CN110728642A - 一种针对goci卫星晨昏观测的神经网络大气校正方法 - Google Patents
一种针对goci卫星晨昏观测的神经网络大气校正方法 Download PDFInfo
- Publication number
- CN110728642A CN110728642A CN201910987584.9A CN201910987584A CN110728642A CN 110728642 A CN110728642 A CN 110728642A CN 201910987584 A CN201910987584 A CN 201910987584A CN 110728642 A CN110728642 A CN 110728642A
- Authority
- CN
- China
- Prior art keywords
- neural network
- radiance
- satellite
- goci
- remote sensing
- 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.)
- Pending
Links
- 238000012937 correction Methods 0.000 title claims abstract description 71
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 37
- 238000002310 reflectometry Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000002834 transmittance Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 16
- 239000000443 aerosol Substances 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000005855 radiation Effects 0.000 description 9
- 229930002875 chlorophyll Natural products 0.000 description 8
- 235000019804 chlorophyll Nutrition 0.000 description 8
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 240000008519 Prunus americana Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G01N2021/1738—Optionally different kinds of measurements; Method being valid for different kinds of measurement
- G01N2021/1742—Optionally different kinds of measurements; Method being valid for different kinds of measurement either absorption or reflection
-
- 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
- G01N2021/1738—Optionally different kinds of measurements; Method being valid for different kinds of measurement
- G01N2021/1744—Optionally different kinds of measurements; Method being valid for different kinds of measurement either absorption or scatter
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种针对GOCI卫星晨昏观测的神经网络大气校正方法，该方法首先使用Seadas软件处理GOCI卫星数据得到相关数据；然后筛选训练数据集用于训练神经网络模型；最后使用Seadas软件处理目标卫星影像得到相关数据，并输入训练好的神经网络大气校正模型，处理得到目标影像的遥感反射率。目前，国际现有的大气校正模型在大太阳天顶角下仍然无法适用，这导致大太阳天顶角下GOCI水色卫星的产品缺失异常严重；本发明较好的实现了大太阳天顶角下GOCI卫星影像的大气校正，突破了水色卫星资料处理难题，可望恢复极地近10年大太阳天顶角下的水色遥感产品，继而服务于生态环境变化监测与科学研究。
