CN111539366A - 一种晴空条件下海上雾霾遥感识别方法及系统 - Google Patents

一种晴空条件下海上雾霾遥感识别方法及系统 Download PDF

Info

Publication number
CN111539366A
CN111539366A CN202010358484.2A CN202010358484A CN111539366A CN 111539366 A CN111539366 A CN 111539366A CN 202010358484 A CN202010358484 A CN 202010358484A CN 111539366 A CN111539366 A CN 111539366A
Authority
CN
China
Prior art keywords
remote sensing
haze
data
pixel
marine
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
CN202010358484.2A
Other languages
English (en)
Other versions
CN111539366B (zh
Inventor
沈晓晶
姜祝辉
程锐
陈建
刘娟
金宝刚
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.)
61540 Troops of PLA
Original Assignee
61540 Troops of PLA
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 61540 Troops of PLA filed Critical 61540 Troops of PLA
Priority to CN202010358484.2A priority Critical patent/CN111539366B/zh
Publication of CN111539366A publication Critical patent/CN111539366A/zh
Application granted granted Critical
Publication of CN111539366B publication Critical patent/CN111539366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种晴空条件下海上雾霾遥感识别方法及系统，涉及海洋遥感数据与应用领域，包括获取晴空条件下监测区域对应的海洋上空卫星遥感数据；根据海洋上空卫星遥感数据提取像元光谱特征值；根据像元光谱特征值和训练好的神经网络雾霾遥感识别模型确定监测区域对应的海洋上空雾霾分布。其中，训练好的神经网络雾霾遥感识别模型是根据样本数据对MLP神经网络模型训练得到的；样本数据包括像元区域的类型以及每个像元区域对应的像元光谱特征值；类型包括清洁水体、浑浊水体和雾霾。本发明将海洋上空卫星遥感数据与神经网络机器学习算法相结合，以实现准确有效监测海洋上空雾霾分布情况的目的。

