑚白化和死亡。为了保护珊瑚礁生态系统和可持续发展，本发明提出了一种基于光学遥感卫星影像的珊瑚礁一体化监测方案。利用水深校正算法和决策树分类进行珊瑚礁自动和半自动提取，同时提供珊瑚礁白化分级图的自动制作，如图1所示，本方法主要包括以下步骤：
步骤1、预先利用遥感图像处理软件读取遥感影像的多光谱图像，选取至少3个不同深度同一种物质的点作为判断点，利用光穿透水时，强度随着水深的增加而以指数的形式减小的特征，计算出红光波段与红外波段的衰减系数比，从而最终得出水深校正结果。具体过程为：
步骤1a.建立水深与图像辐亮度的线性关系(取自然对数)，公式如下：
Xi＝ln(Li)；
其中Li为数据的第i波段的图像辐亮度。
步骤1b.计算第i波段和第j波段的衰减系数比值：
其中为第i波段和第j波段的衰减系数比值，σi为第i波段的方差，σj为第j波段的方差，σij为第i波段和第j波段的协方差。
步骤1c.根据第i波段和第j波段的衰减系数比值，生成每对波段DII指数，该指数的变化与底质类型有关而与水深无关。
其中Li和Lj分别为第i波段和第j波段的图像福亮度，为第i波段和第j波段的衰减系数比值。
该每对波段DII指数的结果将作为珊瑚礁区域的辅助数据应用到步骤2中。
步骤2、珊瑚礁监测中，利用不同的波段和归一化植被指数NDVI、归一化水体指数NDWI来建立决策树进行分类，把海水、云和珊瑚礁区域区分开；如图2所示，为本发明的GF-1影像决策树分类示意图，主要内容如下：
NDWI图像中值大于等于0的为云或浅水珊瑚礁区域，但本发明不限于0，可以0.05-0.2中的数值，本发明不对其进行限定。进行分类的结果是：第1波段具有最高的穿透力，用于确定珊瑚礁区域，第4波段因水体在该波段的吸收对水体敏感。波段划分的具体范围为：
0.5<NDVI阈值1<0.8，0.43<近红外阈值1<0.45，-0.1<近红外阈值2<0.10.4<近红外阈值2<0.43，-0.12<NDWI阈值1<0.1，-0.1<蓝波段阈值1<0.1；0.21<蓝波段阈值2<0.23，-0.34<NDWI阈值2<-0.33，0.33<红波段阈值2<0.35。
结合不同的波段和归一化植被指数，分类的依据为：
NDVI＝(BNIR-BR)/(BNIR+BR)；
NDVI＝(BGREEN-BNIR)/(BGREEN+BNIR)；
其中BNIR、BR、BGREEN分别表示近红外波段、红光波段和绿光波段的光谱反射率。
然后，根据决策树分类结果，对遥感影像的多光谱图像和水深校正的结果进行掩膜，把海水和云区域掩膜掉，对珊瑚礁区域进行非监督分类获得珊瑚礁分类图。非监督分类选择K均值分类法，K-Means使用聚类分析方法。
其中K均值聚类分类法，具体为：先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配完，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件，最终得到珊瑚礁分类图。所述终止条件可以是没有或最小数目对象被重新分配给不同的聚类，没有或最小数目聚类中心再发生变化，误差平方和局部最小。
