CN111879709B - 湖泊水体光谱反射率检验方法及装置 - Google Patents

湖泊水体光谱反射率检验方法及装置 Download PDF

Info

Publication number
CN111879709B
CN111879709B CN202010681966.1A CN202010681966A CN111879709B CN 111879709 B CN111879709 B CN 111879709B CN 202010681966 A CN202010681966 A CN 202010681966A CN 111879709 B CN111879709 B CN 111879709B
Authority
CN
China
Prior art keywords
water body
spectral reflectance
spectral
reflectivity
measured
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.)
Active
Application number
CN202010681966.1A
Other languages
English (en)
Other versions
CN111879709A (zh
Inventor
陶醉
谢富泰
周翔
吕婷婷
王锦
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202010681966.1A priority Critical patent/CN111879709B/zh
Publication of CN111879709A publication Critical patent/CN111879709A/zh
Application granted granted Critical
Publication of CN111879709B publication Critical patent/CN111879709B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • 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
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
    • 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
    • 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
    • Y02A90/30—Assessment of water resources

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明实施例提供一种湖泊水体光谱反射率检验方法及装置，所述方法包括：利用预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选；所述水体光谱反射率预测模型是基于水体参量样本数据、环境参量样本数据和对应的水体样本光谱反射率进行训练后得到的；所述实测水体光谱反射率是通过测量设备对待测水体进行抽样检测得到的光谱反射率；根据筛选后的实测水体光谱反射率对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体光谱反射率。通过筛选后的实测水体光谱反射率对卫星反演获取的水体光谱反射率进行验证并修正，解决了现有的通过卫星获取的水体光谱反射率可信度低的缺陷，提高了待测水体的光谱反射率可靠性。

