CN111967454A - 基于混合像元的绿潮覆盖比例提取模型确定方法及设备 - Google Patents
基于混合像元的绿潮覆盖比例提取模型确定方法及设备 Download PDFInfo
- Publication number
- CN111967454A CN111967454A CN202011143268.2A CN202011143268A CN111967454A CN 111967454 A CN111967454 A CN 111967454A CN 202011143268 A CN202011143268 A CN 202011143268A CN 111967454 A CN111967454 A CN 111967454A
- Authority
- CN
- China
- Prior art keywords
- green tide
- remote sensing
- determining
- sensing data
- pixel
- 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
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
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请适用于水环境遥感监测技术领域,提供了一种基于混合像元的绿潮覆盖比例提取模型确定方法及设备。该方法包括获取多个目标区域各自分别对应的样本真值;每个目标区域包含有水体和绿潮,样本真值为每个目标区域中绿潮覆盖比例的真值;获取第一卫星传感器的多个第一遥感数据;多个第一遥感数据与多个目标区域一一对应;根据多个第一遥感数据确定多个目标区域各自分别对应的反射指数集;根据多个目标区域各自分别对应的样本真值与多个目标区域各自分别对应的反射指数集,确定与第一卫星传感器对应的绿潮覆盖比例提取模型,通过该绿潮覆盖比例提取模型可降低基于中低分辨率卫星确定绿潮覆盖比例的误差。
Description
技术领域
本申请属于水环境遥感监测技术领域,尤其涉及一种基于混合像元的绿潮覆盖比例提取模型确定方法及设备。
背景技术
绿潮是在特定的环境条件下,海水中某些大型绿藻(如浒苔)爆发性增殖或高度聚集而引起水体变色的一种有害生态现象。绿潮监测是海洋生态系统管理中的重要一环。
目前,卫星遥感监测被广泛的应用在绿潮监测上,其通过准同步的、不同空间分辨率的卫星传感器采集卫星影像,并基于面向对象的图像分割分类技术等方法解译绿潮分布,实现对绿潮的大范围、多频次动态监视,为及时处置绿潮灾害提供决策支持。
当前中低空间分辨率的遥感卫星的覆盖范围广,时间分辨率高,可以更加及时的监测绿潮的爆发,但是由于混合像元问题,中低空间分辨率的遥感卫星在绿潮探测时,少部分含绿潮的混合像元被忽略,而大部分包含绿藻的混合像元会被确认为纯绿潮像元,使得监测的绿潮覆盖比例会被高估很多,导致现有技术中基于中低空间分辨率的卫星遥感技术提取的混合像元下的绿潮覆盖比例误差较大。
发明内容
有鉴于此,本申请实施例提供了一种基于混合像元的绿潮覆盖比例提取模型确定方法及设备,以解决现有基于中低空间分辨率卫星遥感技术提取的混合像元下绿潮覆盖比例误差较大的问题。
第一方面,本申请实施例提供了一种基于混合像元的绿潮覆盖比例提取模型确定方法,包括:
获取多个目标区域各自分别对应的样本真值;每个目标区域包含有水体和绿潮,样本真值为每个目标区域中绿潮覆盖比例的真值;
获取第一卫星传感器的多个第一遥感数据;多个第一遥感数据与多个目标区域一一对应;
根据多个第一遥感数据确定多个目标区域各自分别对应的反射指数集,每个反射指数集包括多个反射指数,每个反射指数用于表征一个像元中绿潮覆盖比例的提取值;
根据多个目标区域各自分别对应的样本真值,以及多个目标区域各自分别对应的反射指数集,确定与第一卫星传感器对应的绿潮覆盖比例提取模型。
在第一方面的一种可能实现方式中,获取多个目标区域各自分别对应的样本真值,包括:
获取第二卫星传感器的多个第二遥感数据,第二卫星传感器的空间分辨率高于第一卫星传感器的空间分辨率;多个第二遥感数据与多个目标区域一一对应;
根据每个第二遥感数据确定与其对应的目标区域的样本真值。
在第一方面的一种可能实现方式中,根据每个所述第二遥感数据确定与其对应的目标区域的样本真值,包括:
根据候选第二遥感数据,确定与候选第二遥感数据对应的目标区域的彩色合成图,以及候选第二遥感数据包含的每个像元的归一化植被指数;候选第二遥感数据为多个第二遥感数据中的任一个;彩色合成图包含目标区域的绿潮分布信息;
根据第一阈值以及每个像元的归一化植被指数,确定每个像元的类型,类型为混合像元或纯水像元,混合像元表征的对象同时包含水体和绿潮;
根据每个像元的类型,生成候选第二遥感数据对应的目标区域的提取结果图,提取结果图中包含目标区域中的绿潮分布信息;
将提取结果图与所述彩色合成图进行比对,并根据比对结果对第一阈值进行更新,获得第二阈值;
基于第二阈值更新提取结果图,生成更新后的提取结果图;更新后的提取结果图中绿潮分布信息与彩色合成图中绿潮分布信息一致;
根据更新后的提取结果图确定候选第二遥感数据对应的目标区域的样本真值。
在第一方面的一种可能实现方式中,根据多个目标区域各自分别对应的样本真值,以及多个目标区域各自分别对应的反射指数,确定与第一卫星传感器对应的绿潮覆盖比例提取模型,包括:
针对多个目标区域中每个目标区域,根据目标区域的样本真值,确定第一卫星传感器在目标区域上包含的多个像元的绿潮覆盖比例;
根据目标区域的反射指数集和多个像元的绿潮覆盖比例,生成目标区域的多个样本数组;
对多个目标区域的所有像元的样本数组进行拟合处理,生成反射指数与绿潮覆盖比例之间的相关关系;
根据相关关系确定与第一卫星传感器对应的绿潮覆盖比例提取模型。
在第一方面的一种可能实现方式中,反射指数包括归一化植被指数。
第二方面,本申请实施例提供了一种绿潮覆盖比例确定方法,方法包括:
获取第一遥感卫星在待测试区域的多个第三遥感数据;多个第三遥感数据与多个时间点一一对应,多个时间点之间的持续时间大于第三阈值;
根据多个第三遥感数据,确定待测试区域包含的多个像元的反射指数;
将多个像元的反射指数输入第一遥感卫星的绿潮覆盖比例提取模型,获得对应的多个绿潮覆盖比例;绿潮覆盖比例提取模型为基于上述第一方面任一项方法确定的模型;
根据多个绿潮覆盖比例,确定待测试区域的绿潮覆盖比例的变化趋势。
第三方面,本申请实施例提供了一种基于混合像元的绿潮覆盖比例提取模型确定装置,包括:
真值获取模块,用于获取多个目标区域各自分别对应的样本真值;每个目标区域包含有水体和绿潮,样本真值为每个目标区域中绿潮覆盖比例的真值;
第一数据获取模块,用于获取第一卫星传感器的多个第一遥感数据;多个第一遥感数据与多个目标区域一一对应;