Description

一种晴空条件下海上雾霾遥感识别方法及系统
技术领域
本发明涉及海洋遥感数据与应用领域，特别是涉及一种晴空条件下海上雾霾遥感识别方法及系统。
背景技术
近年来，雾霾现象出现的频率越来越高，受雾霾影响的范围也比较广泛，雾霾对人类的出行、身体健康以及生态环境等都造成了破坏性的影响，已经引起政府部门、科学家以及社会的广泛关注，成为了热门话题。
海洋作为全球气候系统的重要组成部分，对全球气候的变化有重要影响。我国濒临太平洋，是海洋大国，同时，东部沿海地区是我国经济社会发展相对较快的区域，也是我国主要的经济贡献区域，全国约60％以上的人口都分布在东部沿海。海洋对我国的经济社会和国防建设发展有极其重要的战略意义。因此，对海洋上空雾霾的监测显得尤为必要。
目前，传统地面观测手段费时费力，且观测空间有限，对于海洋上空的雾霾监测难度更高。
发明内容
本发明的目的是提供一种晴空条件下海上雾霾遥感识别方法及系统，能够准确有效的监测海洋上空的雾霾分布情况。
为实现上述目的，本发明提供了如下方案：
一种晴空条件下海上雾霾遥感识别方法，包括：
获取晴空条件下监测区域对应的海洋上空卫星遥感数据；
根据所述海洋上空卫星遥感数据，提取像元光谱特征值；
根据所述像元光谱特征值和训练好的神经网络雾霾遥感识别模型，确定监测区域对应的海洋上空雾霾分布；其中，所述训练好的神经网络雾霾遥感识别模型是根据样本数据对MLP神经网络模型训练得到的；所述样本数据包括像元区域的类型以及每个所述像元区域对应的像元光谱特征值；所述类型包括清洁水体、浑浊水体和雾霾。
可选的，所述海洋上空卫星遥感数据为海洋水色数据网站的MODIS L1A数据。
可选的，所述根据所述海洋上空卫星遥感数据，提取像元光谱特征值，具体包括：
利用SeaDAS软件对所述MODIS L1A数据进行处理，得到去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
可选的，所述样本数据的确定过程为：
采用目视解译方法，提取不同类型的像元区域；
利用ENVI软件对所述像元区域的样本进行提取，得到可见光波段光谱数据；
利用SeaDAS软件对所述可见光波段光谱数据进行处理，得到像元区域对应的去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
一种晴空条件下海上雾霾遥感识别系统，包括：
海洋上空卫星遥感数据获取模块，用于获取晴空条件下监测区域对应的海洋上空卫星遥感数据；
像元光谱特征值提取模块，用于根据所述海洋上空卫星遥感数据，提取像元光谱特征值；
海洋上空雾霾分布确定模块，用于根据所述像元光谱特征值和训练好的神经网络雾霾遥感识别模型，确定监测区域对应的海洋上空雾霾分布；其中，所述训练好的神经网络雾霾遥感识别模型是根据样本数据对MLP神经网络模型训练得到的；所述样本数据包括像元区域的类型以及每个所述像元区域对应的像元光谱特征值；所述类型包括清洁水体、浑浊水体和雾霾。
可选的，所述海洋上空卫星遥感数据获取模块中的海洋上空卫星遥感数据为海洋水色数据网站的MODIS L1A数据。
可选的，所述像元光谱特征值提取模块，具体包括：
像元光谱特征值提取单元，用于利用SeaDAS软件对所述MODIS L1A数据进行处理，得到去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
可选的，所述海洋上空雾霾分布确定模块中样本数据的确定过程为：采用目视解译方法，提取不同类型的像元区域；利用ENVI软件对所述像元区域的样本进行提取，得到可见光波段光谱数据；利用SeaDAS软件对所述可见光波段光谱数据进行处理，得到像元区域对应的去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种晴空条件下海上雾霾遥感识别方法及系统，包括获取晴空条件下监测区域对应的海洋上空卫星遥感数据；根据海洋上空卫星遥感数据提取像元光谱特征值；根据像元光谱特征值和训练好的神经网络雾霾遥感识别模型确定监测区域对应的海洋上空雾霾分布。本发明将海洋上空卫星遥感数据与神经网络机器学习算法相结合，以实现准确有效监测海洋上空雾霾分布情况的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明晴空条件下海上雾霾遥感识别方法的流程图；
图2为本发明神经网络模型训练过程示意图；
图3为本发明两景MODIS晴空像元灰度图；
图4为本发明清洁水体的光谱特征分布图；
图5为本发明混浊水体的光谱特征分布图；
图6为本发明雾霾光谱特征分布图；
图7为本发明海上雾霾遥感监测结果图；
图8为本发明晴空条件下海上雾霾遥感识别系统的结构图。
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。
本发明针对海上雾霾现场观测费时费力、且观测范围有限的缺点，提供了一种晴空条件下，基于不同类型像元光谱特征差异和神经网络机器学习算法的海上雾霾遥感识别方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
