CN110889423A - 一种基于极限学习机的高分一号黄东海绿潮遥感探测方法 - Google Patents
一种基于极限学习机的高分一号黄东海绿潮遥感探测方法 Download PDFInfo
- Publication number
- CN110889423A CN110889423A CN201811055119.3A CN201811055119A CN110889423A CN 110889423 A CN110889423 A CN 110889423A CN 201811055119 A CN201811055119 A CN 201811055119A CN 110889423 A CN110889423 A CN 110889423A
- Authority
- CN
- China
- Prior art keywords
- green tide
- remote sensing
- east sea
- elm
- sample
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于极限学习机(Extreme Learning Machine,ELM)的高分一号(GF‑1)黄东海绿潮遥感探测方法,针对传统绿潮卫星遥感探测阈值不准确、工作量大、精度低的问题,引入极限学习机方法,利用GF‑1卫星影像构建的绿潮观测数据集,建立适用于黄东海绿潮遥感监测的机器学习绿潮探测模型,从而实现智能化、精细化的绿潮遥感探测,为黄东海绿潮的时空演变特征辨识及防灾减灾提供技术支持。
Description
技术领域
本发明涉及一种基于机器学习的绿潮卫星遥感探测方法,属于海洋遥感探测技术领域。
背景技术
绿潮是在一定的环境条件下,海水中某些大型藻类(如浒苔)爆发性增殖、高度聚集而形成的一种有害生态现象,其大规模爆发对海洋生态环境、海水养殖、滨海旅游、核电安全运行等造成不良影响。2007年以来,黄海海域已连续10余年爆发大规模绿潮灾害,绿潮灾害日趋常态化。
卫星遥感是绿潮监测的主要技术手段,其具有大范围、实时、长时间序列监测的优势。传统的绿潮遥感监测方法,大都基于绿潮与海水在红光和近红外波段的光谱特征差异,通过MODIS等水色卫星影像的波段运算,结合人工设定的阈值,进行绿潮与海水的遥感区分。该方法存在的主要问题是:1)受到大气气溶胶、卫星观测几何、复杂海洋环境等因素的干扰,不同区域不同时间的卫星影像,其绿潮探测阈值存在明显差异,这直接导致阈值探测的绿潮结果不准确;2)海面漂浮藻类尺寸从几米到几公里不等,分辨率为几百米的水色卫星难以精确的计算绿潮面积。因此,传统的绿潮探测方法存在结果不准确、监测效率低,探测结果的时空一致性与可重复性较差等问题。
本发明针对当前绿潮遥感监测精细化、自动化的需求,将机器学习方法和GF-1卫星影像引入到绿潮遥感监测领域。极限学习机(Extreme Learning Machine, ELM)是一类针对单层前馈神经网络设计的机器学习算法,被广泛应用于图像分类中,可以实现自动化、高精度的分类识别。GF-1卫星能提供蓝、绿、红、近红外四波段16m分辨率的遥感影像,其分辨率较之水色卫星更适用于藻类探测,且在历年的绿潮灾害监测中获取了大量的高分辨率数据,是未来的主力遥感器之一,因此,发展基于极限学习机的GF-1绿潮探测方法,对于绿潮灾害的精细化、自动化监测具有重要意义。
发明内容
针对上述现有技术的不足,本发明探索提出以下技术方案:一种基于极限学习机的GF-1黄东海绿潮遥感探测方法,包括以下步骤:
第一步、影像预处理,对GF-1数据进行几何校正、太阳天顶角订正和辐射校正,获得空间校准的辐亮度数据,并基于大陆岸线进行陆地掩膜;
第二步、构建样本集,选取绿潮、海水、云雾、云影、舰船、太阳耀斑和海岛的样本,整合样本特征量并标注样本标签,用于训练ELM网络;
第三步、使用上述样本集训练ELM网络,并确定最优隐层神经元个数,建立分类器;
第四步、基于上述分类器进行GF-1影像绿潮探测,并对探测结果进行精度评价;
第五步、计算绿潮覆盖面积并生成绿潮时空分布产品。
本发明使用极限学习机进行绿潮探测的方法,在一定程度上解决了传统方法探测绿潮时阈值需人工调整的问题,实现绿潮信息快速、准确探测。
附图说明
下面结合附图对本发明作进一步的说明;
图1是本发明的流程图;
下面结合附图详细阐述本发明。
具体实施方式
如图1所示,本实施例“一种基于极限学习机的GF-1黄东海绿潮遥感探测方法”流程图,具体步骤如下。