Description
技术领域
本发明属于遥感技术领域，尤其涉及一种针对GOCI卫星晨昏观测的神经网络大气校正方法。
背景技术
太阳同步(或极地轨道)和地球同步卫星的海洋水色遥感为提取区域或全球海洋浮游植物及其相关成分的空间分布和时间变化信息提供了宝贵的数据。虽然太阳同步卫星能够以足够的精度进行全球海洋水色观测，但每颗卫星(尤其是低纬度地区)的采样频率(通常每天一次)不足以解决沿海海洋化学过程的动态日变化。周曲等评价了不同采样策略(时间和频率)对高动态沿海水域悬浮物浓度等水质参数短期和长期趋势监测的影响，结果表明，日同步观测存在显著的不确定性。地球同步卫星增加了数据的可用性。2010年韩国发射了国际上第一颗静止轨道水色卫星GOCI(Geostationary Ocean Color Imager，地球静止海洋水色成像仪)；GOCI在白天每小时(8:30-15:30)为多个波段提供中等空间分辨率数据(500×500米)，允许近实时海洋监测，现在已广泛用于监测沿海悬浮泥沙动态变化、赤潮、河流羽流和潮汐变化。然而，水色卫星在大太阳天顶角条件下不可避免地遇到海洋水色信息的反演问题。例如，在冬季，GOCI在高纬度地区(如日本海)每天观测8次，但其中三幅图像的太阳天顶角都超过了70°，这是海洋水色卫星数据处理软件(如Seadas)默认掩膜的极限太阳天顶角。在太阳天顶角较大的情况下，由于受到二向反射效应和大气校正误差的影响，GOCI海洋水色产品的精度很低。
大气校正是为了消除卫星测量的总辐射中大气(包括空气分子和气溶胶)和水体表面反射的辐射贡献。大气校正算法的精度是海洋颜色数据处理的关键。然而，在卫星传感器测量的总辐射中，在蓝光波段大气贡献可能超过90％，而在浑浊水域，这一贡献可能更高。针对第一颗水色卫星CZCS，Gordon和Clark基于大量的实测数据，发现当叶绿素浓度小于0.25μg/L时，520nm和550nm波段的归一化离水辐亮度变化很小，并且与叶绿素浓度的相关性很强。因此，使用三个波段(520nm、550nm、660nm)进行气溶胶散射辐射外推可进行大气校正。对于第二代海洋水色卫星传感器(MODIS，SeaWifs等)，Gordon和Wang提出了一种使用红光波段进行大气校正的算法。对于浑浊水体，Siegel等人提出了一种基于近红外离水辐射迭代的大气校正算法。Ruddick等通过设置近红外波段的气溶胶散射比和离水反射比，提出了另一种浑浊水体的大气校正算法。Ahn等利用红光波段(660nm)和近红外波段(745nm和865nm)水体反射率之间的区域经验关系，开发了一种用于GOCI的大气校正算法。通过对此类文献的分析总结可知，对于太阳天顶角较大的卫星图像，目前还没有高精度、通用的大气校正算法。
发明内容
本发明的目的在于针对现有技术的不足，提供一种针对GOCI卫星晨昏观测的神经网络大气校正方法。
本发明的目的是通过以下技术方案来实现的：一种针对GOCI卫星晨昏观测的神经网络大气校正方法，包括以下步骤：
(1)获取GOCI卫星图像。
(2)使用Seadas软件处理步骤(1)得到的卫星图像，得到对应的遥感反射率、瑞利校正辐亮度、太阳天顶角、观测天顶角、相对方位角，作为像元数据用于训练神经网络模型。
(3)筛选神经网络训练数据集，包括以下步骤：
(3.1)用多个像元框划分步骤(2)得到的像元数据，筛选出有效像元占总像元数的比例大于50％的像元框。
(3.2)计算步骤(3.1)筛选出的像元框内各像元遥感反射率的平均值和标准偏差，删除遥感反射率在平均值±1.5倍标准偏差的范围之外的像元；
(3.3)重新计算步骤(3.2)删除后的像元框内剩余像元遥感反射率的平均值和标准偏差，并计算变异系数；当某个像元框的变异系数小于阈值时，则该像元框内的像元数据被选用为神经网络训练数据集；
(4)利用步骤(3.3)筛选的训练数据集构建神经网络模型，模型的输入包括太阳天顶角、相对方位角、观测天顶角、瑞利校正辐亮度；输出为遥感反射率；
(5)使用Seadas软件处理目标卫星影像，得到对应的瑞利校正辐亮度、太阳天顶角、观测天顶角、相对方位角，将这些数据输入步骤(4)构建的神经网络模型，得到目标卫星影像的遥感反射率。
进一步地，步骤(1)中，所述GOCI卫星图像为11：30和12：30两个时次获取的。
进一步地，步骤(2)中，所述瑞利校正辐亮度Lrc(λ)计算公式如下：