机器学习算法流程：在模型训练前，建立一个三维向量，对三维向量的每一维分别设置空值和有效值，用于区分不同类型的像元，如用(0,0,1)表征清洁水体，(0,1,0)表征浑浊水体，(1,0,0)表征雾霾。抽取30％的样本数据作为训练数据，其中，可见光波段的光谱特征值作为模型的输入，在隐含层的训练下，输出的结果为表征不同像元的三维向量，即可以根据输出结果直接判别出每个像元的类型。模型建立好以后，剩余70％的样本数据将用于模型精度验证，即检验模型训练结果与真实像元结果的误差。本发明则是通过识别率来表征模型精度。
本发明的技术关键点是基于光谱特征差异的机器学习算法模型精度训练。
实施例1
如图1所示，本实施例提供了一种晴空条件下海上雾霾遥感识别方法，包括以下步骤。
步骤101：获取晴空条件下监测区域对应的海洋上空卫星遥感数据。
其中，本实施例使用的海洋上空卫星遥感数据来自海洋水色数据网站(https://oceancolor.gsfc.nasa.gov/)的MODIS L1A数据。
步骤102：根据所述海洋上空卫星遥感数据，提取像元光谱特征值。
在本实施例中，该像元光谱特征值为去瑞利校正后的遥感反射率Rrc，简称去瑞利遥感反射率Rrc。
由于海洋上空卫星遥感数据上云掩膜的情况比较严重，MODIS L1A数据的遥感反射率Rrs有很多缺省值，因而本实施例选取去瑞利校正后的遥感反射率Rrc作为光谱特征参数。
本实施例利用SeaDAS(SeaWiFS Data Analysis System)软件对MODIS L1A数据进行处理，得到去瑞利校正后的遥感反射率Rrc。SeaDAS软件是一个专业处理海洋水色卫星遥感数据的图像综合分析软件包，它具有很多功能，包括对遥感图像的显示、处理、分析、质量控制等。SeaDAS软件可以对各个级别的MODIS L1A数据、SeaWiFS数据等卫星数据产品(L0、L1A、L1B、L2、L3Binned、L3SMI)以及辅助的气象数据和臭氧数据做显示、处理、分析和质量控制等处理。并且SeaDAS软件是一个开源系统，可以免费从网上下载使用。
步骤103：根据所述像元光谱特征值和训练好的神经网络雾霾遥感识别模型，确定监测区域对应的海洋上空雾霾分布；其中，所述训练好的神经网络雾霾遥感识别模型是根据样本数据对MLP神经网络模型训练得到的；所述样本数据包括像元区域的类型以及每个所述像元区域对应的像元光谱特征值；所述类型包括清洁水体、浑浊水体和雾霾。
作为一种优选的实施方式，该方法还包括训练神经网络雾霾遥感识别模型。具体操作如下：
MLP神经网络模型建立
随着AI(Artificial Intelligence，人工智能)技术的发展，越来越多的研究都强调了利用神经网络算法(NeuralNetwork，NN)来监测地球大气和地球环境。
本实施例采用一个具有反向传播功能的多层感知(MLP，Multi-layerPerceptron)神经元网络模型学习算法，来构建MLP神经网络模型。MLP神经元网络模型学习算法是经典机器学习算法之一，是本实施例利用不同类型像元光谱差异进行雾霾遥感识别的不二之选。MLP神经网络模型属于前馈神经网络模型，至少包含一个隐含层，隐含层是作为一个通用函数逼近器存在。除此之外，MLP神经网络模型中还包括输入层和输出层，每一个层级之间紧密相连。在有足够的隐藏神经元和训练数据的基础上，前馈神经网络模型能够学习输入与输出之间的数学关系。除输入层和输出层以外的层级都被称为隐含层。
多层感知神经元网络模型学习算法的主要工作流程如图2所示，具体如下：
(1)将所有训练样本输入到输入层神经元中，并逐层进行信号传递，即按照输入层-隐含层-输出层的方式传递。
(2)计算输出层神经元的训练误差，将训练误差依次反向传播给上一层神经元。
(3)根据传回的训练误差，调整连接权值和阈值，开始新一轮迭代训练。
(4)若训练误差达到设定的训练误差，或者训练次数达到设定的训练次数上限，则重复迭代过程结束，即可输出结果。
样本数据确定
样本数据包括像元区域的类型以及每个像元区域对应的像元光谱特征值(去瑞利遥感反射率Rrc)。所述类型包括清洁水体、浑浊水体和雾霾。
本实施例基于目视解译方法，判别、提取感兴趣区域，即提取不同类型的像元区域，包括清洁水体、浑浊水体、雾霾这几种不同的类型。目视解译的标志，可以通过色、形、位来判别。色指的是目标像元在遥感影像上的颜色，主要包括色调、颜色和阴影三个方面；形是指目标像元在遥感影像上的形状，主要包括地物的形状、纹理、大小、图案等方面；位是指目标像元在遥感影像上的空间位置，主要包括地物分布的地理位置、相关布局等方面。如图3所示，近岸水体呈灰白色，目视解译为浑浊水体，离岸水体呈黑色，目视解译为清洁水体，浅灰白色部分目视解译为雾霾。
在目视解译的基础上，利用ENVI软件分别对三种类型的像元区域进行样本提取，即提取三种不同类型的像元区域对应的可见光波段光谱数据。在样本提取时，选择的均是特征较明显的像元，尽量避开边界情况，以保证所选取的样本能够代表该类型的像元。
利用SeaDAS软件对所选的可见光波段光谱数据进行去瑞利校正处理，得到去瑞利遥感反射率Rrc。