Description

湖泊水体光谱反射率检验方法及装置
技术领域
本发明涉及遥感探测技术领域，尤其涉及湖泊水体光谱反射率检验方法及装置。
背景技术
光谱反射率是绝大多数遥感产品的基础，在遥感产品反演、验证和应用方面具有重要的意义。水体遥感信息产品的精度不仅取决于相应模型的精度，更大程度上受限于光谱反射率的准确度。因此，对水体光谱反射率进行真实性检验，能够有效提高遥感模型的精度，提高水体遥感信息产品的准确度和可信度，从而推广遥感产品更大范围的应用，破除其应用壁垒。
遥感产品的真实性检验方法包括直接检验、间接检验和交叉检验，水体光谱反射率的真实性检验通常采用直接检验的方法，即将卫星影像的反射率与实测的水体反射率直接对比。但由于水体的流动性及环境因素变化，水体光谱反射率随时间变化较大，相隔3小时的水体反射率光谱曲线可能存在较大的差异，而且这种变化的强度目前是不确定的。
现有的水体光谱反射率实测值评价方法，既没有针对特定的检验水体做出调整，也没有明确水体反射率实测真值时间尺度的变异问题，增加了水体反射率真实性检验中的不确定性，无法精确反应卫星反射率的精度，导致了水体反射率真实性检验实验数据的可信度较低。
发明内容
本发明实施例提供一种湖泊水体光谱反射率检验方法及装置，用以解决现有技术中通过卫星获取的待测水体的光谱反射率可信度低的缺陷，实现提高待测水体的光谱反射率可靠性的作用。
本发明实施例提供一种湖泊水体光谱反射率检验方法，包括：
利用预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选；所述水体光谱反射率预测模型是基于水体参量样本数据、环境参量样本数据和对应的水体样本光谱反射率进行训练后得到的；所述实测水体光谱反射率是通过测量设备对待测水体进行抽样检测得到的光谱反射率；
根据筛选后的实测水体光谱反射率对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体光谱反射率。
根据本发明实施例的湖泊水体光谱反射率检验方法，所述利用预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选具体包括：
将目标相关变量输入至所述预设的水体光谱反射率预测模型，输出与所述目标相关变量对应的预测水体光谱反射率；
根据所述预测水体光谱反射率对实测水体光谱反射率进行筛选。
根据本发明实施例的湖泊水体光谱反射率检验方法，所述将目标相关变量输入至所述预设的水体光谱反射率预测模型之前还包括：
基于皮尔逊相关系数获取每个水体参量样本数据和对应的水体样本光谱反射率之间的相关值，和每个环境参量样本数据与对应的水体样本光谱反射率之间的相关值；
根据所述水体参量样本数据和对应的所述水体样本光谱反射率之间的相关值，和所述环境参量样本数据与对应的所述水体样本光谱反射率之间相关值，获取样本相关变量；
根据所述样本相关变量的类别，从所述水体参量样本数据和所述环境参量样本数据中筛选出目标相关变量。
根据本发明实施例的湖泊水体光谱反射率检验方法，所述获取样本相关变量具体包括：
从所述水体参量样本数据和所述环境参量样本数据中筛选出与对应的所述水体样本光谱反射率之间相关值大于预设相关值阈值的水体参量样本数据和环境参量样本数据作为样本相关变量。
根据本发明实施例的湖泊水体光谱反射率检验方法，获取所述水体光谱反射率预测模型的具体步骤如下：
获取所述样本相关变量和所述样本相关变量对应的所述水体样本光谱反射率；
基于所述样本相关变量和所述样本相关变量对应的所述水体样本光谱反射率，生成所述水体光谱反射率预测模型的模型参数，获取所述水体光谱反射率预测模型。
根据本发明实施例的湖泊水体光谱反射率检验方法，所述根据所述预测水体光谱反射率对实测水体光谱反射率进行筛选具体包括：
计算所述预测水体光谱反射率和所述实测水体光谱反射率之间的第一误差值；
从所述实测水体光谱反射率中删除所述第一误差值超过第一预设阈值的数据。
本发明实施例还提供一种湖泊水体光谱反射率检验装置，包括：
筛选模块，用于利用预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选；所述水体光谱反射率预测模型是基于水体参量样本数据、环境参量样本数据和对应的水体样本光谱反射率进行训练后得到的；所述实测水体光谱反射率是通过测量设备对待测水体进行抽样检测得到的光谱反射率；
检验模块，用于根据筛选后的实测水体光谱反射率对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体光谱反射率。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述湖泊水体光谱反射率检验方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述湖泊水体光谱反射率检验方法的步骤。
本发明实施例提供的湖泊水体光谱反射率检验方法及装置，通过筛选后的实测水体光谱反射率对通过卫星反演获取的待测水体的光谱反射率进行检验，并根据检验结果改进卫星反演模型，提高了现有的卫星水体光谱反射率真实性检验验证方法的准确度，提高了通过卫星反演获取的待测水体光谱反射率可靠性。
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种湖泊水体光谱反射率检验方法的流程示意图；
图2是本发明实施例提供的一种湖泊水体光谱反射率检验装置的结构示意图；
图3是本发明实施例提供的一种电子设备的结构示意图；
图4是本发明实施例提供的单波段BP神经网络模型的检验结果示意图；