Lrc(λ)＝Lt(λ)-T(λ)*Lg(λ)-t′*Lwc(λ)-Lr(λ) (2)
式中，Lt(λ)为卫星接收到的总辐亮度，T(λ)是从海面到传感器的大气透射率，Lg(λ)为太阳耀斑辐亮度，t′是从海面到传感器的大气上行漫射透射率，Lwc(λ)为表面白帽辐亮度，Lr(λ)为大气分子瑞利散射辐亮度；
所述遥感反射率Rrs(λ)计算公式如下：
Rrs(λ)＝Lw(λ)/Ed(λ) (3)
式中，Lw(λ)为离水辐亮度，Ed(λ)为海面的下行辐照度；
其中，所述总辐亮度Lt(λ)、大气透射率T(λ)、太阳耀斑辐亮度Lg(λ)、大气上行漫射透射率t′、表面白帽辐亮度Lwc(λ)、大气分子瑞利散射辐亮度Lr(λ)、离水辐亮度Lw(λ)、海面的下行辐照度Ed(λ)均由Seadas软件计算得到。
进一步地，步骤(3.1)中，所述像元框大小为3×3像元；所述有效像元为无云海洋区域像元数据。
进一步地，步骤(3.3)中，所述变异系数为剩余像元遥感反射率的标准偏差除以平均值；所述阈值为0.15。
进一步地，步骤(4)中，所述神经网络采用前向反馈人工神经网络模型；所述神经网络大气校正模型包括输入层、输出层和隐藏层；所述隐藏层含有10个神经元；所述神经元的传递函数采用双曲正切S形函数f(x)：
进一步地，所述瑞利校正辐亮度、遥感反射率为8个波段上的数据；所述8个波段为412nm、443nm、490nm、555nm、660nm、680nm、745nm、865nm。
本发明的有益效果是：本发明通过使用高质量的卫星实测数据训练神经网络模型，构建了GOCI卫星新型的大气校正模型，应用神经网络大气校正方法，可以有效得到韩国半岛和辽东湾一天内遥感反射率的变化(图7，图8)；继而使用特定的水色反演算法可以得到叶绿素浓度等2级产品。图9展示了应用神经网络大气校正方法得到的韩国半岛一天内叶绿素浓度的变化示意图；可以看到，新的神经网络大气校正模型较好的实现了大太阳天顶角下GOCI卫星影像的大气校正，突破了水色卫星资料处理难题，因此，可望恢复极地近10年大太阳天顶角下的水色遥感产品，继而服务于生态环境变化监测与科学研究。
附图说明
图1是GOCI卫星晨昏观测的神经网络大气校正方法技术路线图；
图2是神经网络大气校正模型整体训练结果示意图；其中，(a)为训练后的神经网络针对训练数据集的反演结果图，(b)为训练后的神经网络针对测试数据集的反演结果图；
图3是使用训练数据集对神经网络大气校正方法的检验结果示意图；
图4是使用实测数据集对神经网络大气校正方法的检验结果示意图；
图5是大太阳天顶角下，神经网络大气校正方法与传统的近红外迭代大气校正方法的对比图；其中，(a)、(c)为将神经网络大气校正方法应用在卫星数据上的遥感反射率结果示意图，(b)、(d)为将近红外迭代大气校方法应用在卫星数据上的结果示意图；
图6是在一般大太阳天顶角下，神经网络大气校正方法与传统的近红外迭代大气校正方法的对比图；(a)为将神经网络大气校正方法应用在卫星数据上的遥感反射率结果示意图，(b)为将近红外迭代大气校方法应用在卫星数据上的结果示意图，(c)为两种方法间的相对误差示意图；
图7是应用神经网络大气校正方法，得到的韩国半岛一天内遥感反射率的变化示意图；
图8是应用神经网络大气校正方法，得到的辽东湾一天内遥感反射率的变化示意图；
图9是应用神经网络大气校正方法，得到的韩国半岛一天内叶绿素浓度的变化示意图。
具体实施方式
针对GOCI卫星晨昏观测的神经网络大气校正方法流程参见附图1，步骤如下：
(1)筛选GOCI卫星数据；
所述的步骤(1)为：神经网络模型的训练数据集应该具有准确性、广泛性和代表性，因此要筛选高质量的GOCI卫星数据作为训练数据。GOCI每天8:30-15:30(北京时间)每隔一小时观测一次，覆盖以(36°N，130°E)为中心的2500×2500km2区域，空间分辨率达500m。GOCI可有效监测海表流场、叶绿素浓度或悬浮泥沙浓度的逐时变化。分析韩国海洋卫星中心(Korean Ocean Satellite Center，KOSC)所发布的卫星真彩色图像，筛选出无云卫星图像，GOCI一天观测8次，11:30和12:30两个时次的产品精度明显高于其它时次，因此为保证训练数据集的准确性，将中午两个时次的卫星数据作为训练数据集。为保证训练数据集的代表性，所述无云卫星图像指大面积无云海洋区域，既包括近岸浑浊水体(一类水体)，也包括开阔大洋的清洁水体(二类水体)。为保证训练数据集的广泛性，需要下载超过200幅卫星影像来构建训练数据集。
(2)使用Seadas软件处理步骤(1)得到的GOCI卫星数据，得到遥感反射率、瑞利校正辐亮度、太阳天顶角、观测天顶角、相对方位角，作为像元数据，用来训练神经网络模型。