通过目视解译方法、ENVI软件、SeaDAS软件，最终获得清洁水体的样本数为9217，浑浊水体的样本数为8194，雾霾的样本数为9592。不同类型的像元光谱特征如图4至图6所示，图4给出了清洁水体的光谱特征分布情况，图4中灰黑色的线条代表不同样本的光谱，黑线表示平均光谱的变化，黑线上下两块的浅灰色区域表征的是光谱的标准差，从图4中可以明显看出清洁水体的光谱有随着波长增大而减小的趋势，且清洁水体的去瑞利遥感反射率Rrc值相对较低，最大值也低于0.07。
图5提供了浑浊水体的光谱特征分布情况，从数值上看，浑浊水体的去瑞利遥感反射率Rrc明显高于清洁水体的去瑞利遥感反射率Rrc，最大值接近0.16，光谱随波长的变化趋势与清洁水体也不一样，波长小于645nm时去瑞利遥感反射率Rrc随波长的增大而增大，且增幅较大，波长大于645nm时去瑞利遥感反射率Rrc随波长的增大而减小，且在859nm波长之后去瑞利遥感反射率Rrc的值基本处在低于0.03的位置。由此可见，根据光谱的变化特征可以完全将清洁水体与浑浊水体区分开。
图6展示的是雾霾像元的光谱特征分布情况，从图6中可以看到，雾霾像元的光谱数值变化范围与浑浊水体近似，其光谱随波长变化的趋势与浑浊水体的去瑞利遥感反射率Rrc随波长变化趋势类似。尽管如此，但二者还是有所不同：在645nm-850nm波长之间，浑浊水体的去瑞利遥感反射率Rrc随波长增大而减小，而雾霾的去瑞利遥感反射率Rrc随波长增加而增大；且雾霾的光谱随波长减小的趋势相对较为平缓，并在1600nm波长之后的雾霾的去瑞利遥感反射率Rrc值相对较高。由此可知，根据波长大于645nm时去瑞利遥感反射率Rrc的变化趋势以及1600nm波长之后的去瑞利遥感反射率Rrc值可以区分开浑浊水体与雾霾。
MLP神经网络模型训练
在本实施例中，训练MLP神经网络模型的输入层为MODIS可见光波段的去瑞利遥感反射率Rrc，隐含层为一层，每层包含90个隐藏神经元，输出层为对不同类型像元的识别结果，即训练好的神经网络雾霾遥感识别模型是根据样本数据对MLP神经网络模型训练得到的。
本实施例借助Python语言对MLP神经网络模型进行训练。首先抽取30％的样本数据作为训练数据，对MLP神经网络模型进行训练，直到训练出最优模型，再通过剩余70％的样本数据作为验证数据，对最优模型的精度进行验证。
海上雾霾遥感监测结果如图7所示，黑色区域表征的是陆地，深灰色表征的是雾霾，浅灰色表征的是浑浊水体，绿色表征的是清洁水体。对比图7(左)与图3(左)，从灰度图像与海上雾霾遥感监测结果图像对比中可以发现，神经网络机器学习算法反演出的雾霾空间分布情况与灰度图像中目视解译的结果高度一致，渤海海域上空的雾霾得到了较好的呈现，表明该训练好的神经网络雾霾遥感识别模型的精度是较高的。将该训练好的神经网络雾霾遥感识别模型应用到一幅新图像，即2013年10月5日的图像(图3右)中，反演结果与真实情况也高度一致(图7右)，这不仅验证了训练好的神经网络雾霾遥感识别模型的反演精度，另一方面也表明该训练好的神经网络雾霾遥感识别模型适用于不同时间的晴空像元，即验证了训练好的神经网络雾霾遥感识别模型的适用性。由此可见，通过光谱差异而建立的训练好的神经网络雾霾遥感识别模型可以很好的提取雾霾像元，该训练好的神经网络雾霾遥感识别模型适用于晴空条件下海上雾霾型气溶胶的识别与监测。
实施例2
为实现上述目的，本实施例还提供了一种晴空条件下海上雾霾遥感识别系统，如图8所示，包括：
海洋上空卫星遥感数据获取模块201，用于获取晴空条件下监测区域对应的海洋上空卫星遥感数据。
像元光谱特征值提取模块202，用于根据所述海洋上空卫星遥感数据，提取像元光谱特征值。
海洋上空雾霾分布确定模块203，用于根据所述像元光谱特征值和训练好的神经网络雾霾遥感识别模型，确定监测区域对应的海洋上空雾霾分布；其中，所述训练好的神经网络雾霾遥感识别模型是根据样本数据对MLP神经网络模型训练得到的；所述样本数据包括像元区域的类型以及每个所述像元区域对应的像元光谱特征值；所述类型包括清洁水体、浑浊水体和雾霾。
其中，海洋上空卫星遥感数据获取模块201中的海洋上空卫星遥感数据为海洋水色数据网站的MODIS L1A数据。
像元光谱特征值提取模块202具体包括：
像元光谱特征值提取单元，用于利用SeaDAS软件对所述MODIS L1A数据进行处理，得到去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
海洋上空雾霾分布确定模块203中的样本数据的确定过程为：采用目视解译方法，提取不同类型的像元区域；利用ENVI软件对所述像元区域的样本进行提取，得到可见光波段光谱数据；利用SeaDAS软件对所述可见光波段光谱数据进行处理，得到像元区域对应的去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
本说明书中各个实施例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部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
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 (8)