图5是本发明实施例提供的单波段GRNN神经网络模型的检验结果示意图；
图6是本发明实施例提供的全波段GRNN神经网络模型的检验结果示意图；
图7是本发明实施例提供的全波段GRNN神经网络模型的检验结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
图1是本发明实施例提供的一种湖泊水体光谱反射率检验方法的流程示意图，如图1所示，该流程具体可以包括：
步骤101、利用预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选；所述水体光谱反射率预测模型是基于水体参量样本数据、环境参量样本数据和对应的水体样本光谱反射率进行训练后得到的；所述实测水体光谱反射率是通过测量设备对待测水体进行抽样检测得到的光谱反射率。
具体地，由于实测水体光谱反射率是通过测量设备对待测水体进行抽样检测得到的光谱反射率，因此实测水体光谱反射率中可能存在着测量值不准确，可靠性低的问题。通过预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选，即是将实测水体光谱反射率中与预设的水体光谱反射率预测模型中产生的预测水体光谱反射率进行误差判定，如果误差在预设的范围内则判定实测水体光谱反射率符合要求，如果误差超出了预设的范围，则对实测水体光谱反射率进行修正。
例如，通过测量设备获取到实测水体光谱反射率，但是实测水体光谱反射率中可能存在部分测量值不准确的问题，通过预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选，能够筛除与预测模型中产生的预测水体光谱反射率误差超过预设阈值的实测水体光谱反射率。预设的水体光谱反射率预测模型是基于水体参量样本数据、环境参量样本数据和对应的水体样本光谱反射率进行训练后得到的，可以使用BP神经网络模型或GRNN神经网络模型等。
步骤102、根据筛选后的实测水体光谱反射率对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体光谱反射率。
具体地，通过筛选后的实测水体光谱反射率对卫星采集到的所述待测水体的光谱反射率进行检验，通过判断筛选后的实测水体光谱反射率与卫星反演获取到的所述待测水体的光谱反射率之间的误差是否大于预设阈值，如果误差在预设阈值范围内则说明所述卫星获取的待测水体的光谱反射率精度较高，可以作为后续定量遥感反演、遥感参数提取的基础；如果误差超过预设阈值范围，则说明所述卫星获取的待测水体的光谱反射率精度较低，需要对所述卫星光谱反射率的反演模型进行校正，在未校正的情况下，所述卫星的影像用于定量遥感反演和水体参数提取需谨慎考虑误差。
例如，判断筛选后的实测水体光谱反射率与卫星采集到的待测水体的光谱反射率之间的误差是否大于预设阈值，其中预设阈值包括：R2阈值、RMSE阈值和AE阈值，通过这三种阈值判定实测水体光谱反射率与卫星采集到的待测水体的光谱反射率之间的误差是否符合要求。其中，R2阈值是决定系数阈值，RMSE阈值是均方根误差阈值，AE阈值是平均绝对相对误差阈值。
将筛选后的实测水体光谱反射率和待测水体的光谱反射率之间的误差值，若误差值大于预设阈值，说明该待测水体的光谱反射率准确度较低，则使用筛选后的实测水体光谱反射率作为真值数据对遥感卫星水体反射率进行建模分析，提升水体反射率的反演精度。
例如，筛选后的实测水体光谱反射率和待测水体的光谱反射率之间的误差值为0.5，而预设的实测水体光谱反射率和待测水体的光谱反射率之间的误差值为0.2，则判定该待测水体的光谱反射率误差较大，需要对其修正。使用筛选后的实测水体光谱反射率作为真值数据对遥感卫星水体反射率进行建模分析，并使用修正后的卫星反演算法获取待测水体的光谱反射率，提升水体光谱反射率的反演精度。
可选地，在上述各实施例的基础上，所述利用预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选具体包括：
将目标相关变量输入至所述预设的水体光谱反射率预测模型，输出与所述目标相关变量对应的预测水体光谱反射率；
根据所述预测水体光谱反射率对实测水体光谱反射率进行筛选。
具体地，目标相关变量是预设的水体光谱反射率预测模型的输入值，输出值为与目标相关变量对应的预测水体光谱反射率，目标相关变量的种类可以根据需求进行设定，且目标相关变量的种类与预测水体光谱反射率之间的联系越明显效果越好。
例如，对于特定的待检卫星的波段，以与该波段反射率相关性较强的水体及环境变量作为目标相关变量，以该波段反射率作为因变量，进行BP神经网络和GRNN神经网络建模，并利用R2、RMSE和AE进行精度评价。
以MODIS观测波段438-448nm为例，与440-450nm等效波段反射率相关性较高的变量有水温、比电导、盐度、叶绿素浓度、FDOM、平均风向、空气温度和湿度8种变量。利用以上8种变量作为目标相关变量，以等效波段440-450nm的水体光谱反射率作为因变量，进行BP神经网络和GRNN神经网络建模。
经过数据预处理以及水体光谱反射率数据与水体、环境参量数据观测时间的一一对应，共计获得可用数据366组。随机选取其中90％，即329组数据作为训练数据，分别利用BP和GRNN神经网络进行建模。剩余的37组数据作为检验集，用检验数据分别对两种神经网络模型进行验证，并用R2、RMSE和AE对模型精度进行评价。图4和图5分别展示了BP神经网络和GRNN神经网络全波段模型的检验结果(随机挑选出11个检验样本进行展示)，精度评价结果如表1所示。
表1单波段神经网络模型检验结果
Figure GDA0004177011140000081
