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 PDF

Info

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
Application number
CN201811055119.3A
Other languages
English (en)
Inventor
梁西剑
崔廷伟
秦平
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN201811055119.3A priority Critical patent/CN110889423A/zh
Publication of CN110889423A publication Critical patent/CN110889423A/zh
Pending legal-status Critical Current

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

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
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。
Figure DEST_PATH_IMAGE001
(1)
表1 GF-1卫星2017年绝对辐射定标系数。
Figure DEST_PATH_IMAGE002
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。
Figure DEST_PATH_IMAGE003
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。
Figure 988674DEST_PATH_IMAGE001
(2)
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。
CN201811055119.3A 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 Pending CN110889423A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (8)

* Cited by examiner, † Cited by third party
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