所述的步骤(2)为：利用GOCI卫星传感器自带的下行辐亮度光纤传感器(Fiberoptic downwelling irradiance sensor，FODIS)，测量光谱辐亮度，卫星接收到的总辐亮度Lt(λ)由以下成分构成：
Lt(λ)＝Lr(λ)+La(λ)+Lra(λ)+T(λ)*Lg(λ)+t′*Lwc(λ)+t′*Lw(λ) (1)
式中，Lr(λ)为大气分子瑞利散射辐亮度，La(λ)为气溶胶散射辐亮度，Lra(λ)为气溶胶瑞利相互作用辐亮度，Lg(λ)为太阳耀斑辐亮度，Lwc(λ)为表面白帽辐亮度，Lw(λ)为离水辐亮度，T(λ)是从海面到传感器的大气透射率，t′是从海面到传感器的大气上行漫射透射率。
其中，瑞利散射辐亮度随气压变化、散射角不同、空气分子混合比不同、海面风场变化而波动，使用Seadas软件中自带的瑞利散射查找表，可以精确计算得到瑞利散射辐亮度。由于卫星传感器的倾斜，白帽辐亮度，耀斑辐亮度可以忽略不计。因此，大气校正的难点是气溶胶散射辐射的计算，气溶胶项在空间和时间上变化很大。对于开阔水域，大气校正算法通过黑暗像元假设来估算气溶胶辐射；所述黑暗像元假设为假设水在近红外波段由于纯水的强吸收而使离水辐射可忽略不计；但在沿海地区，由于水体的高浑浊度，近红外波段辐射不能忽略，黑暗像元假设往往会造成较大的误差。由于无法精确的去除气溶胶贡献，我们利用神经网络模型绕过气溶胶的计算过程。
利用如下公式计算瑞利校正辐亮度Lrc(λ)：
Lrc(λ)＝Lt(λ)-T(λ)*Lg(λ)-t′*Lwc(λ)-Lr(λ) (2)
式中，等号右边的参数均由Seadas软件计算得到。
遥感反射率Rrs(λ)计算公式如下：
Rrs(λ)＝Lw(λ)/Ed(λ) (3)
式中，Ed(λ)为海面的下行辐照度。
(3)筛选训练数据集；
所述的步骤(3)为：根据步骤(2)得到的遥感反射率，通过以下步骤筛选训练数据集：
(3.1)检查特定大小像元框内，非云海洋像元占总像元数的比例，如果该比例大于50％，则选用该像元框进行后续质量评估。(示例中选用3×3像元大小的像元框。)
(3.2)计算步骤(3.1)选用的像元框内遥感反射率的平均值和标准偏差，删除遥感反射率在平均值±1.5倍标准偏差的范围之外的像元。
(3.3)重新计算步骤(3.2)的像元框内剩余遥感反射率的均值和标准偏差，并计算变异系数来检验空间异质性。设定变异系数阈值，当某个像元框的变异系数小于该阈值时，则该像元框内的像元数据被选用为神经网络训练数据集。(所述变异系数为剩余有效像元的标准偏差除以均值，示例中变异系数阈值为0.15。)
(4)构建神经网络大气校正模型，利用步骤(3)得到的训练数据集训练和测试模型；
所述的步骤(4)为：具有非线性激活函数的神经网络可以近似模拟非线性函数，因此，通过训练后的神经网络模型来模拟研究瑞利校正辐亮度和离水辐亮度之间的关系是可行的。本方法使用了具有模式分类、识别、预测和函数逼近等功能的前向反馈人工神经网络模型。在构建神经网络时，寻找隐藏层和神经元的最佳数量是非常重要的，合适的隐藏层和神经元数量能够提高运算效率和模拟精度。隐藏层和神经元的最佳数量取决于许多变量，例如输入和输出层的大小、训练样本的数量、要逼近的函数的复杂性、激活函数的类型和训练算法。通过比较多次模拟结果，单层神经网络表现出了与多层模型具有相同的精度，但耗时较短，神经元数量为10时模拟精度较高，因此本方法最终选择使用单层神经网络和10个神经元进行神经网络大气校正模型的构建。
神经网络大气校正模型共有三层：输入层、输出层和一个含有10个神经元的隐藏层，输入层共有11个元素，包括太阳天顶角、相对方位角、观测天顶角、8个波段的瑞利校正辐亮度(412nm、443nm、490nm、555nm、660nm、680nm、745nm、865nm)。输出层有8个元素，即8个波段的遥感反射率。神经元的传递函数采用双曲正切S形函数f(x)：
随机选择训练数据集中70％的数据用于训练神经网络模型，剩余的30％数据用于测试模型效果。神经网络大气校正模型整体训练结果展示在图2中，可以看到，无论是使用训练数据集还是测试数据集，散点都围绕在1:1线附近，且相关系数大于0.99，神经网络大气校正模型展现出了较高的精度。训练数据集和实测数据集对神经网络大气校正方法的检验结果展示在图3和图4中，可以看出，神经网络大气校正方法在大太阳天顶角环境下具有较高的精度。
(5)使用Seadas软件处理目标卫星影像，得到对应瑞利校正辐亮度、太阳天顶角、观测天顶角、相对方位角，将这些数据输入步骤(4)得到的神经网络大气校正模型，最终得到目标卫星影像的遥感反射率。