1.一种晴空条件下海上雾霾遥感识别方法，其特征在于，包括：
获取晴空条件下监测区域对应的海洋上空卫星遥感数据；
根据所述海洋上空卫星遥感数据，提取像元光谱特征值；
根据所述像元光谱特征值和训练好的神经网络雾霾遥感识别模型，确定监测区域对应的海洋上空雾霾分布；其中，所述训练好的神经网络雾霾遥感识别模型是根据样本数据对MLP神经网络模型训练得到的；所述样本数据包括像元区域的类型以及每个所述像元区域对应的像元光谱特征值；所述类型包括清洁水体、浑浊水体和雾霾。
2.根据权利要求1所述的一种晴空条件下海上雾霾遥感识别方法，其特征在于，所述海洋上空卫星遥感数据为海洋水色数据网站的MODIS L1A数据。
3.根据权利要求2所述的一种晴空条件下海上雾霾遥感识别方法，其特征在于，所述根据所述海洋上空卫星遥感数据，提取像元光谱特征值，具体包括：
利用SeaDAS软件对所述MODIS L1A数据进行处理，得到去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
4.根据权利要求1所述的一种晴空条件下海上雾霾遥感识别方法，其特征在于，所述样本数据的确定过程为：
采用目视解译方法，提取不同类型的像元区域；
利用ENVI软件对所述像元区域的样本进行提取，得到可见光波段光谱数据；
利用SeaDAS软件对所述可见光波段光谱数据进行处理，得到像元区域对应的去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
5.一种晴空条件下海上雾霾遥感识别系统，其特征在于，包括：
海洋上空卫星遥感数据获取模块，用于获取晴空条件下监测区域对应的海洋上空卫星遥感数据；
像元光谱特征值提取模块，用于根据所述海洋上空卫星遥感数据，提取像元光谱特征值；
海洋上空雾霾分布确定模块，用于根据所述像元光谱特征值和训练好的神经网络雾霾遥感识别模型，确定监测区域对应的海洋上空雾霾分布；其中，所述训练好的神经网络雾霾遥感识别模型是根据样本数据对MLP神经网络模型训练得到的；所述样本数据包括像元区域的类型以及每个所述像元区域对应的像元光谱特征值；所述类型包括清洁水体、浑浊水体和雾霾。
6.根据权利要求5所述的一种晴空条件下海上雾霾遥感识别系统，其特征在于，所述海洋上空卫星遥感数据获取模块中的海洋上空卫星遥感数据为海洋水色数据网站的MODISL1A数据。
7.根据权利要求6所述的一种晴空条件下海上雾霾遥感识别系统，其特征在于，所述像元光谱特征值提取模块，具体包括：
像元光谱特征值提取单元，用于利用SeaDAS软件对所述MODIS L1A数据进行处理，得到去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
8.根据权利要求5所述的一种晴空条件下海上雾霾遥感识别系统，其特征在于，所述海洋上空雾霾分布确定模块中样本数据的确定过程为：采用目视解译方法，提取不同类型的像元区域；利用ENVI软件对所述像元区域的样本进行提取，得到可见光波段光谱数据；利用SeaDAS软件对所述可见光波段光谱数据进行处理，得到像元区域对应的去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
CN202010358484.2A 2020-04-29 2020-04-29 一种晴空条件下海上雾霾遥感识别方法及系统 Active CN111539366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010358484.2A CN111539366B (zh) 2020-04-29 2020-04-29 一种晴空条件下海上雾霾遥感识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010358484.2A CN111539366B (zh) 2020-04-29 2020-04-29 一种晴空条件下海上雾霾遥感识别方法及系统