步骤3、利用珊瑚当受到环境胁迫时，珊瑚体内的共生藻如虫黄藻就会与珊瑚分离，珊瑚就会白化，海藻会覆盖于珊瑚骨架上，物质中白化珊瑚和海藻增多的特点。根据MODIS海表温度数据计算珊瑚礁白化的热点指数Hot Spot和周热度指数DHW。
由于珊瑚对水温、水深、海水盐度、海平面高度变化、pH值等环境条件有较为苛刻的要求，所以当珊瑚受到环境胁迫时，珊瑚体内的共生藻如虫黄藻就会与珊瑚分离，珊瑚就会白化，海藻会覆盖于珊瑚骨架上，物质中白化珊瑚和海藻增多。造成珊瑚白化的原因很多，但海水温度的异常升高目前被认为是珊瑚礁大面积白化事件发生的最主要原因。而且事实证明，高温季节，由于海表温度较高，可以观测到严重的珊瑚白化。在一般情况下，区域海面温度大于该区平均夏季最高温度，持续时间达到数天或者数星期，就会导致珊瑚礁白化的发生，NOAA研发的遥感卫星全球50km分辨率的珊瑚礁白化产品就是基于这个原理。
本发明借助于MODIS海表温度产品SST来计算白化热点指数HotSpot和周热度指数DHW(Degree Heating Weeks)，并根据热点指数及周热度指数的取值范围进行分级显示，制成白化预警分级图，该方法被证明可以对大范围珊瑚礁白化的发生提供成功率相当高的预测。
珊瑚礁白化热点指数Hot Spot计算：根据MODIS海表温度数据中某天海表温度数据以及最热月平均温度，结合下列公式，求得监测珊瑚礁白化状况的热点指数HotSpot：
其中，SST是某天海表温度，MMMClimatology是最热月平均温度。
珊瑚礁白化周热度计算：根据海表温度数据以及最热月平均温度得到的珊瑚礁白化状况的热点指数Hotspot，结合下列公式，求得监测珊瑚礁白化状况的周热度指数DHW：
然后，根据珊瑚礁白化热点指数Hot Spot和周热度指数DHW的大小，按照以下分类标准，得出白化预警区域等级。
步骤4、将珊瑚礁分类图结合海水和云区域的遥感影像的多光谱图像，为实现自动/半自动珊瑚礁一体化监测辅助信息，有效去除干扰信息同时准确提取珊瑚礁信息，输出珊瑚礁分布图。
为了验证本发明的监测性能，特列举一个验证进行说明。利用GF-1影像进行珊瑚礁监测和白化监测，通过对比处理前后的影像，验证本发明的实用性。
验证例1、
本验证例的方法，根据图1所示的珊瑚礁监测流程图，读取GF-1影像，获取水深校正数据，完成决策树分类，获得珊瑚礁监测信息提取图如图5和6所示，其中图5表示GF-1数据影像，图6表示GF-1数据分类结果。
然后，根据图4所示的珊瑚礁白化监测流程示意图，读取NOAA发布的SSTC产品，获得珊瑚礁白化监测信息如图7和8、9所示，其中图7表示2015年6月19日，NOAA发布的覆盖全球的SST产品，图8表示计算得出的白化热点指数HOTSPOT，图9表示白化监测结果。
通过上述验证结果可以发现，本发明方法对于光学卫星遥感数据的珊瑚礁信息能够实现有效检测，使用本发明方法可以实现自动/半自动珊瑚礁监测与白化监测信息提取。该发明是基于光学遥感卫星影像的珊瑚礁一体化监测应用。
需要说明的是，以上说明仅是本发明的优选实施方式，应当理解，对于本领域技术人员来说，在不脱离本发明技术构思的前提下还可以做出若干改变和改进，这些都包括在本发明的保护范围内。