所述的步骤(5)为：为提高运算效率，将目标卫星图像中的研究区域使用GDPS、Seadas或其他卫星处理软件裁剪出来，作为目标卫星影像，再用Seadas软件处理得到输入层的11个元素，包括太阳天顶角、相对方位角、观测天顶角和8个波段的瑞利校正辐亮度，将该11个元素输入训练好的神经网络大气校正模型，得到输出层8个波段的遥感反射率。神经网络大气校正方法与传统的近红外迭代大气校正方法的对比展示在图5和图6中；其中，图5是在晨昏的大太阳天顶角环境(太阳天顶角大于70°)，图6是在中午的一般太阳天顶角环境；可以看到，在大太阳天顶角环境下，神经网络大气校正模型能够反演得到覆盖面积更大的有效数据(图5(a)，(c))，并且空间连续，没有明显的异质性。而在一般的太阳天顶角环境下，神经网络大气校正模型与以前的模型反演结果基本一致，相对偏差较小(图6(c))。图7、图8为韩国半岛和辽东湾一天内遥感反射率的变化。
继而使用特定的水色反演算法可以得到叶绿素浓度、悬浮物浓度和CDOM吸收系数等2级产品；图9展示了是应用神经网络大气校正方法，得到的韩国半岛一天内叶绿素浓度的变化示意图。可以看到，新的神经网络大气校正模型较好的实现了大太阳天顶角下GOCI卫星影像的大气校正。
Claims (7)
1.一种针对GOCI卫星晨昏观测的神经网络大气校正方法，其特征在于，包括以下步骤：
(1)获取GOCI卫星图像。
(2)使用Seadas软件处理步骤(1)得到的卫星图像，得到对应的遥感反射率、瑞利校正辐亮度、太阳天顶角、观测天顶角、相对方位角，作为像元数据用于训练神经网络模型。
(3)筛选神经网络训练数据集，包括以下步骤：
(3.1)用多个像元框划分步骤(2)得到的像元数据，筛选出有效像元占总像元数的比例大于50％的像元框。
(3.2)计算步骤(3.1)筛选出的像元框内各像元遥感反射率的平均值和标准偏差，删除遥感反射率在平均值±1.5倍标准偏差的范围之外的像元；
(3.3)重新计算步骤(3.2)删除后的像元框内剩余像元遥感反射率的平均值和标准偏差，并计算变异系数；当某个像元框的变异系数小于阈值时，则该像元框内的像元数据被选用为神经网络训练数据集；
(4)利用步骤(3.3)筛选的训练数据集构建神经网络模型，模型的输入包括太阳天顶角、相对方位角、观测天顶角、瑞利校正辐亮度；输出为遥感反射率；
(5)使用Seadas软件处理目标卫星影像，得到对应的瑞利校正辐亮度、太阳天顶角、观测天顶角、相对方位角，将这些数据输入步骤(4)构建的神经网络模型，得到目标卫星影像的遥感反射率。
2.如权利要求1所述针对GOCI卫星晨昏观测的神经网络大气校正方法，其特征在于，步骤(1)中，所述GOCI卫星图像为11:30和12:30两个时次获取的。
3.如权利要求1所述针对GOCI卫星晨昏观测的神经网络大气校正方法，其特征在于，步骤(2)中，所述瑞利校正辐亮度Lrc(λ)计算公式如下：
Lrc(λ)＝Lt(λ)-T(λ)*Lg(λ)-t′*Lwc(λ)-Lr(λ) (2)
式中，Lt(λ)为卫星接收到的总辐亮度，T(λ)是从海面到传感器的大气透射率，Lg(λ)为太阳耀斑辐亮度，t′是从海面到传感器的大气上行漫射透射率，Lwc(λ)为表面白帽辐亮度，Lr(λ)为大气分子瑞利散射辐亮度；
所述遥感反射率Rrs(λ)计算公式如下：
Rrs(λ)＝Lw(λ)/Ed(λ) (3)
式中，Lw(λ)为离水辐亮度，Ed(λ)为海面的下行辐照度；
其中，所述总辐亮度Lt(λ)、大气透射率T(λ)、太阳耀斑辐亮度Lg(λ)、大气上行漫射透射率t′、表面白帽辐亮度Lwc(λ)、大气分子瑞利散射辐亮度Lr(λ)、离水辐亮度Lw(λ)、海面的下行辐照度Ed(λ)均由Seadas软件计算得到。
4.如权利要求1所述针对GOCI卫星晨昏观测的神经网络大气校正方法，其特征在于，步骤(3.1)中，所述像元框大小为3×3像元；所述有效像元为无云海洋区域像元数据。
5.如权利要求1所述针对GOCI卫星晨昏观测的神经网络大气校正方法，其特征在于，步骤(3.3)中，所述变异系数为剩余像元遥感反射率的标准偏差除以平均值；所述阈值为0.15。
6.如权利要求1所述针对GOCI卫星晨昏观测的神经网络大气校正方法，其特征在于，步骤(4)中，所述神经网络采用前向反馈人工神经网络模型；所述神经网络大气校正模型包括输入层、输出层和隐藏层；所述隐藏层含有10个神经元；所述神经元的传递函数采用双曲正切S形函数f(x)：