再例如，部分等效波段反射率与水体、环境变量的相关性易知，水温、比电导、盐度、叶绿素浓度、蓝藻蛋白、FDOM、悬浮物浓度、平均风向、空气温度和湿度这10个变量在全波段仍有较高的敏感性。虽然在部分波段，叶绿素浓度和悬浮物浓度的相关系数较低，但综合来看，本步骤选用这10个变量作为自变量是合理的。我们使用这10个变量作为目标相关变量。
使用以上10个变量作为目标相关变量，以400-900nm之间50个等效波段的反射率作为因变量，利用BP神经网络和GRNN神经网络建模。经过数据预处理以及水体反射率数据观测时间和自变量观测时间的对应，共获得可用数据366组。随机选取其中90％的数据，即329组数据作为训练集，剩余的37组数据作为检验集，对模型进行检验，使用R2、RMSE和AE进行精度评价。图6和图7分别展示了BP神经网络和GRNN神经网络全波段模型的检验结果(从37条检验光谱曲线中随机选取一条进行展示)。其精度评价结果见表2。
表2全波段神经网络模型检验结果
Figure GDA0004177011140000091
通过预设的水体光谱反射率预测模型获取预测水体光谱反射率，然后根据筛选后的实测水体光谱反射率对卫星采集到的待测水体的光谱反射率进行检验，解决了现有的卫星水体光谱反射率真实性检验验证方法可信度低的缺陷，提高了基于遥感的待测水体光谱反射率可靠性。
可选地，在上述各实施例的基础上，所述将目标相关变量输入至所述预设的水体光谱反射率预测模型之前还包括：
基于皮尔逊相关系数获取每个水体参量样本数据和对应的水体样本光谱反射率之间的相关值，和每个环境参量样本数据与对应的水体样本光谱反射率之间的相关值；
根据所述水体参量样本数据和对应的所述水体样本光谱反射率之间的相关值，和所述环境参量样本数据与对应的所述水体样本光谱反射率之间相关值，获取样本相关变量；
根据所述样本相关变量的类别，从所述水体参量样本数据和所述环境参量样本数据中筛选出目标相关变量。
具体地，由于水体参量样本数据有很多种类的数据，环境参量样本数据也包括很多种类的数据，为了筛选出每个水体参量样本数据和对应的水体样本光谱反射率之间的相关值最密切的数据，和每个环境参量样本数据与对应的水体样本光谱反射率之间的相关值最密切的数据，需要将获取的各相关值根据预设相关值阈值进行筛选，并根据筛选出的样本相关变量的类型获取目标相关变量，其中，样本相关变量的种类和目标相关变量的种类是相同的。
例如，常见的温度、湿度、大气压等环境参量和叶绿素浓度、FDOM、蓝藻蛋白、悬浮物浓度等水体参量都会对水体光谱反射率产生影响，而且在不同的波长范围内影响强度是不同的。此外，不同的卫星和传感器的观测波段也都是选择一些特定的水体参数敏感波段，在真实性检验实验中，水体反射率的检验也都是针对待检卫星的观测波段进行，表3列举了常见的卫星/传感器的观测波段。综上，在对水体光谱反射率与水体及环境参量进行相关性分析之前，有必要对400-900nm波长范围内分辨率为1nm的反射率数据进行等效处理，按照波长10nm的步长，将400-900nm间的水体光谱反射率数据划分为50个等效波段。等效后的反射率数据，与原始的水体光谱反射率相比，虽然等效后的反射率数据平滑性降低，但更能反应水体的特征信息。
表3常见卫星/传感器的观测波段
Figure GDA0004177011140000101
通过从水体参量样本数据和环境参量样本数据中筛选出样本相关变量，提高了构建水体光谱反射率预测模型的准确度，进一步能够提高获取的预测水体光谱反射率的准确度，使得对实测水体光谱反射率的筛选更加准确。
可选地，在上述各实施例的基础上，所述获取样本相关变量具体包括：
从所述水体参量样本数据和所述环境参量样本数据中筛选出与对应的所述水体样本光谱反射率之间相关值大于预设相关值阈值的水体参量样本数据和环境参量样本数据作为样本相关变量。
具体地，从水体参量样本数据和环境参量样本数据中筛选出相关变量的方法是将相关值与预设的相关值阈值进行对比，将相关值大于预设的相关值阈值的水体参量样本数据和环境参量样本数据作为样本相关变量。
例如，可以用皮尔逊相关系数r(X,Y)来衡量两组变量的相关性。当相关系数|r|的取值范围在0.2～0.8之间时，认为两个变量具有较强的相关性，依次筛选出分别与50个等效波段反射率相关性较强的水体及环境变量。受限于表格的篇幅，表4仅列举了部分等效波段与所有变量的相关系数。
表4部分等效波段与水体及环境变量的相关系数
Figure GDA0004177011140000111
通过对样本相关变量的选择，能够从水体参量样本数据和环境参量样本数据中筛除去相关值不达标的参量样本数据，减轻了水体光谱反射率预测模型处理数据的压力，且提高了预测的准确度。
可选地，在上述各实施例的基础上，获取所述水体光谱反射率预测模型的具体步骤如下：
获取所述样本相关变量和所述样本相关变量对应的所述水体样本光谱反射率；
基于所述样本相关变量和所述样本相关变量对应的所述水体样本光谱反射率，生成所述水体光谱反射率预测模型的模型参数，获取所述水体光谱反射率预测模型。
具体地，为了生成并训练水体光谱反射率预测模型，我们需要获取所述样本相关变量和样本相关变量对应的所述水体样本光谱反射率。根据样本相关变量和样本相关变量对应的所述水体样本光谱反射率生成水体光谱反射率预测模型的模型参数，根据生成的模型参数进一步获取水体光谱反射率预测模型，且该模型可以是多种神经网络模型，例如BP神经网络、GRNN神经网络等。