第一步,几何校正、太阳天顶角订正和辐射校正;
本步骤中采用中国卫星资源中心发布的2017年度辐射定标系数进行辐射定标,如表1所示。使用卫星自带的太阳天顶角数据(SolarZenith)进行校正,如式(1)所示Rad为校正后的辐亮度。使用ENVI (The Environment for Visualizing Images)对图像进行几何纠正。
表1 GF-1卫星2017年绝对辐射定标系数。
第二步、构建ELM样本集;
本步骤中,采用手动勾选感兴趣区的方式选取样本点。采用1、2、4波段RGB合成显示GF-1影像,采用RGB和NDVI指数相结合的目视解译方式,分别在影像上勾选绿潮、海水、云雾、云影、舰船、太阳耀斑、海岛的样本。样本点选取要涵盖样本各种类型,分别选取晴空下聚合程度高面积大、分布离散面积小和云下能肉眼识别的绿潮斑块(条带)为绿潮样本,分别选择不同厚薄程度的云雾、裸露岩土和植被覆盖的海岛、不同浑浊程度的海水、不同亮度的耀斑等作为样本点。选取样本时,均将上述地物与海水背景的混合像元归入到该类样本中,且各类样本数量应大致相当。在本实施例中,从8景GF-1图像中选取的绿潮、海水、云、耀斑样本点的数量约为16万、18万、16万、11万个,海岛,云影,舰船样本各约为2万个。
读取上述样本点四个波段的辐亮度值,并根据NDVI指数构造第五个维度的信息:(波段4-波段3)/(波段4+波段3),以上信息构成了样本点的5个特征量。编制上述样本点的标签,在本实施例将绿潮、海水、云雾、云影、舰船、太阳耀斑、海岛分别编号为1—7,并将7类样本按2:1比例随机分配到训练样本集和测试样本集,样本集卫星数据如下表所示。
表2 数据列表。
第三步、训练ELM网络;
由于隐含层神经元个数为ELM网络训练过程中的唯一变量,因此本发明中通过设计梯度变量,求解最优神经元个数。在本实施例中依次设置隐含层的神经元个数为100、200、300、400、500、1000、1500、2000、2500、3000个,基于第二步中构建的样本集进行训练,得到分类器。通过测试计算,在神经元个数为1500个时,精度最高。在本实施例中,使用混淆矩阵(CM, Confusion Matrix)计算Kappa系数、总体分类精度(OA)、平均分类精度(AA)以及绿潮识别精度(UA)来进行精度评价,UA算式如下式所示。在本实施例中,使用基于1500个神经元训练得到的分类器进行绿潮探测。
第四步、绿潮探测;
按照步骤一处理要探测的GF-1影像,读取该景影像4个波段的辐亮度值,并计算每个像元的NDVI指数。基于第三步中的分类器逐像元识别该景影像,计算识别结果与手动提取结果的精度,在本市实例中,选取了四个区域计算的绿潮探测精度为90.4%。
第五步、计算绿潮覆盖面积,制作时空分布产品;
本步骤中,根据绿潮的探测结果,统计灰度值为1的像元数,绿潮面积计算公式如下所示:
S=N*R2 (3)
式中,S为绿潮面积,N为二值化影像中灰度值为1的像元数,R为GF-1影像的空间分辨率。本实施例中,识别GF1_WFV2_E124.1_N29.3_20170403_L1A0002282361一景影像中,灰度值为1的像元数为2052519,空间分辨率R为16m,计算得到的绿潮面积S为525.4km2。探测结果图像与原始影像中的像元是一一对应,使用ENVI多项式几何校正模型,通过在原图像选取地面控制点对探测结果赋予坐标值,制作绿潮探测时空分布产品。
除上述实施例外,本发明还可以有其他实施方式。凡采用ELM形成的绿潮卫星探测技术方案,均落在本发明要求的保护范围。
Claims (6)
1.一种基于极限学习机的高分一号黄东海绿潮遥感探测方法,其特征在于其包括了以下步骤:
(1)对GF-1数据进行几何校正、太阳天顶角订正和辐射校正,获得空间配准的辐亮度数据,并基于大陆岸线进行陆地掩膜;
(2)选取绿潮、海水、云雾、云影、舰船、太阳耀斑和海岛的样本,提取样本特征量并标注样本标签,构建ELM网络训练样本集;
(3)使用上述样本集训练ELM网络,确定最优隐层神经元个数,最终得到分类器;
(4)按照步骤一处理要探测的GF-1影像,提取样本特征量,基于第三步中的分类器逐像元探测,获取绿潮探测结果并计算探测精度;
(5)计算提取结果的绿潮覆盖面积,制作时空分布产品。
2.如权利要求1所叙述的一种基于ELM的GF-1黄东海绿潮遥感探测方法,其特征在于步骤(2)特征量采用了辐射定标后的四波段辐亮度值及NDVI指数,共构建5个维度的样本特征量。