7.如权利要求1所述针对GOCI卫星晨昏观测的神经网络大气校正方法，其特征在于，所述瑞利校正辐亮度、遥感反射率为8个波段上的数据；所述8个波段为412nm、443nm、490nm、555nm、660nm、680nm、745nm、865nm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910987584.9A CN110728642A (zh) | 2019-10-17 | 2019-10-17 | 一种针对goci卫星晨昏观测的神经网络大气校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910987584.9A CN110728642A (zh) | 2019-10-17 | 2019-10-17 | 一种针对goci卫星晨昏观测的神经网络大气校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110728642A true CN110728642A (zh) | 2020-01-24 |
Family
ID=69220200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910987584.9A Pending CN110728642A (zh) | 2019-10-17 | 2019-10-17 | 一种针对goci卫星晨昏观测的神经网络大气校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110728642A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539366A (zh) * | 2020-04-29 | 2020-08-14 | 中国人民解放军61540部队 | 一种晴空条件下海上雾霾遥感识别方法及系统 |
| CN112215525A (zh) * | 2020-11-04 | 2021-01-12 | 安徽农业大学 | 一种湖库水质反演及可视化评价方法 |
| CN112597863A (zh) * | 2020-12-16 | 2021-04-02 | 上海眼控科技股份有限公司 | 云分类方法及设备 |
| CN113643244A (zh) * | 2021-07-23 | 2021-11-12 | 中国资源卫星应用中心 | 一种光学遥感卫星影像水体耀斑快速检测方法 |
| CN113673737A (zh) * | 2020-05-14 | 2021-11-19 | 中国科学院南京地理与湖泊研究所 | 基于卫星遥感影像的藻型湖泊水体溶解二氧化碳估算方法 |
| CN114544452A (zh) * | 2022-04-25 | 2022-05-27 | 自然资源部第二海洋研究所 | 一种多角度偏振水色遥感器卫星大气校正方法 |
| CN114819150A (zh) * | 2022-06-28 | 2022-07-29 | 自然资源部第二海洋研究所 | 一种极地海洋冬季初级生产力遥感反演方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103529439A (zh) * | 2013-10-23 | 2014-01-22 | 环境保护部卫星环境应用中心 | 一种神经网络系统的植被参数遥感反演方法和装置 |
| CN103712955A (zh) * | 2014-01-02 | 2014-04-09 | 李云梅 | 一种基于神经网络二次优化的二类水体大气校正方法 |
| CN110274858A (zh) * | 2019-07-15 | 2019-09-24 | 南京吉泽信息科技有限公司 | 利用goci数据递归估算浅水湖泊不同深度悬浮泥沙浓度的遥感方法 |
-
2019
- 2019-10-17 CN CN201910987584.9A patent/CN110728642A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103529439A (zh) * | 2013-10-23 | 2014-01-22 | 环境保护部卫星环境应用中心 | 一种神经网络系统的植被参数遥感反演方法和装置 |
| CN103712955A (zh) * | 2014-01-02 | 2014-04-09 | 李云梅 | 一种基于神经网络二次优化的二类水体大气校正方法 |
| CN110274858A (zh) * | 2019-07-15 | 2019-09-24 | 南京吉泽信息科技有限公司 | 利用goci数据递归估算浅水湖泊不同深度悬浮泥沙浓度的遥感方法 |
Non-Patent Citations (3)
| Title |
|---|