Claims (7)

1.一种基于光学遥感卫星影像的珊瑚礁一体化监测方法，其特征在于，包括以下步骤：
步骤1、预先利用遥感图像处理方法读取遥感影像的多光谱图像，选取至少3个不同深度同一种物质的点作为判断点，利用光穿透水时强度随着水深的增加而以指数的形式减小的特征，计算出红光波段与红外波段的衰减系数比，以得出水深校正结果；
步骤2、利用不同的波段和归一化植被指数NDVI、归一化水体指数NDWI建立决策树进行分类，把海水、云和珊瑚礁区域区分开；根据决策树分类结果，对遥感影像的多光谱图像和水深校正结果进行掩膜，把海水和云区域掩膜掉，对珊瑚礁区域进行非监督分类获得珊瑚礁分类图；
步骤3、根据MODIS海表温度数据计算珊瑚礁白化的热点指数Hot Spot和周热度指数DHW，并根据热点指数Hot Spot及周热度指数DHW的取值范围进行分级显示，制成珊瑚礁白化预警分级图；
步骤4、将珊瑚礁分类图结合海水和云区域的遥感影像的多光谱图像，去除干扰信息同时提取珊瑚礁信息，输出珊瑚礁分布图。
2.根据权利要求1所述基于光学遥感卫星影像的珊瑚礁一体化监测方法，其特征在于，所述步骤1计算出红光波段与红外波段的衰减系数比，具体为：
步骤1a、建立水深Xi与图像辐亮度的线性关系：Xi＝ln(Li)；其中Li为数据的第i波段的图像辐亮度；
步骤1b、计算第i波段和第j波段的衰减系数比值
其中，σi为第i波段的方差，σj为第j波段的方差，σij为第i波段和第j波段的协方差；
步骤1c、根据第i波段和第j波段的衰减系数比值生成每对波段DII指数：
其中Li和Lj分别为第i波段和第j波段的图像福亮度。
3.根据权利要求1所述基于光学遥感卫星影像的珊瑚礁一体化监测方法，其特征在于，所述步骤2对珊瑚礁区域采用K均值分类法进行非监督分类。
4.根据权利要求3所述基于光学遥感卫星影像的珊瑚礁一体化监测方法，其特征在于，所述步骤2采用K均值分类法进行非监督分类，具体为：
随机选取K个对象作为初始的聚类中心；
计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；
将聚类中心以及分配给它们的对象代表一个聚类，一旦全部对象都被分配完，每个聚类的聚类中心根据聚类中现有的对象被重新计算；这个过程不断重复直到满足某个终止条件，最终得到珊瑚礁分类图。
5.根据权利要求4所述基于光学遥感卫星影像的珊瑚礁一体化监测方法，其特征在于，所述终止条件是没有或最小数目对象被重新分配给不同的聚类，没有或最小数目聚类中心再发生变化，误差平方和局部最小。
6.根据权利要求1所述基于光学遥感卫星影像的珊瑚礁一体化监测方法，其特征在于，所述步骤3根据MODIS海表温度数据计算瑚礁白化的热点指数Hot Spot，具体为：
根据MODIS海表温度数据中某天海表温度数据SST以及最热月平均温度MMMClimatology，求得瑚礁白化的热点指数Hot Spot，采用公式：
7.根据权利要求1所述基于光学遥感卫星影像的珊瑚礁一体化监测方法，其特征在于，所述步骤3根据MODIS海表温度数据计算珊瑚礁白化的周热度指数DHW具体为：
根据瑚礁白化的热点指数Hot Spot，求得珊瑚礁白化的周热度指数DHW，采用公式：
CN201910385363.4A 2019-05-09 2019-05-09 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法 Active CN110208193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910385363.4A CN110208193B (zh) 2019-05-09 2019-05-09 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910385363.4A CN110208193B (zh) 2019-05-09 2019-05-09 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法

Publications (2)

Publication Number Publication Date
CN110208193A true CN110208193A (zh) 2019-09-06
CN110208193B CN110208193B (zh) 2021-11-26

Family

ID=67786004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910385363.4A Active CN110208193B (zh) 2019-05-09 2019-05-09 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法

Country Status (1)