3.如权利要求1所叙述的一种基于ELM的GF-1黄东海绿潮遥感探测方法,其特征在于步骤(2)样本类型将黄东海GF-1的地物类型分为7类,将每类样本与海水的混合像元归入到该类样本中。
4.如权利要求1所叙述的一种基于ELM的GF-1黄东海绿潮遥感探测方法,其特征在于步骤(3)分类器隐层神经元个数为1500个。
5.如权利要求1所叙述的一种基于ELM的GF-1黄东海绿潮遥感探测方法,其特征在于步骤(4)识别精度是基于手动提取结果和ELM识别结果的绿潮识别精度进行评价。
6.如权利要求1所叙述的一种基于ELM的GF-1黄东海绿潮遥感探测方法,其特征在于步骤(5)使用ENVI多项式几何校正模型,通过在原影像选取地面控制点对探测结果赋予坐标值,制作绿潮探测时空分布产品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811055119.3A CN110889423A (zh) | 2018-09-11 | 2018-09-11 | 一种基于极限学习机的高分一号黄东海绿潮遥感探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811055119.3A CN110889423A (zh) | 2018-09-11 | 2018-09-11 | 一种基于极限学习机的高分一号黄东海绿潮遥感探测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889423A true CN110889423A (zh) | 2020-03-17 |
Family
ID=69745421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811055119.3A Pending CN110889423A (zh) | 2018-09-11 | 2018-09-11 | 一种基于极限学习机的高分一号黄东海绿潮遥感探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889423A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931648A (zh) * | 2020-08-10 | 2020-11-13 | 成都思晗科技股份有限公司 | 一种基于Himawari8波段数据的山火实时监测方法 |
CN112308901A (zh) * | 2020-10-28 | 2021-02-02 | 山东省科学院海洋仪器仪表研究所 | 一种modis影像云下海表面绿潮覆盖面积的估测方法 |
CN113484923A (zh) * | 2021-07-13 | 2021-10-08 | 山东省海洋预报减灾中心 | 一种绿潮灾害的遥感监测评估方法 |
CN113640226A (zh) * | 2021-08-12 | 2021-11-12 | 国家卫星海洋应用中心 | 绿潮空间覆盖率的反演方法、装置及电子设备 |
CN116310543A (zh) * | 2023-03-14 | 2023-06-23 | 自然资源部第一海洋研究所 | Gf-1 wfv卫星赤潮深度学习探测模型、构建方法及设备 |
-
2018
- 2018-09-11 CN CN201811055119.3A patent/CN110889423A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931648A (zh) * | 2020-08-10 | 2020-11-13 | 成都思晗科技股份有限公司 | 一种基于Himawari8波段数据的山火实时监测方法 |
CN111931648B (zh) * | 2020-08-10 | 2023-08-01 | 成都思晗科技股份有限公司 | 一种基于Himawari8波段数据的山火实时监测方法 |
CN112308901A (zh) * | 2020-10-28 | 2021-02-02 | 山东省科学院海洋仪器仪表研究所 | 一种modis影像云下海表面绿潮覆盖面积的估测方法 |
CN112308901B (zh) * | 2020-10-28 | 2022-11-08 | 山东省科学院海洋仪器仪表研究所 | 一种modis影像云下海表面绿潮覆盖面积的估测方法 |