第一指数确定模块,用于根据多个第一遥感数据确定多个目标区域各自分别对应的反射指数集,每个反射指数集包括多个反射指数,每个反射指数用于表征一个像元中绿潮覆盖比例的提取值;
模型确定模块,用于根据多个目标区域各自分别对应的样本真值,以及多个目标区域各自分别对应的反射指数集,确定与第一卫星传感器对应的绿潮覆盖比例提取模型。
第四方面,本申请实施例提供了一种绿潮覆盖比例确定装置,包括:
第二数据获取模块,用于获取第一遥感卫星在待测试区域的多个第三遥感数据;多个第三遥感数据与多个时间点一一对应,多个时间点的持续时间大于第三阈值;
第二指数确定模块,用于根据多个第三遥感数据,确定待测试区域包含的多个像元的反射指数;
覆盖比例确定模块,用于将多个像元的反射指数输入第一遥感卫星的绿潮覆盖比例提取模型,获得对应的多个绿潮覆盖比例;绿潮覆盖比例提取模型为基于上述第一方面任一项方法确定的模型;
趋势确定模块,用于根据多个绿潮覆盖比例,确定待测试区域的绿潮覆盖比例的变化趋势。
第五方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述第一方面任一项方法的步骤,或者实现上述第二方面任一项方法的步骤。
第六方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一项方法的步骤,或者实现上述第二方面方法的步骤。
第七方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项的方法,或者执行上述第二方面的方法。
本申请实施例提供的基于混合像元的绿潮覆盖比例提取模型确定方法,根据多个目标区域各自分别对应的样本真值与多个目标区域各自分别对应的反射指数集,确定与第一卫星传感器对应的绿潮覆盖比例提取模型。由于样本真值为每个目标区域中绿潮覆盖比例的真值,故可以基于该绿潮覆盖比例提取模型,对基于第一卫星传感器的获得的绿潮覆盖比例的提取值进行修正,进而确定待检测区域多个绿潮覆盖比例。通过绿潮覆盖比例提取模型对现有技术中基于中低分辨率卫星的遥感数据提取的绿潮覆盖比例的提取值进行修正,极大地降低中低分辨率卫星的遥感检测绿潮覆盖比例的误差,从而可以根据中低分辨率卫星的遥感检测数据直接预估获得待测试区域中绿潮覆盖比例。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请一实施例提供的基于混合像元的绿潮覆盖比例提取模型确定方法的流程示意图;
图2为本申请一实施例提供的确定目标区域的样本真值的流程示意图;
图3为本申请另一实施例提供的确定目标区域的样本真值的流程示意图;
图4为本申请一实施例提供的确定绿潮覆盖比例提取模型的流程示意图;
图5为本申请一实施例提供的反射指数与绿潮覆盖比例之间的相关关系示意图;
图6为本申请一实施例提供的绿潮覆盖比例确定方法的流程示意图;
图7为本申请一实施例提供的基于混合像元的绿潮覆盖比例提取模型确定装置的结构示意图;
图8为本申请一实施例提供的绿潮覆盖比例确定装置的结构示意图;
图9是本申请一实施例提供的终端设备的示意图;
图10是本申请另一实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
在卫星遥感技术领域,混合像元是指同时包含绿潮藻体和海水的像元。研究表明当一个像元在绿潮藻体和海水之间混合时(即为混合像元时),该像元的光谱识别能力下降,导致少部分含绿潮的混合像元被忽略,而大部分包含绿藻的混合像元会被确认为纯绿潮像元,使得监测的绿潮覆盖比例会被高估很多。尤其是中低空间分辨率的遥感卫星,基于混合像元提取的绿潮覆盖比例的误差较大。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行示例性说明。值得说明的是,下文中列举的具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本申请一实施例提供的基于混合像元的绿潮覆盖比例提取模型确定方法的流程示意图。如图1所示,上述基于混合像元的绿潮覆盖比例提取模型确定方法包括:
S10、获取多个目标区域各自分别对应的样本真值;每个目标区域包含有水体和绿潮,样本真值为每个目标区域中绿潮覆盖比例的真值。
本实施例中,目标区域可以是指绿潮频繁爆发的区域,例如黄海区域。
其中,多个目标区域中绿潮覆盖比例可以不同,多个目标区域的面积可以不同。
本实施例中,可以根据实测光谱特征确定多个目标区域各自分别对应的样本真值;也可以根据高空间分辨率的卫星遥感数据,获取多个目标区域各自分别对应的样本真值;还可以通过其他方式获得多个目标区域各自分别对应的样本真值,在此不做限定。
一种示例中,获取多个目标区域各自分别对应的样本真值可以是指,根据光谱测试设备检测获得目标区域的光谱特性,根据检测获得光谱特性计算获得目标区域的绿潮覆盖比例的真值。
其中,光谱测量设备可以是指地物光谱仪(Analytica Spectra Devices,ASD)。
又一种示例中,获取多个目标区域各自分别对应的样本真值可以是指,获取高空间分辨率的卫星在目标区域的遥感数据,得到目标区域对应的多个像元的光谱信息;根据该光谱信息确定多个像元中的包含绿潮的混合像元,从而根据该多个包含绿潮的混合像元确定目标区域的绿潮覆盖比例的真值。
其中,空间分辨率可以是指能被卫星传感器识别的单一地物或两个相邻地物间的最小尺寸。空间分辨率越高,则获得的遥感图像包含的地物形态信息就越丰富,能识别的目标就越小。
示例性地,高空间分辨率的卫星传感器可以是指空间分辨率小于或等于30m的卫星传感器。
S20、获取第一卫星传感器的多个第一遥感数据;多个第一遥感数据与多个目标区域一一对应。
本实施例中,第一卫星传感器可以是用于海洋水色监测的静止轨道卫星传感器。例如GOCI(Geostationary Ocean Color Imager,地球静止海洋水色成像仪)卫星传感器。
其中,GOCI卫星传感器的空间分辨率为500m。其覆盖范围广,时间分辨率高,可以更加及时的监测绿潮的爆发。
示例性地,GOCI卫星传感器的波段设置以及相关用途可以参见表1。
表1 GOCI的波段设置及相关用途
波段号 | 中心波长(nm) | 波段宽度(nm) | 主要功能 |
1 | 412 | 20 | 黄色物质和浑浊度探测 |
2 | 443 | 20 | 叶绿素的吸收峰探测 |
3 | 490 | 20 | 叶绿素和其他色素探测 |
4 | 555 | 20 | 浑浊度、悬浮物探测 |
5 | 660 | 20 | 荧光信号基线波段,叶绿素、悬浮物探测 |
6 | 680 | 10 | 大气校正和荧光信号 |
7 | 745 | 20 | 大气校正和荧光信号的基线波段 |
8 | 865 | 40 | 气溶胶光学厚度、植被、水汽探测 |
其中,GOCI卫星传感器共有6个可见光波段和两个近红外波段,由于绿潮的光谱反射率和海水的最大不同在近红外波段,本实施例中,第一遥感数据可以是指在近红外波段的遥感数据,例如第6波段和第7波段的遥感数据。