例如，以我国代表性的湖泊——太湖为研究对象，获取其长时间序列水体光谱反射率、水体及环境参量数据获。首先在太湖建立自动观测浮标系统，浮标上安置自动观测光谱仪、水质仪和气象站。自动观测光谱仪从上午10时至下午15时，每隔30分钟观测一次，每次连续测取10条光谱曲线备用，此外，自动观测光谱仪每次观测前拍一张湖面与天空的照片，用来记录天气状况；而水质仪和气象站全天候工作，从0时至24时每隔30分钟，分别测量水温、比电导、电导率、盐度、浊度、叶绿素浓度、蓝藻蛋白、荧光可溶性有机物(FDOM)、悬浮物浓度、平均风向、平均风速、空气温度、湿度和大气压14种水体及环境参量数据。本发明选取晴天(可根据上述照片判别)中上午10时至下午15时之间的水体及环境变量，一方面与水体光谱反射率数据的获取时间一一对应，另一方面满足真实性检验实验对天气条件和时间窗口的要求，共计获得匹配数据366组。根据获取的参量数据可以获得样本相关变量。
根据获得的参数数据的具体情况，还可以对获取的参数数据根据需要进行预处理，预处理主要是删除明显的粗差数据，减小数据误差。
通过样本相关变量和样本相关变量对应的水体样本光谱反射率，生成水体光谱反射率预测模型的模型参数，能够获取水体光谱反射率预测模型，并能够通过水体光谱反射率预测模型对实测水体光谱反射率进行筛选，提高了实测水体光谱反射率的准确度。
可选地，在上述各实施例的基础上，其特征在于，所述根据所述预测水体光谱反射率对实测水体光谱反射率进行筛选具体包括：
计算所述预测水体光谱反射率和所述实测水体光谱反射率之间的第一误差值；
从所述实测水体光谱反射率中删除所述第一误差值超过第一预设阈值的数据。
具体地，对实测水体光谱反射率的筛选是判定实测水体光谱反射率与预测水体光谱反射率之间的误差值是否超过了预设阈值，如果超过了预设阈值，判定该超过预设阈值的实测水体光谱反射率为不合格，并对该不合格的实测水体光谱反射率进行删除。
例如，当某个实测水体光谱反射率与对应的预测水体光谱反射率之间的误差值为0.5，而该误差值的预设阈值为0.2，则该实测水体光谱反射率超过了预设阈值，对其进行删除。
通过删除不合格的实测水体光谱反射率，提高了实测水体光谱反射率精度，进一步根据实测水体光谱反射率对卫星采集到的待测水体的光谱反射率进行检验，提高了卫星获取的待测水体的光谱反射率真实性检验的准确度与可靠性。
下面对本发明实施例提供的湖泊水体光谱反射率检验装置进行描述，下文描述的湖泊水体光谱反射率检验装置与上文描述的湖泊水体光谱反射率检验方法可相互对应参照。
图2是本发明实施例提供的一种湖泊水体光谱反射率检验装置的结构示意图，如图2所示，具体包括：筛选模块201及检验模块202，其中，筛选模块201用于利用预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选；所述水体光谱反射率预测模型是基于水体参量样本数据、环境参量样本数据和对应的水体样本光谱反射率进行训练后得到的；所述实测水体光谱反射率是通过测量设备对待测水体进行抽样检测得到的光谱反射率；检验模块202用于根据筛选后的实测水体光谱反射率对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体光谱反射率。
具体地，由于实测水体光谱反射率是通过测量设备对待测水体进行抽样检测得到的光谱反射率，因此实测水体光谱反射率中可能存在着测量值不准确，可靠性低的问题。筛选模块201用于通过预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选，即是将实测水体光谱反射率中与预设的水体光谱反射率预测模型中产生的预测水体光谱反射率进行误差判定，如果误差在预设的范围内则判定实测水体光谱反射率符合要求，如果误差超出了预设的范围，则对实测水体光谱反射率进行修正。
检验模块202用于根据筛选后的实测水体光谱反射率对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体光谱反射率。
将筛选后的实测水体光谱反射率和待测水体的光谱反射率之间的误差值，若误差值大于预设阈值，说明该待测水体的光谱反射率准确度较低，则使用筛选后的实测水体光谱反射率作为真值数据对遥感卫星水体反射率进行建模分析，提升水体反射率的反演精度。
例如，筛选后的实测水体光谱反射率和待测水体的光谱反射率之间的误差值为0.5，而预设的实测水体光谱反射率和待测水体的光谱反射率之间的误差值为0.2，则判定该待测水体的光谱反射率误差较大，需要对其修正。使用筛选后的实测水体光谱反射率对卫星反演获取到的待测水体的光谱反射率进行建模修正。通过使用筛选后的实测水体光谱反射率作为真值数据对遥感卫星水体反射率进行建模分析，提升水体反射率的反演精度提高了卫星采集到的待测水体的光谱反射率的准确度与可靠性。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行水体光谱反射率检测方法，该方法包括：利用预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选；所述水体光谱反射率预测模型是基于水体参量样本数据、环境参量样本数据和对应的水体样本光谱反射率进行训练后得到的；所述实测水体光谱反射率是通过测量设备对待测水体进行抽样检测得到的光谱反射率；根据筛选后的实测水体光谱反射率对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体光谱反射率。