| HAO LI ET AL.: "Semi-analytical algorithms of ocean color remote sensing under high solar zenith angles", 《OPTICS EXPRESS》 * |
| YONGZHEN FAN ET AL.: "Atmospheric correction over coastal waters using multilayer neural networks", 《REMOTE SENSING OF ENVIRONMENT》 * |
| 田小娟 等: "渤海浑浊水体GOCI影像神经网络大气校正研究", 《湖北大学学报（ 自然科学版）》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539366A (zh) * | 2020-04-29 | 2020-08-14 | 中国人民解放军61540部队 | 一种晴空条件下海上雾霾遥感识别方法及系统 |
| CN111539366B (zh) * | 2020-04-29 | 2023-10-13 | 中国人民解放军61540部队 | 一种晴空条件下海上雾霾遥感识别方法及系统 |
| CN113673737A (zh) * | 2020-05-14 | 2021-11-19 | 中国科学院南京地理与湖泊研究所 | 基于卫星遥感影像的藻型湖泊水体溶解二氧化碳估算方法 |
| CN113673737B (zh) * | 2020-05-14 | 2023-07-28 | 中国科学院南京地理与湖泊研究所 | 基于卫星遥感影像的藻型湖泊水体溶解二氧化碳估算方法 |
| CN112215525A (zh) * | 2020-11-04 | 2021-01-12 | 安徽农业大学 | 一种湖库水质反演及可视化评价方法 |
| CN112215525B (zh) * | 2020-11-04 | 2023-06-23 | 安徽农业大学 | 一种湖库水质反演及可视化评价方法 |
| CN112597863A (zh) * | 2020-12-16 | 2021-04-02 | 上海眼控科技股份有限公司 | 云分类方法及设备 |
| CN113643244A (zh) * | 2021-07-23 | 2021-11-12 | 中国资源卫星应用中心 | 一种光学遥感卫星影像水体耀斑快速检测方法 |
| CN113643244B (zh) * | 2021-07-23 | 2024-05-21 | 中国资源卫星应用中心 | 一种光学遥感卫星影像水体耀斑快速检测方法 |
| CN114544452A (zh) * | 2022-04-25 | 2022-05-27 | 自然资源部第二海洋研究所 | 一种多角度偏振水色遥感器卫星大气校正方法 |
| CN114819150A (zh) * | 2022-06-28 | 2022-07-29 | 自然资源部第二海洋研究所 | 一种极地海洋冬季初级生产力遥感反演方法 |
| CN114819150B (zh) * | 2022-06-28 | 2022-10-18 | 自然资源部第二海洋研究所 | 一种极地海洋冬季初级生产力遥感反演方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110728642A (zh) | 一种针对goci卫星晨昏观测的神经网络大气校正方法 | |
| Guanter et al. | Atmospheric correction of ENVISAT/MERIS data over inland waters: Validation for European lakes | |
| Slater | Radiometric considerations in remote sensing | |
| Li et al. | Atmospheric correction of geostationary satellite ocean color data under high solar zenith angles in open oceans | |
| CN108955883B (zh) | 基于高光谱数据的遥感器辐射定标方法及定标系统 | |
| Feng et al. | Land adjacency effects on MODIS A qua top‐of‐atmosphere radiance in the shortwave infrared: S tatistical assessment and correction | |