S30、根据多个第一遥感数据确定多个目标区域各自分别对应的反射指数集,每个反射指数集包括多个反射指数,每个反射指数用于表征一个像元中绿潮覆盖比例的提取值。
本实施例中,目标区域对应的反射指数集可以是指目标区域包含的多个像元中各自分别对应的反射指数的集合。
其中,目标区域包含的多个像元可以由第一卫星传感器的空间分辨率以及目标区域的面积确定。
例如,针对某一目标区域,GOCI卫星传感器一共有143*178个像元,则目标区域对应的反射指数可以是指该143*178个像元各自分别对应的反射指数的集合。
本实施例中,反射指数包括归一化植被指数(Normalized DifferenceVegetation Index ,NDVI)。
其中,归一化植被指数的计算公式可以参考式(1)
NDVI (i,j) =(ρ NIR(i,j) -ρ RED(i,j) )/ (ρ NIR(i,j) +ρ RED(i,j) )(1)
其中,NDVI (i,j) 是指第一卫星传感器中第(i,j)位置像元的归一化植被指数,ρ NIR(i,j) 表示第一卫星传感器中第(i,j)位置像元的近红外波段反射率值,ρ RED(i,j) 表示第一卫星传感器第(i,j)位置像元的红光波段反射率值。
本实施例中,像元的类型可以为纯水像元或者混合像元,其中混合像元可以是指同时包含绿潮藻体和海水的像元,纯水像元可以是指仅包含海水的像元.
S40、根据上述多个目标区域各自分别对应的样本真值,以及上述多个目标区域各自分别对应的反射指数集,确定与第一卫星传感器对应的绿潮覆盖比例提取模型。
本实施例中,可以根据多个目标区域包含的所有像元的绿潮覆盖比例以及所有像元的反射指数进行拟合,生成绿潮覆盖比例与反射指数之间的相关关系。从而根据上述相关关系确定第一卫星传感器对应的绿潮覆盖比例提取模型。
其中,每个像元的绿潮覆盖比例可以根据其所属目标区域对应的样本真值确定。
例如,可以对目标区域的样本真值进行降分辨率的重采样处理,从而确定目标区域包含的多个像元中各自分别对应的绿潮覆盖比例。
本实施例中,与第一卫星传感器对应的绿潮覆盖比例提取模型的输入为基于第一卫星传感器确定的任意像元的反射指数,输出为该像元的绿潮覆盖比例。
本实施例中,在获得绿潮覆盖比例提取模型之后,可以根据该绿潮覆盖比例提取模型获取待测试区域中多个像元的绿潮覆盖比例,进而根据多个像元的绿潮覆盖比例确定待测试区域的绿潮覆盖比例。
本申请实施例提供的基于混合像元的绿潮覆盖比例提取模型确定方法,根据多个目标区域各自分别对应的样本真值与多个目标区域各自分别对应的反射指数集,确定与第一卫星传感器对应的绿潮覆盖比例提取模型,由于样本真值为每个目标区域中绿潮覆盖比例的真值,故可以基于该绿潮覆盖比例提取模型,对基于第一卫星传感器的获得的绿潮覆盖比例的提取值进行修正,进而确定待检测区域多个绿潮覆盖比例。通过绿潮覆盖比例提取模型对现有技术中基于中低分辨率卫星的遥感数据提取的绿潮覆盖比例的提取值进行修正,极大地降低了中低分辨率卫星的遥感检测绿潮覆盖比例的误差,从而可以根据中低分辨率卫星的遥感检测数据直接预估获得待测试区域中绿潮覆盖比例。
实际应用中,若目标区域为大面积的海洋区域,基于光谱测试设备检测获得目标区域的光谱特性的难度较大,故通常需要基于高空间分辨率的卫星在目标区域的遥感数据确定目标中绿潮的真实覆盖面积,以及绿潮覆盖比例的真值,下面通过图2和图3的实施例进行示例性的说明。
图2为本申请一实施例提供的确定目标区域的样本真值的流程示意图。图2实施例描述了图1实施例中S10的一种可能的实施方式。如图2所示,获取多个目标区域各自分别对应的样本真值,包括:
S101、获取第二卫星传感器的多个第二遥感数据,第二卫星传感器的空间分辨率高于第一卫星传感器的空间分辨率;多个第二遥感数据与多个目标区域一一对应。
由于空间分辨率是影响绿潮提取面积准确度的重要因素,空间分辨率越高,则绿潮覆盖比例的提取值的准确度越高。基于此,本实施例中,第二卫星传感器的空间分辨率高于第一卫星传感器的空间分辨率。
其中,第二卫星传感器的空间分辨率越高,则基于第二卫星传感器获取的样本真值的可靠性越高。
例如,第二卫星传感器可以为空间分辨率小于或等于30m的高空间分辨率的卫星传感器,例如Landsat-8卫星,Landsat-8的空间分辨率为30m。
本实施例,第二遥感数据可以根据第二卫星传感器位于目标区域上空时采集获得的遥感数据。第二遥感数据可以包括在近红外波段的遥感数据。
S102、根据每个第二遥感数据确定与其对应的目标区域的样本真值。
第二卫星传感器在接收目标区域对应的第二遥感数据过程中,目标区域辐射出的电磁辐射经过大气层,由于大气层中存在多种气体以及气溶胶,目标区域的辐射能量因为大气衰减作用而降低,同时太阳和卫星等外部因素也会产生干扰信号。因此可以先对卫星传感器接收到的卫星遥感图像进行大气校正处理,目的在于去除干扰信号,提取出有效的目标区域的辐射信息。
本实施例中,在根据每个第二遥感数据确定与其对应的目标区域的样本真值之前,可以先对第二遥感数据进行预处理,预处理可以是指大气校正处理。
其中,大气校正的方法可以包括快速大气校正法、黑暗像元法,在此不做具体限定。
本实施例中,根据每个第二遥感数据确定与其对应的目标区域的样本真值可以是指,首先根据第二遥感数据获取目标区域包含的多个像元的绿潮覆盖比例的提取值,通过包含目标区域图像对该提取值进行校正处理,确定目标区域包含的多个像元的绿潮覆盖比例,根据目标区域包含的多个像元的绿潮覆盖比例,确定目标区域的样本真值。下面通过图3的实施例进行示例性的描述。
图3为本申请另一实施例提供的确定目标区域的样本真值的流程示意图。图3实施例描述了图2实施例中S102的一种可能的实施方式。如图3所示,根据每个第二遥感数据确定与其对应的目标区域的样本真值,包括:
S1021、根据候选第二遥感数据,确定与候选第二遥感数据对应的目标区域的彩色合成图,以及候选第二遥感数据包含的每个像元的归一化植被指数;候选第二遥感数据为多个第二遥感数据中的任一个。
本实施例中,彩色合成图包含目标区域的绿潮分布信息。
其中,彩色合成图可以是指RGB彩色图像,可以根据第二卫星传感器红色、绿色以及蓝色三个波段的遥感图像合成获得上述RGB彩色图像。
其中,RGB彩色图像包含了目标区域的绿潮分布信息。例如目标区域内绿潮的位置和面积,以及海水的位置和面积。
本实施例中,由于第二卫星传感器的空间分辨率高于第一卫星传感器的空间分辨率。因此针对某一目标区域,对应该目标区域的第二遥感数据中包含的像元的个数大于对应该目标区域的第一遥感数据中包含的像元的个数。
例如,第一卫星传感器为空间分辨率为500m的GOCI卫星传感器,第二卫星传感器为空间分辨率为30m的Landsat-8卫星传感器,则第二卫星传感器的空间分辨率约为第一卫星传感器为空间分辨率的17*17倍。