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的水体光谱反射率检测方法，该方法包括：利用预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选；所述水体光谱反射率预测模型是基于水体参量样本数据、环境参量样本数据和对应的水体样本光谱反射率进行训练后得到的；所述实测水体光谱反射率是通过测量设备对待测水体进行抽样检测得到的光谱反射率；根据筛选后的实测水体光谱反射率对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体光谱反射率。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的水体光谱反射率检测方法，该方法包括：利用预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选；所述水体光谱反射率预测模型是基于水体参量样本数据、环境参量样本数据和对应的水体样本光谱反射率进行训练后得到的；所述实测水体光谱反射率是通过测量设备对待测水体进行抽样检测得到的光谱反射率；根据筛选后的实测水体光谱反射率对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体光谱反射率。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.湖泊水体光谱反射率检验方法，其特征在于，包括：
利用预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选；所述水体光谱反射率预测模型是基于水体参量样本数据、环境参量样本数据和对应的水体样本光谱反射率进行训练后得到的；所述实测水体光谱反射率是通过测量设备对待测水体进行抽样检测得到的光谱反射率；
根据筛选后的实测水体光谱反射率对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体光谱反射率；
其中，所述利用预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选具体包括：
将目标相关变量输入至所述预设的水体光谱反射率预测模型，输出与所述目标相关变量对应的预测水体光谱反射率；
根据所述预测水体光谱反射率对实测水体光谱反射率进行筛选；
计算所述预测水体光谱反射率和所述实测水体光谱反射率之间的第一误差值；
从所述实测水体光谱反射率中删除所述第一误差值超过第一预设阈值的数据。
2.根据权利要求1所述的湖泊水体光谱反射率检验方法，其特征在于，所述将目标相关变量输入至所述预设的水体光谱反射率预测模型之前还包括：
基于皮尔逊相关系数获取每个水体参量样本数据和对应的水体样本光谱反射率之间的相关值，和每个环境参量样本数据与对应的水体样本光谱反射率之间的相关值；
根据所述水体参量样本数据和对应的所述水体样本光谱反射率之间的相关值，和所述环境参量样本数据与对应的所述水体样本光谱反射率之间相关值，获取样本相关变量；
根据所述样本相关变量的类别，从所述水体参量样本数据和所述环境参量样本数据中筛选出目标相关变量。
3.根据权利要求2所述的湖泊水体光谱反射率检验方法，其特征在于，所述获取样本相关变量具体包括：
从所述水体参量样本数据和所述环境参量样本数据中筛选出与对应的所述水体样本光谱反射率之间相关值大于预设相关值阈值的水体参量样本数据和环境参量样本数据作为样本相关变量。
4.根据权利要求3所述的湖泊水体光谱反射率检验方法，其特征在于，获取所述水体光谱反射率预测模型的具体步骤如下：
获取所述样本相关变量和所述样本相关变量对应的所述水体样本光谱反射率；
基于所述样本相关变量和所述样本相关变量对应的所述水体样本光谱反射率，生成所述水体光谱反射率预测模型的模型参数，获取所述水体光谱反射率预测模型。
5.湖泊水体光谱反射率检验装置，其特征在于，包括：
筛选模块，用于利用预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选；所述水体光谱反射率预测模型是基于水体参量样本数据、环境参量样本数据和对应的水体样本光谱反射率进行训练后得到的；所述实测水体光谱反射率是通过测量设备对待测水体进行抽样检测得到的光谱反射率；
检验模块，用于根据筛选后的实测水体光谱反射率对卫星反演算法进行检验和修正，使用修正后的卫星反演算法获取待测水体光谱反射率；
其中，所述利用预设的水体光谱反射率预测模型对实测水体光谱反射率进行筛选具体包括：
将目标相关变量输入至所述预设的水体光谱反射率预测模型，输出与所述目标相关变量对应的预测水体光谱反射率；
根据所述预测水体光谱反射率对实测水体光谱反射率进行筛选；
计算所述预测水体光谱反射率和所述实测水体光谱反射率之间的第一误差值；
从所述实测水体光谱反射率中删除所述第一误差值超过第一预设阈值的数据。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述湖泊水体光谱反射率检验方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述湖泊水体光谱反射率检验方法的步骤。
CN202010681966.1A 2020-07-15 2020-07-15 湖泊水体光谱反射率检验方法及装置 Active CN111879709B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010681966.1A CN111879709B (zh) 2020-07-15 2020-07-15 湖泊水体光谱反射率检验方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010681966.1A CN111879709B (zh) 2020-07-15 2020-07-15 湖泊水体光谱反射率检验方法及装置