Country Link
CN (1) CN110208193B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111007042A (zh) * 2019-12-24 2020-04-14 中央民族大学 一种基于遥感数据异质性的群落多样性估测方法
CN111241484A (zh) * 2020-01-13 2020-06-05 广西大学 一种评估珊瑚礁生物多样性资产的方法
CN111474122A (zh) * 2020-04-21 2020-07-31 自然资源部第二海洋研究所 一种浅海底质反射率的遥感提取方法
CN111795936A (zh) * 2020-08-03 2020-10-20 长安大学 一种基于查找表的多光谱遥感影像大气校正系统、方法及存储介质
CN112489108A (zh) * 2020-12-24 2021-03-12 中国科学院南海海洋研究所 一种远海珊瑚礁水下表面积反演重建的方法及装置
CN115186203A (zh) * 2022-07-15 2022-10-14 广东海洋大学 一种珊瑚生态可视化分析方法、系统、设备、介质及终端
CN116822710A (zh) * 2023-05-24 2023-09-29 国家海洋环境预报中心 珊瑚礁白化热点预测方法、钙化速率预测方法和电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104181515A (zh) * 2013-05-21 2014-12-03 时春雨 一种基于蓝-黄波段高光谱数据的浅海水深反演方法
CN105184827A (zh) * 2015-08-27 2015-12-23 北京市遥感信息研究所 一种利用光谱遥感图像探测浅水水下礁滩的方法
CN105809140A (zh) * 2016-03-18 2016-07-27 华南农业大学 一种基于遥感模型的地表水体信息的提取方法及其装置
CN106950177A (zh) * 2016-11-16 2017-07-14 中国科学院遥感与数字地球研究所 一种gf‑4卫星遥感影像的水体提取方法
CN107607490A (zh) * 2017-09-11 2018-01-19 中科宇图科技股份有限公司 基于GOCI影像进行水体中叶绿素a浓度估算的方法
CN108020511A (zh) * 2016-11-01 2018-05-11 中国科学院遥感与数字地球研究所 一种浅水草型湖泊水质参数遥感监测方法与装置
WO2018178871A1 (es) * 2017-03-31 2018-10-04 Fundacion Universidad De Bogota Jorge Tadeo Lozano Dispositivo guarderia sumergible para el cultivo artificial de corales en arrecifes someros
CN109635765A (zh) * 2018-12-19 2019-04-16 三亚中科遥感研究所 一种浅海珊瑚礁遥感信息自动提取方法
CN109670426A (zh) * 2018-12-07 2019-04-23 河北工程大学 一种基于陆地卫星遥感影像数据源的地物信息提取方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104181515A (zh) * 2013-05-21 2014-12-03 时春雨 一种基于蓝-黄波段高光谱数据的浅海水深反演方法
CN105184827A (zh) * 2015-08-27 2015-12-23 北京市遥感信息研究所 一种利用光谱遥感图像探测浅水水下礁滩的方法
CN105809140A (zh) * 2016-03-18 2016-07-27 华南农业大学 一种基于遥感模型的地表水体信息的提取方法及其装置
CN108020511A (zh) * 2016-11-01 2018-05-11 中国科学院遥感与数字地球研究所 一种浅水草型湖泊水质参数遥感监测方法与装置
CN106950177A (zh) * 2016-11-16 2017-07-14 中国科学院遥感与数字地球研究所 一种gf‑4卫星遥感影像的水体提取方法
WO2018178871A1 (es) * 2017-03-31 2018-10-04 Fundacion Universidad De Bogota Jorge Tadeo Lozano Dispositivo guarderia sumergible para el cultivo artificial de corales en arrecifes someros
CN107607490A (zh) * 2017-09-11 2018-01-19 中科宇图科技股份有限公司 基于GOCI影像进行水体中叶绿素a浓度估算的方法
CN109670426A (zh) * 2018-12-07 2019-04-23 河北工程大学 一种基于陆地卫星遥感影像数据源的地物信息提取方法
CN109635765A (zh) * 2018-12-19 2019-04-16 三亚中科遥感研究所 一种浅海珊瑚礁遥感信息自动提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DAVID R.LYZENGA: ""Remote sensing of bottom reflectance and water attenuation parameters in shallow water using aircraft and Landsat data"", 《INT.J.REMOTE SENSING》 *
蔡玉林 等: ""基于西沙群岛虚拟站的珊瑚礁白化监测分析"", 《山东科技大学学报（自然科学版）》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111007042A (zh) * 2019-12-24 2020-04-14 中央民族大学 一种基于遥感数据异质性的群落多样性估测方法
CN111241484A (zh) * 2020-01-13 2020-06-05 广西大学 一种评估珊瑚礁生物多样性资产的方法
CN111474122A (zh) * 2020-04-21 2020-07-31 自然资源部第二海洋研究所 一种浅海底质反射率的遥感提取方法
CN111795936A (zh) * 2020-08-03 2020-10-20 长安大学 一种基于查找表的多光谱遥感影像大气校正系统、方法及存储介质
CN111795936B (zh) * 2020-08-03 2021-11-12 长安大学 一种基于查找表的多光谱遥感影像大气校正系统、方法及存储介质
CN112489108A (zh) * 2020-12-24 2021-03-12 中国科学院南海海洋研究所 一种远海珊瑚礁水下表面积反演重建的方法及装置
CN112489108B (zh) * 2020-12-24 2023-08-01 中国科学院南海海洋研究所 一种远海珊瑚礁水下表面积反演重建的方法及装置
CN115186203A (zh) * 2022-07-15 2022-10-14 广东海洋大学 一种珊瑚生态可视化分析方法、系统、设备、介质及终端
CN115186203B (zh) * 2022-07-15 2024-02-02 广东海洋大学 一种珊瑚生态可视化分析方法、系统、设备、介质及终端
CN116822710A (zh) * 2023-05-24 2023-09-29 国家海洋环境预报中心 珊瑚礁白化热点预测方法、钙化速率预测方法和电子设备

