CN112131746A - 叶绿素a浓度反演方法及系统 - Google Patents
叶绿素a浓度反演方法及系统 Download PDFInfo
- Publication number
- CN112131746A CN112131746A CN202011015928.9A CN202011015928A CN112131746A CN 112131746 A CN112131746 A CN 112131746A CN 202011015928 A CN202011015928 A CN 202011015928A CN 112131746 A CN112131746 A CN 112131746A
- Authority
- CN
- China
- Prior art keywords
- chlorophyll
- model
- concentration
- water body
- remote sensing
- 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
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 title claims abstract description 168
- 229930002868 chlorophyll a Natural products 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 115
- 238000001228 spectrum Methods 0.000 claims abstract description 76
- 238000002310 reflectometry Methods 0.000 claims abstract description 56
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000012952 Resampling Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 48
- 238000012937 correction Methods 0.000 claims description 35
- 238000012795 verification Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000005855 radiation Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种叶绿素a浓度反演方法及系统,获取同时过境的高分六号的全色多光谱相机和宽幅相机数据,并进行预处理,得到遥感反射率图像;将实测水体光谱进行等效重采样到和遥感反射率图像相同的光谱范围,得到等效后的实测水体光谱,其与实测的叶绿素a浓度建立了叶绿素a浓度反演初始模型;基于遥感反射率图像对叶绿素a浓度反演初始模型进行优化处理得到叶绿素a浓度反演模型;将遥感反射率图像输入到叶绿素a浓度反演模型,得到叶绿素a浓度。使用融合的高分六号数据相较其他高分辨影像可以单景大范围监测水质,拥有对叶绿素a浓度高度相关的红边波段,对叶绿素a浓度反演有更高的精度。
Description
技术领域
本发明涉及信息处理技术领域,特别是涉及一种叶绿素a浓度反演方法及系统。
背景技术
叶绿素a浓度是水色三要素之一,是水体环境监测的重要指标。目前叶绿素a浓度的监测方法有现场直接测量和遥感间接测量。现场直接测量是通过实地采集水样后低温保存,之后在实验室内进行分析进而得到采样点水体的叶绿素a浓度。这种方法由于人工测量的采样点和采样次数是有限的,不能全面的评价所有水体的叶绿素a的分布情况。遥感间接测量是通过水体光谱特征与叶绿素a浓度的关系,寻找两者之间的关系进行建模反演得到后者的结果。
但是,现有的遥感间接测量存在的问题是高空间分辨率图像往往波段数量较少,波段较宽且缺少反演叶绿素a的波段;波段数目多而且具有探测叶绿素a波段的遥感器往往空间分辨率又不够。使得可监测范围受限,降低了对叶绿素a浓度反演的精度。
发明内容
针对于上述问题,本发明提供一种叶绿素a浓度反演方法及系统,实现了可以单景大范围监测水质,对叶绿素a浓度反演有更高的精度。
为了实现上述目的,本发明提供了如下技术方案:
一种叶绿素a浓度反演方法,包括:
获取同时过境的高分六号的全色多光谱相机和宽幅相机数据;
对所述全色多光谱相机和宽幅相机数据进行预处理,得到遥感反射率图像;
将实测水体光谱进行等效处理重采样到和所述遥感反射率图像相同的光谱范围,得到等效后的实测水体光谱;
利用所述等效后的实测水体光谱与实测获得的叶绿素a浓度进行模型建立,得到叶绿素a浓度反演初始模型;
基于遥感反射率图像对叶绿素a浓度反演初始模型进行优化处理,获得叶绿素a浓度反演模型;
将目标遥感反射率图像输入到所述叶绿素a浓度反演模型,获得目标叶绿素a浓度。