| Dash et al. | Estimation of cyanobacterial pigments in a freshwater lake using OCM satellite data | |
| Pan et al. | An improved spectral optimization algorithm for atmospheric correction over turbid coastal waters: A case study from the Changjiang (Yangtze) estuary and the adjacent coast | |
| Pahlevan et al. | Uncertainties in coastal ocean color products: Impacts of spatial sampling | |
| CN114819150B (zh) | 一种极地海洋冬季初级生产力遥感反演方法 | |
| CN110836870B (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
| Pahlevan et al. | Characterizing the relative calibration of Landsat-7 (ETM+) visible bands with Terra (MODIS) over clear waters: The implications for monitoring water resources | |
| Mélin | Uncertainties in ocean colour remote sensing | |
| Babin et al. | Ocean Colour Remote Sensing in Polar Seas. | |
| CN110689505B (zh) | 一种基于场景的星载遥感仪器自适应校正方法和系统 | |
| Li et al. | Restoration of wintertime ocean color remote sensing products for the high-latitude oceans of the Southern Hemisphere | |
| Feinholz et al. | Stray light correction of the Marine Optical System | |
| CN110705089B (zh) | 一种细模态气溶胶参数反演方法 | |
| Lerebourg et al. | Vicarious adjustment of the MERIS ocean colour radiometry | |
| Pahlevan et al. | Calibration/validation of landsat-derived ocean colour products in Boston harbour | |
| Ryu et al. | Hypothetical product generation of geostationary ocean color imager bands over the Yellow Sea and Bohai Sea using deep learning technique | |
| Crout et al. | Calibration and validation of multiple ocean color sensors | |
| CN116879237B (zh) | 一种近海浑浊水体的大气校正方法 | |
| Ahmed et al. | Hyperspectral and multispectral above-water radiometric measurements to monitor satellite data quality over coastal area | |
| Zhang et al. | Comparative analysis of spectral characteristics of EO-1 ALI and Landsat 8 OLI imagery |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200124 |
|
| RJ01 | Rejection of invention patent application after publication |