相应的,在目标区域中,GOCI卫星传感器的有m*n个像元,则对应的Landsat-8卫星传感器在目标区域中的像元个数约为17m*17n个像元,
示例性地,针对某一目标区域,GOCI卫星传感器一共有143*178个像元,而对应的Landsat 8包含有2368*2963个像元。相应的,确定候选第二遥感数据包含的每个像元的归一化植被指数,可以是指确定对应该目标区域的第二遥感数据中包含的2368*2963个像元的归一化植被指数。
其中,确定上述每个像元的归一化植被指数的实施方式与图1实施例中确定目标区域包含的多个像元各自分别对应的反射指数的实施方式相同,在此不再赘述。
S1022、根据第一阈值以及每个像元的归一化植被指数,确定每个像元的类型,类型为混合像元或纯水像元,混合像元表征的对象同时包含水体和绿潮。
本实施例中,第一阈值为可调整的预设值。
本实施例中,根据第一阈值以及每个像元的归一化植被指数,确定每个像元的类型可以是指,针对每个像元,判断该像元的归一化植被指数是否大于或等于第一阈值。若该像元的归一化植被指数大于或等于第一阈值,则确定该像元为混合像元;若该像元的归一化植被指数小于第一阈值,则确定该像元为纯水像元。
S1023、根据每个像元的类型,生成候选第二遥感数据对应的目标区域的提取结果图,提取结果图中包含目标区域中的绿潮分布信息。
本实施例中,提取结果图可以是指包含了目标区域的绿潮分布信息,和/或海水分布信息的图像。
其中,提取结果图中绿潮和海水区域之间可以通过边界线进行区分。
本实施例中,根据每个像元的类型,生成候选第二遥感数据对应的目标区域的提取结果图,可以是指针对第二遥感数据包含每个像元,将像元类型为混合像元的像元表征的对象标记为绿潮,将像元类型为纯水像元的像元表征的对象标记为纯水,生成目标区域的提取结果图。
S1024、将提取结果图与彩色合成图进行比对,并根据比对结果对第一阈值进行更新,获得第二阈值。
本实施例中,将提取结果图与彩色合成图进行比对可以是指,基于目视解译法对提取结果图与彩色合成图进行比对,判断提取结果图中的绿潮分布信息与彩色合成图中的绿潮分布信息的匹配度,在匹配度不满足预设要求时,则对第一阈值进行更新,获得第二阈值。
其中,匹配度不满足预设要求,可以是指提取结果图中的绿潮面积与彩色合成图的绿潮面积比值大于第一预设值,或者提取结果图中的绿潮面积与彩色合成图的绿潮面积比值小于第二预设值,其中第二预设值小于第一预设值。
其中,则对第一阈值进行更新,获得第二阈值可以是指,在提取结果图中的绿潮面积与彩色合成图的绿潮面积比值大于第一预设值的情况下,增大第一阈值获得第二阈值,直至根据第二阈值更新或的提取结果图中绿潮面积与彩色合成图的绿潮面积的匹配度满足预设要求。
相应的,在提取结果图中的绿潮面积与彩色合成图的绿潮面积比值小于第一预设值的情况下,减小第一阈值,获得第二阈值,直至根据第二阈值更新或的提取结果图中绿潮面积与彩色合成图的绿潮面积的匹配度满足预设要求。
S1025、基于第二阈值更新提取结果图,生成更新后的提取结果图,更新后的提取结果图中绿潮分布信息与彩色合成图中绿潮分布信息一致。
本实施例中,更新后的提取结果图中绿潮的面积信息与彩色合成图中绿潮分布信息一致可以是指,更新后的提取结果图中绿潮分布信息与彩色合成图中的绿潮分布信息的匹配度大于第二预设阈值,小于第一预设阈值。
S1026、根据更新后的提取结果图确定候选第二遥感数据对应的目标区域的样本真值。
本实施例中,可以根据更新后的提取结果图中目标区域的绿潮分布信息确定对应的样本真值。
本实施例中,根据更新后的提取结果图,确定目标区域的样本真值,可以是指,根据更新后的提取结果图,识别第二卫星传感器包含的绿潮像元,计算获得绿潮像元在上述所有像元中的比例,并将该比例值确定为第二卫星传感器在目标区域中绿潮覆盖比例的真值,即目标区域的样本真值。
其中,绿潮像元表征该像元表征的对象是绿潮。识别第二卫星传感器包含的绿潮像元,可以是指计算第二卫星传感器在目标区域包含的每个像元的归一化植被指数,将归一化植被指数大于第三预设阈值的像元确定为绿潮像元。
图4为本申请一实施例提供的确定绿潮覆盖比例提取模型的流程示意图,描述了图1实施例中S40的一种可能的实施方式。如图4所示,确定与第一卫星传感器对应的绿潮覆盖比例提取模型,包括:
S401、针对多个目标区域中每个目标区域,根据目标区域的样本真值,确定第一卫星传感器在目标区域上包含的多个像元的绿潮覆盖比例。
本实施例中,目标区域的样本真值可以为根据第二卫星传感器的第二遥感数据确定的样本真值。
由图3实施例可知,确定目标区域的样本真值之前,可以将第二卫星传感器在目标区域包含有所有的像元划分为混合像元和纯水像元。
然后根据第二卫星传感器在目标区域上包含有所有的像元的类型,确定第一卫星传感器在目标区域包含的所有像元的绿潮覆盖比例。
其中,第二卫星传感器在目标区域上包含的像元的个数大于第一卫星传感器在目标区域上包含的像元的个数。可以根据第二卫星传感器和第一卫星传感器的空间分辨率的比值,对第二卫星传感器在目标区域上包含的所有像元进行矩阵分割,获得与第一卫星传感器在目标区域上包含的像元一一对应的小矩阵,然后确定每个小矩阵的绿潮覆盖比例,将每个小矩阵的绿潮覆盖比例,确定为该小矩阵对应的第一卫星传感器像元的绿潮覆盖比例。
例如,针对某一目标区域,第一卫星传感器为GOCI卫星传感器,GOCI卫星传感器一共有143*178个像元,而对应的Landsat 8包含有2368*2963个像元,则对Landsat 8包含有2368*2963个像元进行矩阵分割,分割成17*17(或者16*17)的小矩阵,使得小矩阵的总数为143x178,然后确定每个小矩阵的绿潮覆盖比例,将每个小矩阵的绿潮覆盖比例,确定为该小矩阵对应的第一卫星传感器像元的绿潮覆盖比例。
示例性地,GOCI卫星传感器的1个像元对应于Landsat8的17*17=289像元,如果该289个像元中有100个像元表征的对象为绿潮,则该一个GOCI像元的绿潮覆盖比例为100/289=34.6%。
S402、根据目标区域的反射指数集和多个像元的绿潮覆盖比例,生成目标区域的多个样本数组。
其中,每个样本数据包括了一个像元的反射指数和该像元的绿潮覆盖比例。
例如,针对某一目标区域,GOCI卫星传感器一共有143*178个像元,每个像元对应一个反射指数和一个绿潮覆盖比例,则可以获得143*178个样本数组。
S403、对多个目标区域的所有像元的样本数组进行拟合处理,生成反射指数与绿潮覆盖比例之间的相关关系。
本实施例中,多个像元可以是指多个目标区域的所有像元。其中,每个目标区域的像元均可以根据第一卫星传感器在目标区域的像元的个数确定。
本实施例中,反射指数和绿潮覆盖比例之间的相关关系可以表征为线性函数。
本实施例中的拟合处理可以是指最小二乘拟合法。
示例性的,请一并参阅图5,图5为本申请一实施例提供的反射指数与绿潮覆盖比例之间的相关关系示意图。如图5所示,反射指数与绿潮覆盖比例之间的相关关系为线性关系,可以表示为式(2);
S=0.9586*x-0.04561 (2)