Publications (2)

Publication Number Publication Date
CN111879709A CN111879709A (zh) 2020-11-03
CN111879709B true CN111879709B (zh) 2023-05-30

Family

ID=73155443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010681966.1A Active CN111879709B (zh) 2020-07-15 2020-07-15 湖泊水体光谱反射率检验方法及装置

Country Status (1)

Country Link
CN (1) CN111879709B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052153B (zh) * 2021-06-02 2021-09-17 航天宏图信息技术股份有限公司 遥感反射率影像的检验方法、装置、电子设备及存储介质
CN114511790B (zh) * 2022-02-11 2022-09-30 广东海启星海洋科技有限公司 基于光学卫星数据的海洋溢油事件监测实现方法及装置
CN117664874A (zh) * 2023-11-23 2024-03-08 中山大学 一种基于空天地结合的河口地区咸潮上溯监测方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005249602A (ja) * 2004-03-04 2005-09-15 Dainippon Screen Mfg Co Ltd 膜厚測定方法および装置
CN102346808A (zh) * 2011-06-08 2012-02-08 北京师范大学 一种从hj-1卫星数据反演lai的方法
JP2014064197A (ja) * 2012-09-21 2014-04-10 Toppan Printing Co Ltd 色予測装置、色予測方法およびプログラム
CN103760112A (zh) * 2014-01-23 2014-04-30 中国科学院南京地理与湖泊研究所 基于遥感的湖泊水体蓝藻丰度的估算方法
CN104820224A (zh) * 2015-05-08 2015-08-05 中国科学院南京地理与湖泊研究所 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法
CN105865424A (zh) * 2016-04-13 2016-08-17 中测新图(北京)遥感技术有限责任公司 一种基于非线性模型的多光谱遥感水深反演方法及装置
CN107014763A (zh) * 2017-04-07 2017-08-04 山东理工大学 叶绿素遥感反演装置及方法
CN107036974A (zh) * 2016-11-18 2017-08-11 中国水利水电科学研究院 基于确定性集合建模的水质参数多模型协同反演方法
CN107421895A (zh) * 2017-06-30 2017-12-01 中国水利水电科学研究院 一种多波段优化组合的水质参数浓度反演方法和装置
CN109342337A (zh) * 2018-12-19 2019-02-15 山东农业大学 一种重度盐渍土盐分获取方法、系统及装置
CN109635249A (zh) * 2019-01-09 2019-04-16 中国科学院遥感与数字地球研究所 水体浊度反演模型建立方法、水体浊度检测方法及装置
CN110865040A (zh) * 2019-11-29 2020-03-06 深圳航天智慧城市系统技术研究院有限公司 天空地一体化高光谱水质监测分析方法
CN111123382A (zh) * 2019-12-25 2020-05-08 中国科学院遥感与数字地球研究所 一种气溶胶和地表参数联合反演方法
CN111339665A (zh) * 2020-02-27 2020-06-26 中国科学院空天信息创新研究院 一种对流层臭氧廓线计算方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005249602A (ja) * 2004-03-04 2005-09-15 Dainippon Screen Mfg Co Ltd 膜厚測定方法および装置
CN102346808A (zh) * 2011-06-08 2012-02-08 北京师范大学 一种从hj-1卫星数据反演lai的方法
JP2014064197A (ja) * 2012-09-21 2014-04-10 Toppan Printing Co Ltd 色予測装置、色予測方法およびプログラム
CN103760112A (zh) * 2014-01-23 2014-04-30 中国科学院南京地理与湖泊研究所 基于遥感的湖泊水体蓝藻丰度的估算方法
CN104820224A (zh) * 2015-05-08 2015-08-05 中国科学院南京地理与湖泊研究所 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法
CN105865424A (zh) * 2016-04-13 2016-08-17 中测新图(北京)遥感技术有限责任公司 一种基于非线性模型的多光谱遥感水深反演方法及装置
CN107036974A (zh) * 2016-11-18 2017-08-11 中国水利水电科学研究院 基于确定性集合建模的水质参数多模型协同反演方法
CN107014763A (zh) * 2017-04-07 2017-08-04 山东理工大学 叶绿素遥感反演装置及方法
CN107421895A (zh) * 2017-06-30 2017-12-01 中国水利水电科学研究院 一种多波段优化组合的水质参数浓度反演方法和装置
CN109342337A (zh) * 2018-12-19 2019-02-15 山东农业大学 一种重度盐渍土盐分获取方法、系统及装置
CN109635249A (zh) * 2019-01-09 2019-04-16 中国科学院遥感与数字地球研究所 水体浊度反演模型建立方法、水体浊度检测方法及装置
CN110865040A (zh) * 2019-11-29 2020-03-06 深圳航天智慧城市系统技术研究院有限公司 天空地一体化高光谱水质监测分析方法
CN111123382A (zh) * 2019-12-25 2020-05-08 中国科学院遥感与数字地球研究所 一种气溶胶和地表参数联合反演方法
CN111339665A (zh) * 2020-02-27 2020-06-26 中国科学院空天信息创新研究院 一种对流层臭氧廓线计算方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Prediction Model of Water In Situ Data Change under the Influence of Environmental Variables in Remote Sensing Validation;Futai Xie etal.;《remote sensing》;1-19 *
Reliability of the estimation of vegetation characteristics by inversion of three canopy reflectance models on airborne POLDER data;Cédric BACOUR etal.;《Agronomie》;555-565 *
黄河三角洲土壤含水量状况的高光谱估测与遥感反演;李萍等;《土壤学报》;1262-1272 *