可选地,所述利用所述等效后的实测水体光谱与实测获得的叶绿素a浓度进行模型建立,得到叶绿素a浓度反演初始模型,包括:
基于所述等效后的实测水体光谱与实测获得叶绿素a浓度,生成模型样本;
将所述模型样本划分为建模使用样本与模型验证样本;
利用所述建模使用样本进行建模,得到第一模型;
利用所述模型验证样本对所述第一模型进行验证,若验证通过,获得叶绿素a浓度反演初始模型。
可选地,所述叶绿素a浓度反演初始模型为所述等效后的实测水体光谱与实测获得的叶绿素a浓度的函数关系确定的决定系数最高的模型。
可选地,所述对所述全色多光谱相机和宽幅相机数据进行预处理,得到遥感反射率图像,包括:
对所述全色多光谱相机和宽幅相机数据进行数据融合,并根据融合前后水体像元的遥感影像像元亮度值进行校正,得到校正后的数据;
对所述校正后的数据进行大气校正预处理,得到遥感反射率图像。
可选地,所述根据融合前后水体像元的遥感影像像元亮度值进行校正,得到校正后的数据,包括:
获取水体影像,并在所述水体影像中随机选取水体点位,抽取融合前后该位置处的遥感影像像元亮度值,构建散点图;
基于所述散点图,建立各个波段二次拟合校正方程;
依据所述拟合校正方程对融合前后水体像元进行校正,得到校正后的数据。
一种叶绿素a浓度反演系统,包括:
获取单元,用于获取同时过境的高分六号的全色多光谱相机和宽幅相机数据;
预处理单元,用于对所述全色多光谱相机和宽幅相机数据进行预处理,得到遥感反射率图像;
等效处理单元,用于将实测水体光谱进行等效处理重采样到和所述遥感反射率图像相同的光谱范围,得到等效后的实测水体光谱;
建模单元,用于利用所述等效后的实测水体光谱与实测获得的叶绿素a浓度进行模型建立,得到叶绿素a浓度反演初始模型;
优化单元,用于基于遥感反射率图像对叶绿素a浓度反演初始模型进行优化处理,获得叶绿素a浓度反演模型;
输入单元,用于将目标遥感反射率图像输入到所述叶绿素a浓度反演模型,获得目标叶绿素a浓度。
可选地,所述建模单元包括:
生成子单元,用于基于所述等效后的实测水体光谱与实测获得叶绿素a浓度,生成模型样本;
划分子单元,用于将所述模型样本划分为建模使用样本与模型验证样本;
建模子单元,用于利用所述建模使用样本进行建模,得到第一模型;
验证子单元,用于利用所述模型验证样本对所述第一模型进行验证,若验证通过,获得叶绿素a浓度反演初始模型。
可选地,所述叶绿素a浓度反演初始模型为所述等效后的实测水体光谱与实测获得的叶绿素a浓度的函数关系确定的决定系数最高的模型。
可选地,所述预处理单元包括:
融合子单元,用于对所述全色多光谱相机和宽幅相机数据进行数据融合,并根据融合前后水体像元的遥感影像像元亮度值进行校正,得到校正后的数据;
大气校正子单元,用于对所述校正后的数据进行大气校正预处理,得到遥感反射率图像。
可选地,所述融合子单元具体用于:
获取水体影像,并在所述水体影像中随机选取水体点位,抽取融合前后该位置处的遥感影像像元亮度值,构建散点图;
基于所述散点图,建立各个波段二次拟合校正方程;
依据所述拟合校正方程对融合前后水体像元进行校正,得到校正后的数据。
相较于现有技术,本发明提供了一种叶绿素a浓度反演方法及系统,通过获取同时过境的高分六号的全色多光谱相机和宽幅相机数据;对全色多光谱相机和宽幅相机数据进行预处理,得到遥感反射率图像;将实测水体光谱进行等效处理重采样到和遥感反射率图像相同的光谱范围,得到等效后的实测水体光谱;利用等效后的实测水体光谱与实测的叶绿素a浓度建立初始模型,得到叶绿素a浓度反演初始模型;基于遥感反射率图像对叶绿素a浓度反演初始模型进行优化处理得到叶绿素a浓度反演模型;将遥感反射率图像输入到叶绿素a浓度反演模型,得到叶绿素a浓度。通过使用融合的高分六号数据,既保证了空间分辨率为2m,也保证了光谱分辨率为8个波段,相较其他高分辨影像可以单景大范围监测水质,拥有对叶绿素a浓度高度相关的红边波段,对叶绿素a浓度反演有更高的精度。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种叶绿素a浓度反演方法的流程示意图;
图2为本发明实施例提供的一种数据融合前后的DN值示意图;
图3为本发明实施例提供的一种叶绿素a浓度反演系统的结构示意图。
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。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在本发明实施例中提供的叶绿素a浓度反演方法,需要利用具有蓝(0.45~0.52μm)、绿(0.52~0.60μm)、红(0.63~0.69μm)、近红外(0.76~0.90μm)和红边波段(0.69~0.73μm)共5个波段的高空间分辨率(<=2m)遥感影像。解决了在图像辐射信息高度保真的前提下实现图像融合,既提高了空间分辨率为2m,又保证高分六号的水体辐射信息几乎不变。进而提出了基于高分辨率影像(<=2m)水体叶绿素a浓度反演模型。本发明的有益效果就是可以利用<=2m的高分辨率影像监测一些细小河流的叶绿素a浓度。