Publications (2)

Publication Number Publication Date
CN111539366A true CN111539366A (zh) 2020-08-14
CN111539366B CN111539366B (zh) 2023-10-13

Family

ID=71980398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010358484.2A Active CN111539366B (zh) 2020-04-29 2020-04-29 一种晴空条件下海上雾霾遥感识别方法及系统

Country Status (1)

Country Link
CN (1) CN111539366B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040164235A1 (en) * 2003-01-21 2004-08-26 Miller Steven D. System and method for significant dust detection and enhancement of dust images over land and ocean
CN107390286A (zh) * 2017-07-12 2017-11-24 广州地理研究所 一种基于Landsat遥感影像的海岸不透水面提取方法
CN110427818A (zh) * 2019-06-17 2019-11-08 青岛星科瑞升信息科技有限公司 高光谱数据支持的深度学习卫星数据云检测方法
CN110632032A (zh) * 2019-06-26 2019-12-31 曲阜师范大学 一种基于地表反射率库的沙尘暴监测方法
CN110728642A (zh) * 2019-10-17 2020-01-24 自然资源部第二海洋研究所 一种针对goci卫星晨昏观测的神经网络大气校正方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040164235A1 (en) * 2003-01-21 2004-08-26 Miller Steven D. System and method for significant dust detection and enhancement of dust images over land and ocean
CN107390286A (zh) * 2017-07-12 2017-11-24 广州地理研究所 一种基于Landsat遥感影像的海岸不透水面提取方法
CN110427818A (zh) * 2019-06-17 2019-11-08 青岛星科瑞升信息科技有限公司 高光谱数据支持的深度学习卫星数据云检测方法
CN110632032A (zh) * 2019-06-26 2019-12-31 曲阜师范大学 一种基于地表反射率库的沙尘暴监测方法
CN110728642A (zh) * 2019-10-17 2020-01-24 自然资源部第二海洋研究所 一种针对goci卫星晨昏观测的神经网络大气校正方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李建;田礼乔;陈晓玲;: "水环境参数定量遥感反演空间尺度误差分析", 测绘学报 *
葛巍;陈良富;司一丹;葛强;范萌;李莘莘;: "霾光谱特性分析与卫星遥感识别算法", 光谱学与光谱分析 *
骆剑承,周成虎,杨艳: "人工神经网络遥感影像分类模型及其与知识集成方法研究", 遥感学报 *

Also Published As

Publication number Publication date
CN111539366B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN112288647B (zh) 一种基于门控卷积的遥感影像云和阴影修复的方法
CN111024618A (zh) 基于遥感影像的水质健康监测方法、装置及存储介质
CN107516317A (zh) 一种基于深度卷积神经网络的sar影像海冰分类方法
CN112395987B (zh) 基于无监督域适应cnn的sar图像目标检测方法
CN108629368B (zh) 一种基于联合深度融合的多模态地基云分类方法
CN107967474A (zh) 一种基于卷积神经网络的海面目标显著性检测方法
CN113947555A (zh) 基于深度神经网络的红外与可见光融合的视觉系统及方法
CN111161224A (zh) 基于深度学习的铸件内部缺陷分级评估系统及方法
CN114612769A (zh) 一种融入局部结构信息的集成感知红外成像舰船检测方法
CN115512247A (zh) 基于图像多参数提取的区域建筑损伤等级评定方法
CN113887324A (zh) 基于卫星遥感数据的火点检测方法
CN114648705A (zh) 一种基于卫星遥感的碳汇监测系统及方法
CN117274831B (zh) 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法
CN116879192B (zh) 基于卫星遥感数据的水华预测方法、装置、设备及介质
CN113705538A (zh) 基于深度学习的高分遥感影像道路变化检测装置及方法
CN111222576B (zh) 一种高分辨率遥感图像分类方法
CN111539366A (zh) 一种晴空条件下海上雾霾遥感识别方法及系统
CN115546658B (zh) 一种数据集质量提升与改进cnn相结合的夜间云检测方法
CN115761463A (zh) 一种浅海水深反演方法、系统、设备及介质
CN115546069A (zh) 一种非均匀雾密度分布先验的遥感影像去雾方法
CN115620132A (zh) 一种无监督的对比学习冰湖提取方法
CN114119630A (zh) 基于耦合图谱特征的海岸线深度学习遥感提取方法
CN113743373A (zh) 基于深度学习的高分遥感影像耕地变化检测装置及方法
CN115097451A (zh) 一种基于sar卫星数据的海浪多参数反演方法及系统
CN113657351A (zh) 基于深度学习的高分遥感影像林草变化检测装置及方法

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