Also Published As

Publication number Publication date
CN111879709A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111879709B (zh) 湖泊水体光谱反射率检验方法及装置
CN107014763B (zh) 叶绿素遥感反演装置及方法
Mélin et al. Assessment of satellite ocean color products at a coastal site
CN116879297B (zh) 土壤水分协同反演的方法、装置、设备和介质
CN105486655A (zh) 基于红外光谱智能鉴定模型的土壤有机质快速检测方法
CN111879725B (zh) 一种基于权重系数的光谱数据修正方法
CN111879710A (zh) 钢结构涂层防腐性能评定方法、系统、服务器和存储介质
CN115690632A (zh) 一种内陆河流水体的水环境监测方法
CN109916831B (zh) 一种降低激光气体遥测仪数据误报率的方法和系统
CN111693487A (zh) 基于遗传算法和极限学习机的水果糖度检测方法及系统
CN113049500B (zh) 水质检测模型训练和水质检测方法、电子设备及存储介质
CN111898314B (zh) 湖泊水体参数检验方法、装置、电子设备及存储介质
CN114112941A (zh) 基于支持向量回归的航空高光谱水体富营养化评价方法
CN116911183A (zh) 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质
CN109709060B (zh) 一种沥青软化点、针入度和质量损失的测定方法
CN111896497A (zh) 一种基于预测值的光谱数据修正方法
Dionisi et al. Calibration of a multichannel water vapor Raman lidar through noncollocated operational soundings: optimization and characterization of accuracy and variability
CN113758885B (zh) 一种水体内叶绿体色素浓度的测算方法及其系统
CN116124716A (zh) 基于近感高光谱的水质监测方法及装置
CN115656063A (zh) 基于高光谱数据的目标污染物含量分析方法及装置
CN113096129B (zh) 高光谱卫星影像中的云量检测方法和装置
CN115389443A (zh) 红外高光谱大气探测仪噪声分析方法和装置
CN114674461A (zh) 海表温度的确定方法、装置及可读存储介质
D'Alimonte et al. A statistical index of bio-optical seawater types
Chen et al. Deriving remote sensing reflectance from turbid Case II waters using green-shortwave infrared bands based model

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