参见图1,其示出了本发明实施例提供的一种叶绿素a浓度反演方法的流程示意图,包括:
S101、获取同时过境的高分六号的全色多光谱相机和宽幅相机数据。
之所以采用高分六号数据,既保证了空间分辨率为2m,也保证了光谱分辨率为8个波段,拥有690nm-730nm红边波段的融合后数据可以监测地表中2m*5个像素=10米宽的河段的叶绿素a浓度。其中,PMS(Panchromatic and Multispectral Spectral camera,全色多光谱相机)和WFV(The wide field of view camera,宽幅相机)云量通常控制在5%以下。云量代表影像在成像时上空云占整张影像中的比例,将其作为限制条件的目的是防止云遮挡影像中的有效信息。
S102、对所述全色多光谱相机和宽幅相机数据进行预处理,得到遥感反射率图像。
在该步骤中获取的高分六号PMS和WFV遥感影像进行几何校正、影像融合和大气校正预处理工作,得到遥感反射率图像。该过程可以包括:对所述全色多光谱相机和宽幅相机数据进行数据融合,并根据融合前后水体像元的遥感影像像元亮度值进行校正,得到校正后的数据;对所述校正后的数据进行大气校正预处理,得到遥感反射率图像。
具体的,几何校正使用高分六号自带的RPC文件,将PMS与WFV数据进行几何粗校正,再使用Sentinel-2数据作为参考进行几何精校正。融合是对高分六号PMS和WFV数据进行融合,需要确保融合前后辐射信息一致性较高。本技术使用Gram-Schmidt PanSharpening方法将PMS数据与WFV数据融合,然后根据融合前后水体像元的DN值(DigitalNumber,遥感影像像元亮度值)进行二次再校正,确保水体像元融合前后辐射的一致性。大气校正使用相对辐射归一化方法,以Sentinel-2 L2A级反射率产品作为参考,基于可迭代多元变化检测变换(interatively re-weighted Multivariate Alteration Detection,IR-MAD)搜索辐射控制点,建立待矫正影像与参考影像的线性回归方程,逐波段进行相对辐射归一化处理。使用的参考影像为时间相近的Sentinel-2数据,务必要保证参考影像和待矫正影像时间相近,不能超过两周。
S103、将实测水体光谱进行等效处理重采样到和所述遥感反射率图像相同的光谱范围,得到等效后的实测水体光谱。
将实测水体光谱进行等效处理重采样到和遥感反射率图像相同的波段区间,光谱等效的计算公式为:
其中F0为各波长的大气层外太阳辐照度,ρ(λ)地面实测的各波长的反射率光谱,f(λ)是遥感器各波段的光谱响应函数。λmin和λmax分别是各个光谱响应函数的起始和终止波长。
S104、利用所述等效后的实测水体光谱与实测获得的叶绿素a浓度进行模型建立,得到叶绿素a浓度反演初始模型。
S105、基于遥感反射率图像对叶绿素a浓度反演初始模型进行优化处理,获得叶绿素a浓度反演模型。
S106、将目标遥感反射率图像输入到所述叶绿素a浓度反演模型,获得目标叶绿素a浓度。
在本发明实施例中获得的叶绿素a浓度反演模型是通过对叶绿素a浓度反演初始模型优化得到的,而该叶绿素a浓度反演初始模型是利用所述等效后的实测水体光谱与实测获得的叶绿素a浓度建立的模型。
目标遥感反射率图像是指需要进行叶绿素a浓度测量的图像。
在本发明的一种可能的实现方式中,利用所述等效后的实测水体光谱与实测获得的叶绿素a浓度进行模型建立,得到叶绿素a浓度反演初始模型,包括:
基于所述等效后的实测水体光谱与实测获得叶绿素a浓度,生成模型样本;
将所述模型样本划分为建模使用样本与模型验证样本;
利用所述建模使用样本进行建模,得到第一模型;
利用所述模型验证样本对所述第一模型进行验证,若验证通过,获得叶绿素a浓度反演初始模型。
其中,所述叶绿素a浓度反演初始模型为所述等效后的实测水体光谱与实测获得的叶绿素a浓度的函数关系确定的决定系数最高的模型。
具体的,利用处理后的实测水体光谱,与实测的叶绿素a建立模型,实测样本数的四分之三参与建立模型,叶绿素a浓度初始反演模型建立如下:
其中Cchla表示反演的叶绿素a浓度,单位μg/L,B3、B5分别对应630-690nm的红波段和690-730nm的红边波段。
对应的,在本发明实施例中还包括利用处理后的实测水体光谱与实测的叶绿素a浓度建立模型,得到叶绿素a浓度反演模型;对所述叶绿素a浓度反演模型进行精度验证,若验证通过,对所述叶绿素a浓度反演模型进行模型修正,得到修正后的叶绿素a浓度反演模型。
即对获得的水体叶绿素a模型进行精度验证,将实测样本数的四分之一参与模型精度评价,对比实测和反演的叶绿素a浓度。对获得的水体叶绿素a反演模型进行模型修正。由于影像定标和大气校正等各项误差,所以如果直接将基于实测数据构建的模型应用于图像,会存在一定误差,需要采用同步点位置逐像元的抽取图像遥感反射率,和实测叶绿素a浓度,沿用实测模型的自变量,将模型的系数重新拟合,获得修正后的高分六号图像的叶绿素a浓度反演模型:
其中Cchla表示反演的叶绿素a浓度,单位为μg/L,B3、B5分别对应高分六号8波段数据的第3波段红波段和第5波段的红边波段。