CN113484923A (zh) * | 2021-07-13 | 2021-10-08 | 山东省海洋预报减灾中心 | 一种绿潮灾害的遥感监测评估方法 |
CN113640226A (zh) * | 2021-08-12 | 2021-11-12 | 国家卫星海洋应用中心 | 绿潮空间覆盖率的反演方法、装置及电子设备 |
CN116310543A (zh) * | 2023-03-14 | 2023-06-23 | 自然资源部第一海洋研究所 | Gf-1 wfv卫星赤潮深度学习探测模型、构建方法及设备 |
CN116310543B (zh) * | 2023-03-14 | 2023-09-22 | 自然资源部第一海洋研究所 | Gf-1 wfv卫星赤潮深度学习探测模型、构建方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889423A (zh) | 一种基于极限学习机的高分一号黄东海绿潮遥感探测方法 | |
Ngoc et al. | Coastal and inland water pixels extraction algorithm (WiPE) from spectral shape analysis and HSV transformation applied to Landsat 8 OLI and Sentinel-2 MSI | |
CN108195767B (zh) | 河口湿地外来种监测方法 | |
CN102854513B (zh) | 环境一号hj-1a/b星ccd数据的云检测方法 | |
CN109974665B (zh) | 一种针对缺少短波红外数据的气溶胶遥感反演方法及系统 | |
CN110186822B (zh) | 一种气溶胶光学厚度遥感反演方法 | |
CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
CN110569797B (zh) | 地球静止轨道卫星影像山火检测方法、系统及其存储介质 | |
CN111832518A (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN113176211B (zh) | 一种基于hsv颜色空间模型变换的日间云检测方法 | |
KR102461468B1 (ko) | 다분광 영상을 이용한 원격 적조 탐지방법 및 그 시스템 | |
CN111553922A (zh) | 一种卫星遥感影像自动云检测方法 | |
CN111595791A (zh) | 基于高光谱数据校正的内陆水体fui水色指数提取方法 | |
CN113744249B (zh) | 一种海洋生态环境损害调查方法 | |
CN115908864A (zh) | 一种基于modis影像的海水色度角提取方法及水色状况遥感分类方法 | |
CN111310640A (zh) | Landsat8影像绿潮自适应阈值分区智能检测方法 | |
CN109766909A (zh) | 基于谱图融合的海岸环境微塑料老化行为解析方法 | |
CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
CN114067222B (zh) | 一种城市水体遥感分类方法及装置 | |
CN109377476B (zh) | 遥感影像云检测特征参数的动态阈值获取方法及装置 | |
CN116228911B (zh) | 基于光谱特征的森林火灾勘察定损方法 | |
CN112257531B (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
CN116519557B (zh) | 一种气溶胶光学厚度反演方法 | |
CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
CN117115077A (zh) | 一种湖泊蓝藻水华检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200317 |
|
WD01 | Invention patent application deemed withdrawn after publication |