其中,S为像元的绿潮覆盖比例,x表示像元的反射指数,本示例中,x可以是指像元的归一化植被指数。
S404、根据相关关系确定与第一卫星传感器对应的绿潮覆盖比例提取模型。
本实施例中,在生成反射指数与绿潮覆盖比例之间的相关关系后,根据该相关关系确定与第一卫星传感器对应的绿潮覆盖比例提取模型,其中绿潮覆盖比例提取模型的输入为像元的归一化植被指数,输出为像元的绿潮覆盖比例。
本实施例中,在获得绿潮覆盖比例提取模型之后,可以根据该绿潮覆盖比例提取模型获取待测试区域中多个像元的绿潮覆盖比例,进而根据多个像元的绿潮覆盖比例确定待测试区域的绿潮覆盖比例。
本实施例中,通过绿潮覆盖比例提取模型对现有技术中基于中低分辨率卫星的遥感数据提取的绿潮覆盖比例进行修正,极大地降低了中低分辨率卫星的遥感检测绿潮覆盖比例的误差,从而可以根据中低分辨率卫星的遥感检测数据直接预估获得混合像元中绿潮覆盖比例的真值。
图6为本申请一实施例提供的绿潮覆盖比例确定方法的流程示意图,如图6所示,上述绿潮覆盖比例确定方法包括:
S501、获取第一遥感卫星在待测试区域的多个第三遥感数据;多个第三遥感数据与多个时间点一一对应,多个时间点之间的持续时间大于第三阈值。
本实施例中,待测试区域可以为与图1实施例中的目标区域位于同一海域的其他区域。
本实施例中,第一遥感卫星与图1实施例中第一遥感卫星相同,例如均为GOCI卫星传感器。
本实施例中,获取第一遥感卫星在待测试区域的多个第三遥感数据,可以是指在第一遥感卫星在不同时间点经过待测试区域上空时,获取的多个第三遥感数据。
其中,第三遥感数据可以是指近红外波段的遥感数据。
本实施例中,多个时间点之间的持续时间大于第三阈值可以是指,多个时间点中最晚时刻与最早时刻之间的时间长度大于第三阈值。
S502、根据多个第三遥感数据,确定待测试区域包含的多个像元的反射指数。
本实施例中,根据第三遥感数据确定待测试区域包含的多个像元的反射指数的方法与图1实施例中,根据第一遥感数据确定目标区域的包含的多个像元各自分别对应的反射指数的方法相同,在此不再赘述。
S503、将多个像元的反射指数输入第一遥感卫星的绿潮覆盖比例提取模型,获得对应的多个绿潮覆盖比例。
本实施例中,第一遥感卫星的绿潮覆盖比例提取模型可以为图1至图4任一实施例中方法确定的绿潮覆盖比例提取模型。
本实施例中,每个反射指数输入第一遥感卫星的绿潮覆盖比例提取模型后,对应获得一个绿潮覆盖比例。
多个绿潮覆盖比例表征了待测试区域在不同的时间点上的绿潮覆盖比例。
S504、根据多个绿潮覆盖比例,确定待测试区域的绿潮覆盖比例的变化趋势。
本实施例中,待测试区域的绿潮覆盖比例变化趋势可以通过绿潮覆盖比例变化曲线表示。
其中,确定待测试区域的绿潮覆盖比例的变化趋势可以是指按照多个时间点的时间早晚顺序排序,将相邻的两个时间点对应的绿潮覆盖比例进行连线,获得待测试区域在多个时间点上的绿潮覆盖比例的变化曲线。
本申请实施例提供的绿潮覆盖比例确定方法中的绿潮覆盖比例提取模型为图1至图4实施例中的绿潮覆盖比例提取模型,根据该绿潮覆盖比例提取模型确定待预测区域在多个时间点的绿潮覆盖比例,进而获得待预测区域长时序的绿潮覆盖比例的变化趋势,以根据该趋势对待预测区域内的绿潮及时进行处理,预防绿潮在待预测区域的大面积爆发。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
基于上述实施例所提供的基于混合像元的绿潮覆盖比例提取模型确定方法,本发明实施例进一步给出实现上述方法实施例的装置实施例。
图7为本申请一实施例提供的基于混合像元的绿潮覆盖比例提取模型确定装置的结构示意图。如图7所示,基于混合像元的绿潮覆盖比例提取模型确定装置70包括真值获取模块701、第一数据获取模块702、第一指数确定模块703以及模型确定模块704。
真值获取模块701,用于获取多个目标区域各自分别对应的样本真值;每个目标区域包含有水体和绿潮,样本真值为每个目标区域中绿潮覆盖比例的真值;
第一数据获取模块702,用于获取第一卫星传感器的多个第一遥感数据;多个第一遥感数据与多个目标区域一一对应;
第一指数确定模块703,用于根据多个第一遥感数据确定多个目标区域各自分别对应的反射指数集,每个反射指数集包括多个反射指数,每个反射指数用于表征一个像元中绿潮覆盖比例的提取值;
模型确定模块704,用于根据多个目标区域各自分别对应的样本真值,以及多个目标区域各自分别对应的反射指数集,确定与第一卫星传感器对应的绿潮覆盖比例提取模型。
可选地,真值获取模块701获取多个目标区域各自分别对应的样本真值,具体可以包括:获取第二卫星传感器的多个第二遥感数据,第二卫星传感器的空间分辨率高于第一卫星传感器的空间分辨率;多个第二遥感数据与多个目标区域一一对应;根据每个第二遥感数据确定与其对应的目标区域的样本真值。
可选地,真值获取模块701根据每个所述第二遥感数据确定与其对应的目标区域的样本真值,具体可以包括:
根据候选第二遥感数据,确定与候选第二遥感数据对应的目标区域的彩色合成图,以及候选第二遥感数据包含的每个像元的归一化植被指数;候选第二遥感数据为多个第二遥感数据中的任一个;彩色合成图包含目标区域的绿潮分布信息;
根据第一阈值以及每个像元的归一化植被指数,确定每个像元的类型,类型为混合像元或纯水像元,混合像元表征的对象同时包含水体和绿潮;
根据每个像元的类型,生成候选第二遥感数据对应的目标区域的提取结果图,提取结果图中包含目标区域中的绿潮分布信息;
将提取结果图与所述彩色合成图进行比对,并根据比对结果对第一阈值进行更新,获得第二阈值;
基于第二阈值更新提取结果图,生成更新后的提取结果图;更新后的提取结果图中绿潮分布信息与彩色合成图中绿潮分布信息一致;
根据更新后的提取结果图确定候选第二遥感数据对应的目标区域的样本真值。
可选地,模型确定模块704根据多个目标区域各自分别对应的样本真值,以及多个目标区域各自分别对应的反射指数,确定与第一卫星传感器对应的绿潮覆盖比例提取模型,具体可以包括:
针对多个目标区域中每个目标区域,根据目标区域的样本真值,确定第一卫星传感器在目标区域上包含的多个像元的绿潮覆盖比例;
根据目标区域的反射指数集和多个像元的绿潮覆盖比例,生成目标区域的多个样本数组;
对多个目标区域的所有像元的样本数组进行拟合处理,生成反射指数与绿潮覆盖比例之间的相关关系;
根据相关关系确定与第一卫星传感器对应的绿潮覆盖比例提取模型。
可选地,反射指数包括归一化植被指数。
图7所示实施例提供的基于混合像元的绿潮覆盖比例提取模型确定装置,可用于执行上述图1至图4方法实施例中的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图8为本申请一实施例提供的绿潮覆盖比例确定装置的结构示意图。如图8所示,绿潮覆盖比例确定装置80包括第二数据获取模块801、第二指数确定模块802、覆盖比例确定模块803以及趋势确定模块804;其中:
第二数据获取模块801,用于获取第一遥感卫星在待测试区域的多个第三遥感数据;多个第三遥感数据与多个时间点一一对应,多个时间点之间的持续时间大于第三阈值;
第二指数确定模块802,用于根据多个第三遥感数据,确定待测试区域包含的多个像元的反射指数;
覆盖比例确定模块803,用于将多个像元的反射指数输入第一遥感卫星的绿潮覆盖比例提取模型,获得对应的多个绿潮覆盖比例;绿潮覆盖比例提取模型为基于图7中装置确定的模型;
趋势确定模块804,用于根据多个绿潮覆盖比例,确定待测试区域的绿潮覆盖比例的变化趋势。
图8所示实施例提供的绿潮覆盖比例确定装置,可用于执行上述图6方法实施例中的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图9是本申请一实施例提供的终端设备的示意图。如图9所示,该实施例的终端设备90包括:至少一个第一处理器901、第一存储器902以及存储在所述第一存储器902中并可在所述第一处理器901上运行的计算机程序。终端设备设备还包括第一通信部件903,其中,第一处理器901、第一存储器902以及第一通信部件903通过第一总线904连接。
第一处理器901执行所述计算机程序时实现上述各个基于混合像元的绿潮覆盖比例提取模型确定方法实施例中的步骤,例如图1所示实施例中的步骤S10至步骤S40。或者,第一处理器901执行计算机程序时实现上述基于混合像元的绿潮覆盖比例提取模型确定装置实施例中各模块/单元的功能,例如图7所示模块701至704的功能。
图10是本申请另一实施例提供的终端设备的示意图。如图10所示,该实施例的终端设备100包括:至少一个第二处理器1001、第二存储器902以及存储在第二存储器1002中并可在所述第二处理器1001上运行的计算机程序。终端设备还包括第二通信部件1003,其中,第二处理器1001、第二存储器1002以及第二通信部件1003通过第二总线1004连接。
第二处理器1001执行所述计算机程序时实现上述绿潮覆盖比例确定方法实施例中的步骤,例如图6所示实施例中的步骤S501至步骤S504。或者,第二处理器1001执行计算机程序时实现上述绿潮覆盖比例确定装置实施例中各模块/单元的功能,例如图8所示模块801至804的功能。
本领域技术人员可以理解,图9和图10仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如输入输出设备、网络接入设备、总线等。
所称第一处理器901或第二处理器1001可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital SignalProcessor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
第一存储器902或第二存储器1002可以是终端设备的内部存储单元,也可以是终端设备的外部存储设备。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
集成的单元如果以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,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于混合像元的绿潮覆盖比例提取模型确定方法,其特征在于,包括:
获取多个目标区域各自分别对应的样本真值;每个所述目标区域包含有水体和绿潮,所述样本真值为每个所述目标区域中绿潮覆盖比例的真值;
获取第一卫星传感器的多个第一遥感数据;所述多个第一遥感数据与所述多个目标区域一一对应;
根据所述多个第一遥感数据确定所述多个目标区域各自分别对应的反射指数集,每个所述反射指数集包括多个反射指数,每个所述反射指数用于表征一个像元中绿潮覆盖比例的提取值;
根据所述多个目标区域各自分别对应的样本真值,以及所述多个目标区域各自分别对应的反射指数集,确定与所述第一卫星传感器对应的绿潮覆盖比例提取模型。
2.如权利要求1所述的基于混合像元的绿潮覆盖比例提取模型确定方法,其特征在于,所述获取多个目标区域各自分别对应的样本真值,包括:
获取第二卫星传感器的多个第二遥感数据,所述第二卫星传感器的空间分辨率高于所述第一卫星传感器的空间分辨率;所述多个第二遥感数据与所述多个目标区域一一对应;
根据每个所述第二遥感数据确定与其对应的目标区域的样本真值。
3.如权利要求2所述的基于混合像元的绿潮覆盖比例提取模型确定方法,其特征在于,所述根据每个所述第二遥感数据确定与其对应的目标区域的样本真值,包括:
根据候选第二遥感数据,确定与所述候选第二遥感数据对应的目标区域的彩色合成图,以及所述候选第二遥感数据包含的每个像元的归一化植被指数;所述候选第二遥感数据为所述多个第二遥感数据中的任一个;所述彩色合成图包含目标区域的绿潮分布信息;
根据第一阈值以及每个所述像元的归一化植被指数,确定每个所述像元的类型,所述类型为混合像元或纯水像元,所述混合像元表征的对象同时包含所述水体和所述绿潮;
根据每个所述像元的类型,生成所述候选第二遥感数据对应的目标区域的提取结果图,所述提取结果图中包含目标区域中的绿潮分布信息;
将所述提取结果图与所述彩色合成图进行比对,并根据比对结果对所述第一阈值进行更新,获得第二阈值;
基于所述第二阈值更新所述提取结果图,生成更新后的提取结果图,所述更新后的提取结果图中绿潮分布信息与所述彩色合成图中绿潮分布信息一致;
根据更新后的提取结果图确定所述候选第二遥感数据对应的目标区域的样本真值。
4.如权利要求1所述的基于混合像元的绿潮覆盖比例提取模型确定方法,其特征在于,所述根据所述多个目标区域各自分别对应的样本真值,以及所述多个目标区域各自分别对应的反射指数集,确定与所述第一卫星传感器对应的绿潮覆盖比例提取模型,包括:
针对所述多个目标区域中每个目标区域,根据所述目标区域的样本真值, 确定所述第一卫星传感器在所述目标区域上包含的多个像元的绿潮覆盖比例;
根据目标区域的反射指数集和所述多个像元的绿潮覆盖比例,生成目标区域的多个样本数组;
对所述多个目标区域的所有像元的样本数组进行拟合处理,生成所述反射指数与所述绿潮覆盖比例之间的相关关系;
根据所述相关关系确定与所述第一卫星传感器对应的绿潮覆盖比例提取模型。
5.如权利要求1-4任一项所述的基于混合像元的绿潮覆盖比例提取模型确定方法,其特征在于,所述反射指数包括归一化植被指数。
6.一种绿潮覆盖比例确定方法,其特征在于,包括:
获取第一遥感卫星在待测试区域的多个第三遥感数据;所述多个第三遥感数据与多个时间点一一对应,所述多个时间点之间的持续时间大于第三阈值;
根据所述多个第三遥感数据,确定所述待测试区域包含的多个像元的反射指数;
将所述多个像元的反射指数输入第一遥感卫星的绿潮覆盖比例提取模型,获得对应的多个绿潮覆盖比例;所述绿潮覆盖比例提取模型为基于权利要求1至权利要求5中任一项权利要求的方法确定的模型;
根据所述多个绿潮覆盖比例,确定所述待测试区域的绿潮覆盖比例的变化趋势。
7.一种基于混合像元的绿潮覆盖比例提取模型确定装置,其特征在于,包括:
真值获取模块,用于获取多个目标区域各自分别对应的样本真值;每个所述目标区域包含有水体和绿潮,所述样本真值为每个所述目标区域中绿潮覆盖比例的真值;
第一数据获取模块,用于获取第一卫星传感器的多个第一遥感数据;所述多个第一遥感数据与所述多个目标区域一一对应;
第一指数确定模块,用于根据所述多个第一遥感数据确定所述多个目标区域各自分别对应的反射指数集,每个所述反射指数集包括多个反射指数,每个所述反射指数用于表征一个像元中绿潮覆盖比例的提取值;
模型确定模块,用于根据所述多个目标区域各自分别对应的样本真值,以及所述多个目标区域各自分别对应的反射指数集,确定与所述第一卫星传感器对应的绿潮覆盖比例提取模型。
8.一种绿潮覆盖比例确定装置,其特征在于,包括:
第二数据获取模块,用于获取第一遥感卫星在待测试区域的多个第三遥感数据;所述多个第三遥感数据与所述多个时间点一一对应,所述多个时间点之间的持续时间大于第三阈值;
第二指数确定模块,用于根据所述多个第三遥感数据,确定所述待测试区域包含的多个像元的反射指数;
覆盖比例确定模块,用于将所述多个像元的反射指数输入第一遥感卫星的绿潮覆盖比例提取模型,获得对应的多个绿潮覆盖比例;所述绿潮覆盖比例提取模型为基于权利要求1至权利要求5中任一项权利要求的方法确定的模型;
趋势确定模块,用于根据所述多个绿潮覆盖比例,确定所述待测试区域的绿潮覆盖比例的变化趋势。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至5任一项所述方法的步骤,或如权利要求6所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤,或如权利要求6所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011143268.2A CN111967454B (zh) | 2020-10-23 | 2020-10-23 | 基于混合像元的绿潮覆盖比例提取模型确定方法及设备 |
US17/373,111 US20220129674A1 (en) | 2020-10-23 | 2021-07-12 | Method and device for determining extraction model of green tide coverage ratio based on mixed pixels |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011143268.2A CN111967454B (zh) | 2020-10-23 | 2020-10-23 | 基于混合像元的绿潮覆盖比例提取模型确定方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967454A true CN111967454A (zh) | 2020-11-20 |
CN111967454B CN111967454B (zh) | 2021-01-08 |
Family
ID=73387205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011143268.2A Active CN111967454B (zh) | 2020-10-23 | 2020-10-23 | 基于混合像元的绿潮覆盖比例提取模型确定方法及设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220129674A1 (zh) |
CN (1) | CN111967454B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113807208A (zh) * | 2021-08-30 | 2021-12-17 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
CN116052017A (zh) * | 2023-01-17 | 2023-05-02 | 二十一世纪空间技术应用股份有限公司 | 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 |
CN113807208B (zh) * | 2021-08-30 | 2024-05-31 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972750B (zh) * | 2022-04-29 | 2023-10-27 | 北京九章云极科技有限公司 | 目标覆盖率的获取方法、分类模型的训练方法及装置 |
CN116165680A (zh) * | 2023-02-14 | 2023-05-26 | 中科三清科技有限公司 | 反演模型更新方法、装置、存储介质与芯片 |
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 |
CN116467565B (zh) * | 2023-06-20 | 2023-09-22 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种浒苔绿潮斑块最优搜寻区域预报方法 |
CN117435867B (zh) * | 2023-12-21 | 2024-03-08 | 中关村睿宸卫星创新应用研究院 | 确定叶绿素浓度变化时间规律的方法、装置、介质及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150016668A1 (en) * | 2013-07-12 | 2015-01-15 | Ut-Battelle, Llc | Settlement mapping systems |
CN104360351A (zh) * | 2014-12-04 | 2015-02-18 | 中国科学院南京地理与湖泊研究所 | 一种基于遥感数据的农业区地表温度高精度反演方法 |
CN109389065A (zh) * | 2018-09-27 | 2019-02-26 | 国家海洋局第二海洋研究所 | 一种基于非对称谱形结构特征提取的赤潮藻区分方法 |
CN109781626A (zh) * | 2019-03-11 | 2019-05-21 | 王祥 | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 |
CN109871774A (zh) * | 2019-01-22 | 2019-06-11 | 中国科学院南京土壤研究所 | 一种基于局域相近像元的混合像元分解方法 |
-
2020
- 2020-10-23 CN CN202011143268.2A patent/CN111967454B/zh active Active
-
2021
- 2021-07-12 US US17/373,111 patent/US20220129674A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150016668A1 (en) * | 2013-07-12 | 2015-01-15 | Ut-Battelle, Llc | Settlement mapping systems |
CN104360351A (zh) * | 2014-12-04 | 2015-02-18 | 中国科学院南京地理与湖泊研究所 | 一种基于遥感数据的农业区地表温度高精度反演方法 |
CN109389065A (zh) * | 2018-09-27 | 2019-02-26 | 国家海洋局第二海洋研究所 | 一种基于非对称谱形结构特征提取的赤潮藻区分方法 |
CN109871774A (zh) * | 2019-01-22 | 2019-06-11 | 中国科学院南京土壤研究所 | 一种基于局域相近像元的混合像元分解方法 |
CN109781626A (zh) * | 2019-03-11 | 2019-05-21 | 王祥 | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 |
Non-Patent Citations (1)
Title |
---|
辛蕾等: "基于混合像元分解的MODIS绿潮覆盖面积精细化提取方法研究", 《激光生物学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113807208A (zh) * | 2021-08-30 | 2021-12-17 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
CN113807208B (zh) * | 2021-08-30 | 2024-05-31 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
CN116052017A (zh) * | 2023-01-17 | 2023-05-02 | 二十一世纪空间技术应用股份有限公司 | 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 |
CN116052017B (zh) * | 2023-01-17 | 2023-11-10 | 二十一世纪空间技术应用股份有限公司 | 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111967454B (zh) | 2021-01-08 |
US20220129674A1 (en) | 2022-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967454B (zh) | 基于混合像元的绿潮覆盖比例提取模型确定方法及设备 | |
CN109993237B (zh) | 基于高分卫星光学遥感数据的水体快速提取方法及系统 | |
Nasiri et al. | Infrared small target enhancement based on variance difference | |
WO2010141114A2 (en) | System and method for reducing dimensionality of hyperspectral images | |
CN113959961B (zh) | 一种基于高光谱图像的单宁添加剂防伪检测方法及系统 | |
JP2019537151A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN109300133B (zh) | 一种城市河网区水体提取方法 | |
KR20080031702A (ko) | 원격탐사영상 구름식별 방법 | |
Daniel et al. | Automatic ship detection from commercial multispectral satellite imagery | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
CN107464255B (zh) | 一种基于信息量与多尺度异常检测的船舶目标检测方法 | |
CN112989940A (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
CN113298086A (zh) | 基于U-Net网络的赤潮多光谱检测方法 | |
CN117152634A (zh) | 基于色度指数的多源卫星影像浮水植物识别方法和系统 | |
CN115639159B (zh) | 一种基于多光谱影像的废水污染监测方法和装置 | |
Fan et al. | Identification of milled rice varieties using machine vision | |
Mi et al. | A study on tropical land cover classification using ALOS PALSAR 50 m ortho-rectified mosaic data | |
CN115690502B (zh) | 一种近岸及内陆水体水波纹消除方法、系统及可读存储介质 | |
Im et al. | A Study on Color Difference Discrimination for PVC Deco-Film using Entry-Level Digital Device | |
CN114937038B (zh) | 面向可用性的遥感影像质量评价方法 | |
Korosov et al. | Fusion of data from Sentinel-2/MSI and Sentinel-3/OLCI | |
CN117152602A (zh) | 基于色度指数的多源卫星遥感影像水体提取方法和系统 | |
US11816867B2 (en) | Chromatic domain mapping | |
CN114445717B (zh) | 一种用于土地资源管理的遥感影像处理方法及系统 | |
CN116129281B (zh) | 一种用于高光谱影像的亚像元目标检测系统 |
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 |