具体的,建模使用样本与模型验证样本应随机抽取,建模使用样本个数占总样本个数的四分之三,模型验证样本个数占总样本个数的四分之一。根据实测光谱等效结果与叶绿素a浓度的函数关系确定模型,其中R2(coefficient of determination,决定系数)最高的即为最终的反演模型。
模型验证主要通过R2和MRE(Mean Absolute Error,平均绝对误差)指标进行判别,若验证点结果的R2和MRE分别大于0.8和小于30%。满足上述条件即可进行有效叶绿素a浓度反演。
上述中使用的MRE、RMSE、R2计算公式如下:
平均绝对误差计算公式:
式中:yi为反演计算得到的叶绿素a浓度的计算值,xi为实测叶绿素a浓度的实际值。
均方根误差的计算公式:
式中:xi为实测叶绿素a浓度的实际值,yi为反演计算得到的叶绿素a浓度的计算值,n为采样点的总个数。
决定系数计算公式:
在一种可能的实施方式中可以根据高分六号影响同步位点的反射率数据对模型进行系数修正。
在本发明实施例中叶绿素a浓度反演模型的使用卫星为高分六号,将高分六号的两个传感器WFV和PMS融合得到2米分辨率8波段的影像,具有高空间分辨率和波段丰富的特点,如若有高分六号类似卫星(同时搭载高分辨率相机与高光谱相机且同时成像)也可使用本发明中的叶绿素a浓度反演方法。融合具体方案为使用Gram-Schmidt Pan Sharpening融合技术将相同时间的高分六号WFV数据与高分六号PMS数据融合,融合之后保真性较差,如图2中的(a)和(c)所示,本发明的应用对象为水体,根据影像中部分水体进行融合校正,具体内容在影像中随机选取水体点位(一般大于50个为宜),抽取融合前后该位置处的DN值,构建散点图,建立各个波段二次拟合校正方程,各个波段依次校正完成二次校正,保证了融合前后的辐射值基本保持不变,得到保真性高的融合数据。红波段和红边波段校正后的DN值与融合前的DN值对比,如图2中的(b)和(d)。
本发明使用的是融合的高分六号数据,既保证了空间分辨率为2m,也保证了光谱分辨率为8个波段,可以监测地表中2m宽的河段水质,并且在高分辨率影像中(<2m)的宽幅处于领先地位,相较其他高分辨率影像可以单景大范围监测水质。在本发明中拥有对叶绿素a浓度高度相关的红边波段,对叶绿素a浓度反演有更加准确的精度。基于水体的光谱显著差异和高分六号波段特点,通过基于光谱特性的简易比值模型,可以有效地反演空间分辨率为两米的叶绿素产品。
参见图3,在本发明实施例中还提供了一种叶绿素a浓度反演系统,包括:
获取单元10,用于获取同时过境的高分六号的全色多光谱相机和宽幅相机数据;
预处理单元20,用于对所述全色多光谱相机和宽幅相机数据进行预处理,得到遥感反射率图像;
等效处理单元30,用于将实测水体光谱进行等效处理重采样到和所述遥感反射率图像相同的光谱范围,得到等效后的的实测水体光谱;
建模单元40,用于利用所述等效后的实测水体光谱与实测获得的叶绿素a浓度进行模型建立,得到叶绿素a浓度反演初始模型;
优化单元50,用于基于遥感反射率图像对叶绿素a浓度反演初始模型进行优化处理,获得叶绿素a浓度反演模型;
输入单元60,用于将目标遥感反射率图像输入到所述叶绿素a浓度反演模型,获得目标叶绿素a浓度。
在上述实施例的基础上,所述建模单元包括:
生成子单元,用于基于所述等效后的实测水体光谱与实测获得叶绿素a浓度,生成模型样本;
划分子单元,用于将所述模型样本划分为建模使用样本与模型验证样本;
建模子单元,用于利用所述建模使用样本进行建模,得到第一模型;
验证子单元,用于利用所述模型验证样本对所述第一模型进行验证,若验证通过,获得叶绿素a浓度反演初始模型。
在上述实施例的基础上,所述叶绿素a浓度反演初始模型为所述等效后的实测水体光谱与实测获得的叶绿素a浓度的函数关系确定的决定系数最高的模型。
在上述实施例的基础上,所述预处理单元包括:
融合子单元,用于对所述全色多光谱相机和宽幅相机数据进行数据融合,并根据融合前后水体像元的遥感影像像元亮度值进行校正,得到校正后的数据;
大气校正子单元,用于对所述校正后的数据进行大气校正预处理,得到遥感反射率图像。
在上述实施例的基础上,所述融合子单元具体用于:
获取水体影像,并在所述水体影像中随机选取水体点位,抽取融合前后该位置处的遥感影像像元亮度值,构建散点图;
基于所述散点图,建立各个波段二次拟合校正方程;
依据所述拟合校正方程对融合前后水体像元进行校正,得到校正后的数据。
本发明提供了一种叶绿素a浓度反演系统,
通过获取同时过境的高分六号的全色多光谱相机和宽幅相机数据;对全色多光谱相机和宽幅相机数据进行预处理,得到遥感反射率图像;将实测水体光谱进行等效处理重采样到和遥感反射率图像相同的光谱范围,得到等效后的实测水体光谱;利用等效后的实测水体光谱与实测的叶绿素a浓度建立初始模型,得到叶绿素a浓度反演初始模型;基于遥感反射率图像对叶绿素a浓度反演初始模型进行优化处理得到叶绿素a浓度反演模型;将遥感反射率图像输入到叶绿素a浓度反演模型,得到叶绿素a浓度。通过使用融合的高分六号数据,既保证了空间分辨率为2m,也保证了光谱分辨率为8个波段,相较其他高分辨影像可以单景大范围监测水质,拥有对叶绿素a浓度高度相关的红边波段,对叶绿素a浓度反演有更高的精度。
在本发明实施例中还提供了一种存储介质,所述存储介质上存储有可执行指令,所述指令被处理器执行时实现如上任一项所述的一种叶绿素a浓度反演方法。
在本发明实施例中还提供了一种电子设备包括:
存储器,用于存储程序;
处理器,用于执行所述程序,所述程序具体用于:
获取同时过境的高分六号的全色多光谱相机和宽幅相机数据;
对所述全色多光谱相机和宽幅相机数据进行预处理,得到遥感反射率图像;
将实测水体光谱进行等效处理重采样到和所述遥感反射率图像相同的光谱范围,得到等效后的实测水体光谱;
利用所述等效后的实测水体光谱与实测获得的叶绿素a浓度进行模型建立,得到叶绿素a浓度反演初始模型;
基于遥感反射率图像对叶绿素a浓度反演初始模型进行优化处理,获得叶绿素a浓度反演模型;
将目标遥感反射率图像输入到所述叶绿素a浓度反演模型,获得目标叶绿素a浓度。
可选地,所述利用所述等效后的实测水体光谱与实测获得的叶绿素a浓度进行模型建立,得到叶绿素a浓度反演初始模型,包括:
基于所述等效后的实测水体光谱与实测获得叶绿素a浓度,生成模型样本;
将所述模型样本划分为建模使用样本与模型验证样本;
利用所述建模使用样本进行建模,得到第一模型;
利用所述模型验证样本对所述第一模型进行验证,若验证通过,获得叶绿素a浓度反演初始模型。
可选地,所述叶绿素a浓度反演初始模型为所述等效后的实测水体光谱与实测获得的叶绿素a浓度的函数关系确定的决定系数最高的模型。
可选地,所述对所述全色多光谱相机和宽幅相机数据进行预处理,得到遥感反射率图像,包括:
对所述全色多光谱相机和宽幅相机数据进行数据融合,并根据融合前后水体像元的遥感影像像元亮度值进行校正,得到校正后的数据;
对所述校正后的数据进行大气校正预处理,得到遥感反射率图像。
可选地,所述根据融合前后水体像元的遥感影像像元亮度值进行校正,得到校正后的数据,包括:
获取水体影像,并在所述水体影像中随机选取水体点位,抽取融合前后该位置处的遥感影像像元亮度值,构建散点图;
基于所述散点图,建立各个波段二次拟合校正方程;
依据所述拟合校正方程对融合前后水体像元进行校正,得到校正后的数据。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。对于实施例公开的装置而言,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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种叶绿素a浓度反演方法,其特征在于,包括:
获取同时过境的高分六号的全色多光谱相机和宽幅相机数据;
对所述全色多光谱相机和宽幅相机数据进行预处理,得到遥感反射率图像;
将实测水体光谱进行等效处理重采样到和所述遥感反射率图像相同的光谱范围,得到等效后的实测水体光谱;
利用所述等效后的实测水体光谱与实测获得的叶绿素a浓度进行模型建立,得到叶绿素a浓度反演初始模型;
基于遥感反射率图像对叶绿素a浓度反演初始模型进行优化处理,获得叶绿素a浓度反演模型;
将目标遥感反射率图像输入到所述叶绿素a浓度反演模型,获得目标叶绿素a浓度。
2.根据权利要求1所述的方法,其特征在于,所述利用所述等效后的实测水体光谱与实测获得的叶绿素a浓度进行模型建立,得到叶绿素a浓度反演初始模型,包括:
基于所述等效后的实测水体光谱与实测获得叶绿素a浓度,生成模型样本;
将所述模型样本划分为建模使用样本与模型验证样本;
利用所述建模使用样本进行建模,得到第一模型;
利用所述模型验证样本对所述第一模型进行验证,若验证通过,获得叶绿素a浓度反演初始模型。
3.根据权利要求2所述的方法,其特征在于,所述叶绿素a浓度反演初始模型为所述等效后的实测水体光谱与实测获得的叶绿素a浓度的函数关系确定的决定系数最高的模型。
4.根据权利要求1所述的方法,其特征在于,所述对所述全色多光谱相机和宽幅相机数据进行预处理,得到遥感反射率图像,包括:
对所述全色多光谱相机和宽幅相机数据进行数据融合,并根据融合前后水体像元的遥感影像像元亮度值进行校正,得到校正后的数据;
对所述校正后的数据进行大气校正预处理,得到遥感反射率图像。
5.根据权利要求4所述的方法,其特征在于,所述根据融合前后水体像元的遥感影像像元亮度值进行校正,得到校正后的数据,包括:
获取水体影像,并在所述水体影像中随机选取水体点位,抽取融合前后该位置处的遥感影像像元亮度值,构建散点图;
基于所述散点图,建立各个波段二次拟合校正方程;
依据所述拟合校正方程对融合前后水体像元进行校正,得到校正后的数据。
6.一种叶绿素a浓度反演系统,其特征在于,包括:
获取单元,用于获取同时过境的高分六号的全色多光谱相机和宽幅相机数据;
预处理单元,用于对所述全色多光谱相机和宽幅相机数据进行预处理,得到遥感反射率图像;
等效处理单元,用于将实测水体光谱进行等效处理重采样到和所述遥感反射率图像相同的光谱范围,得到等效后的实测水体光谱;
建模单元,用于利用所述等效后的实测水体光谱与实测获得的叶绿素a浓度进行模型建立,得到叶绿素a浓度反演初始模型;
优化单元,用于基于遥感反射率图像对叶绿素a浓度反演初始模型进行优化处理,获得叶绿素a浓度反演模型;
输入单元,用于将目标遥感反射率图像输入到所述叶绿素a浓度反演模型,获得目标叶绿素a浓度。
7.根据权利要求6所述的系统,其特征在于,所述建模单元包括:
生成子单元,用于基于所述等效后的实测水体光谱与实测获得叶绿素a浓度,生成模型样本;
划分子单元,用于将所述模型样本划分为建模使用样本与模型验证样本;
建模子单元,用于利用所述建模使用样本进行建模,得到第一模型;
验证子单元,用于利用所述模型验证样本对所述第一模型进行验证,若验证通过,获得叶绿素a浓度反演初始模型。
8.根据权利要求6所述的系统,其特征在于,所述叶绿素a浓度反演初始模型为所述等效后的实测水体光谱与实测获得的叶绿素a浓度的函数关系确定的决定系数最高的模型。
9.根据权利要求6所述的系统,其特征在于,所述预处理单元包括:
融合子单元,用于对所述全色多光谱相机和宽幅相机数据进行数据融合,并根据融合前后水体像元的遥感影像像元亮度值进行校正,得到校正后的数据;
大气校正子单元,用于对所述校正后的数据进行大气校正预处理,得到遥感反射率图像。
10.根据权利要求9所述的系统,其特征在于,所述融合子单元具体用于:
获取水体影像,并在所述水体影像中随机选取水体点位,抽取融合前后该位置处的遥感影像像元亮度值,构建散点图;
基于所述散点图,建立各个波段二次拟合校正方程;
依据所述拟合校正方程对融合前后水体像元进行校正,得到校正后的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011015928.9A CN112131746B (zh) | 2020-09-24 | 叶绿素a浓度反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011015928.9A CN112131746B (zh) | 2020-09-24 | 叶绿素a浓度反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112131746A true CN112131746A (zh) | 2020-12-25 |
CN112131746B CN112131746B (zh) | 2024-05-31 |
Family
ID=
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112816423A (zh) * | 2021-02-06 | 2021-05-18 | 岳阳市洞庭水环境研究所 | 一种蓝藻爆发分析方法及系统 |
CN112881293A (zh) * | 2021-01-08 | 2021-06-01 | 浙江工商大学 | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 |
CN113588583A (zh) * | 2021-07-28 | 2021-11-02 | 南京红松信息技术有限公司 | 基于全光谱的水质指标监测系统及水质监测的方法 |
CN115080905A (zh) * | 2022-06-07 | 2022-09-20 | 昆明理工大学 | 一种高原湖泊叶绿素a浓度遥感反演方法 |
CN115615936A (zh) * | 2022-12-05 | 2023-01-17 | 中关村睿宸卫星创新应用研究院 | 基于多源卫星数据计算内陆水域最大叶绿素指数的方法 |
CN116008267A (zh) * | 2022-12-09 | 2023-04-25 | 自然资源部第二海洋研究所 | 海洋叶绿素a浓度三维分布反演方法、终端及介质 |
CN116067897A (zh) * | 2022-12-27 | 2023-05-05 | 二十一世纪空间技术应用股份有限公司 | 一种基于集成因子体系的叶绿素a浓度反演方法、系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200576A (zh) * | 2011-03-10 | 2011-09-28 | 王桥 | 叶绿素a浓度反演方法及系统 |
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 |
CN108956505A (zh) * | 2018-09-18 | 2018-12-07 | 航天信德智图(北京)科技有限公司 | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 |
US20190057171A1 (en) * | 2017-02-10 | 2019-02-21 | Guangxi Institute of Meteorlogical Disaster- Reducing Research | Novel nonlinear method for area-wide near surface air temperature precision retrieval |
CN109799199A (zh) * | 2018-12-26 | 2019-05-24 | 环境保护部卫星环境应用中心 | 一种叶绿素a浓度的协同反演方法 |
CN110068539A (zh) * | 2019-04-29 | 2019-07-30 | 中国科学院南京地理与湖泊研究所 | 一种富营养化浅水湖泊有色溶解有机物的遥感方法 |
CN111504915A (zh) * | 2020-04-27 | 2020-08-07 | 中国科学技术大学先进技术研究院 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200576A (zh) * | 2011-03-10 | 2011-09-28 | 王桥 | 叶绿素a浓度反演方法及系统 |
US20190057171A1 (en) * | 2017-02-10 | 2019-02-21 | Guangxi Institute of Meteorlogical Disaster- Reducing Research | Novel nonlinear method for area-wide near surface air temperature precision retrieval |
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 |
CN108956505A (zh) * | 2018-09-18 | 2018-12-07 | 航天信德智图(北京)科技有限公司 | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 |
CN109799199A (zh) * | 2018-12-26 | 2019-05-24 | 环境保护部卫星环境应用中心 | 一种叶绿素a浓度的协同反演方法 |
CN110068539A (zh) * | 2019-04-29 | 2019-07-30 | 中国科学院南京地理与湖泊研究所 | 一种富营养化浅水湖泊有色溶解有机物的遥感方法 |
CN111504915A (zh) * | 2020-04-27 | 2020-08-07 | 中国科学技术大学先进技术研究院 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
张带琴: "基于多源遥感信息的鄱阳湖叶绿素浓度反演模型研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, no. 2, pages 027 - 489 * |
王景琪: "基于GF-1影像的鄱阳湖水体叶绿素反演及光谱形态分类研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, no. 11, pages 027 - 237 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881293A (zh) * | 2021-01-08 | 2021-06-01 | 浙江工商大学 | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 |
CN112816423A (zh) * | 2021-02-06 | 2021-05-18 | 岳阳市洞庭水环境研究所 | 一种蓝藻爆发分析方法及系统 |
CN113588583A (zh) * | 2021-07-28 | 2021-11-02 | 南京红松信息技术有限公司 | 基于全光谱的水质指标监测系统及水质监测的方法 |
CN115080905A (zh) * | 2022-06-07 | 2022-09-20 | 昆明理工大学 | 一种高原湖泊叶绿素a浓度遥感反演方法 |
CN115080905B (zh) * | 2022-06-07 | 2024-05-17 | 昆明理工大学 | 一种高原湖泊叶绿素a浓度遥感反演方法 |
CN115615936A (zh) * | 2022-12-05 | 2023-01-17 | 中关村睿宸卫星创新应用研究院 | 基于多源卫星数据计算内陆水域最大叶绿素指数的方法 |
CN116008267A (zh) * | 2022-12-09 | 2023-04-25 | 自然资源部第二海洋研究所 | 海洋叶绿素a浓度三维分布反演方法、终端及介质 |
CN116067897A (zh) * | 2022-12-27 | 2023-05-05 | 二十一世纪空间技术应用股份有限公司 | 一种基于集成因子体系的叶绿素a浓度反演方法、系统 |
CN116067897B (zh) * | 2022-12-27 | 2024-02-09 | 二十一世纪空间技术应用股份有限公司 | 一种基于集成因子体系的叶绿素a浓度反演方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10527542B2 (en) | Method of calculating TAVI based on a band ratio model and solar altitude angle | |
Olthof et al. | Landsat-7 ETM+ radiometric normalization comparison for northern mapping applications | |
Roy et al. | A general method to normalize Landsat reflectance data to nadir BRDF adjusted reflectance | |
CN108333148B (zh) | 一种黑臭水体的识别方法及装置 | |
US8073279B2 (en) | Automated atmospheric characterization of remotely sensed multi-spectral imagery | |
US8094960B2 (en) | Spectral calibration of image pairs using atmospheric characterization | |
CN108956505B (zh) | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 | |
Syariz et al. | Spectral-consistent relative radiometric normalization for multitemporal Landsat 8 imagery | |
CN111795936A (zh) | 一种基于查找表的多光谱遥感影像大气校正系统、方法及存储介质 | |
Bao et al. | Comparison of relative radiometric normalization methods using pseudo-invariant features for change detection studies in rural and urban landscapes | |
CN110388986B (zh) | 基于tasi数据的土地表面温度反演方法 | |
CN109635249B (zh) | 水体浊度反演模型建立方法、检测方法及装置 | |
Meroni et al. | Characterization of fine resolution field spectrometers using solar Fraunhofer lines and atmospheric absorption features | |
CN109799199B (zh) | 一种叶绿素a浓度的协同反演方法 | |
CN105160631A (zh) | 一种求辐射校正系数的方法 | |
CN109870419B (zh) | 一种采用航空高光谱数据预测黑土氮磷钾含量的方法 | |
CN109959621B (zh) | 一种基于中高分辨率时序遥感数据的水环境分析方法 | |
Kalacska et al. | Quality control assessment of the Mission Airborne Carbon 13 (mac-13) hyperspectral imagery from Costa Rica | |
KR102315329B1 (ko) | 드론초분광영상을 이용한 생태교란종 모니터링 방법 | |
KR102315319B1 (ko) | 항공초분광영상을 이용한 생태교란종 모니터링 방법 | |
CN112131746A (zh) | 叶绿素a浓度反演方法及系统 | |
CN112131746B (zh) | 叶绿素a浓度反演方法及系统 | |
Stobbelaar et al. | Prediction of leaf area index using thermal infrared data acquired by UAS over a mixed temperate forest | |
Chen et al. | Scale correction of two-band ratio of red to near-infrared using imagery histogram approach: A case study on Indian remote sensing satellite in Yellow River estuary | |
Reulke et al. | Image quality and image resolution |
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 |