Also Published As

Publication number Publication date
CN110208193B (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN110208193A (zh) 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法
Velpuri et al. Influence of resolution in irrigated area mapping and area estimation
Alsaaideh et al. Mangrove forests mapping in the southern part of Japan using Landsat ETM+ with DEM
Zhang et al. Arctic sea ice classification using microwave scatterometer and radiometer data during 2002–2017
Mukherjee et al. Effect of canal on land use/land cover using remote sensing and GIS
Mukhopadhyay et al. Land cover and land use analysis in coastal Bangladesh
Sun et al. Coastline extraction using remote sensing: A review
El Kafrawy et al. Performance evaluation of shoreline extraction methods based on remote sensing data
CN111310640A (zh) Landsat8影像绿潮自适应阈值分区智能检测方法
Nandi et al. Automatic delineation of water bodies using multiple spectral indices
Wakabayashi et al. Flooded rice paddy detection using sentinel-1 and planetscope data: a case study of the 2018 spring flood in West Java, Indonesia
Davaasuren et al. Extent and health of mangroves in Lac Bay Bonaire using satellite data
Cui et al. Remote sensing identification of marine floating raft aquaculture area based on sentinel-2A and DEM data
Ma et al. Automatic geolocation and measuring of offshore energy infrastructure with multimodal satellite data
Wang et al. Improved cloud mask algorithm for FY-3A/VIRR data over the northwest region of China
Keshtkar et al. Land cover classification using IRS-1D data and a decision tree classifier
Huang et al. Potential of multitemporal ERS-2 SAR imagery for land use mapping in coastal zone of Shangyu City, China
Puestow et al. Mapping of Salmon H-'-itat Parameters 1'-'Airborne Imagery and Digital Ancillary Data
Nurul Application of Remote Sensing and Geographic Information System Techniques to Monitoring of Protected Mangrove Forest Change in Sabah, Malaysia
Browne Land Cover Change across Barbados using Remote Sensing and GIS Technology
Kou et al. Impact of Wenchuan earthquake on the giant panda habitat in Wolong National Nature Reserve, China
Anderson High Resolution Remote Sensing of Eelgrass (Zostera marina) in South Slough, Oregon
Taghi Mollaei et al. Valuation of Object-Based and Decision Tree Classification Methods in Estimating the Quantitative Characteristics of Single Oak Trees on WorldView-2 and UAV Images
Xu et al. Dynamic Thresholding Fully Automated Sea Ice Extraction and Classification Methods Based on Multi-Source Remote-Sensing Data in the Yellow Sea and Bohai Sea Regions
Ogundeji Object-Based Classification of Unmanned Aerial Vehicles (UAVs)/Drone Images to monitor H2Ohio Wetlands

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant