CN113324923B - 一种结合时空融合与深度学习的遥感水质反演方法 - Google Patents
一种结合时空融合与深度学习的遥感水质反演方法 Download PDFInfo
- Publication number
- CN113324923B CN113324923B CN202110633489.6A CN202110633489A CN113324923B CN 113324923 B CN113324923 B CN 113324923B CN 202110633489 A CN202110633489 A CN 202110633489A CN 113324923 B CN113324923 B CN 113324923B
- Authority
- CN
- China
- Prior art keywords
- time
- resolution
- water quality
- satellite
- neural network
- 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
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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Abstract
本发明公开了一种结合时空融合与深度学习的遥感水质反演方法,有效的解决了水质遥感监测出现了卫星影像的空间分辨率和时间分辨率不满足水质监测要求,从而使水质计算结果出现了偏差的问题,本发明结合时空融合模型与全连接神经网络、卷积神经网络来生成高时空分辨率水质反演结果,并利用像元分解法来对水质反演结果进行修正,极大的提高了得到的卫星影响的空间分辨率和时间分辨率,提高卫星影像的准确率。
Description
技术领域
本发明涉及水质反演领域,特别是一种结合时空融合与深度学习的遥感水质反演方法。
背景技术
水质监测是水污染防治和水质状况的重要判别依据,水质状况与国民的生存和生产息息相关,所以研究如何进行大范围、快捷、准确的水质监测很有必要。目前 常用的实地水质监测方法虽然能够精细地分析水质参数,由于常常受到水文条件和 气候的限制,且实施起来费时费力、成本较高,无法实现大尺度且具有时效性的水质监测。
为此,现有技术设计了遥感反演发方法来快速、大范围的计算水质,而且能够 在目标水域(需进行遥感水质反演的水域)反映出水质的时空分布特征,丰富的遥感数据和不断改进的反演模型使得水质监测变得实时便捷,促进了水质遥感监测的 应用。但是在水质遥感监测的实际使用过程中,利用遥感技术得到的卫星影像存在 着以下问题:有的卫星影像图幅大、时间分辨率高,但是空间分辨率较低;有的卫 星影像空间分辨率高,但是图像图幅小、重访周期长,使得基于遥感技术的水质结 果反常,出现了空间分辨率不足、频次不够或者不够精准的问题,影响到了水质计 算结果的准确性。
因此本发明提供一种的新的方案来解决此问题。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种结合时空融合与深度学习的遥感水质反演方法,有效的解决了水质遥感监测出现了卫星影像的空间分辨率和 时间分辨率不满足水质监测要求,从而使水质计算结果出现了偏差的问题。
其解决的技术方案是,一种结合时空融合与深度学习的遥感水质反演方法, 所述反演方法包括如下步骤:
S1、获取T1时刻高分二号卫星影像,并同时获取T1、T2时刻哨兵二号卫星 影像,在T1时刻的目标水域中的采样点采集水质数据,并导出水质数据矢量其中T1时刻高分二号卫星影像为高空间分辨率4m、低时间分辨率30天,T1、T2时刻 的哨兵二号卫星影像为低空间分辨率10m,高时间分辨率5天;
S2、将步骤S1得到的三幅卫星影像分别进行预处理;
S3、将步骤S2中进行预处理后的三幅卫星影像进行重采样,使得三者具备2m 分辨率,且像素一致,并利用时空融合模型生成T2时刻高分二号卫星影像;
S4、将步骤S3中生成的T2时刻高分二号卫星影像利用卷积神经网络模型进 行T2时刻的水质反演,得到T2时刻高空间分辨率的水质反演结果;
S5、利用全连接神经网络模型对T2时刻哨兵二号卫星影像进行反演,得到 T2时刻哨兵二号卫星影像低空间分辨率的水质反演结果;
S6、利用像元分解法将步骤S5得到的T2时刻哨兵二号卫星影像低空间分辨 率的水质反演结果对步骤S4中得到的T2时刻高空间分辨率的水质反演结果进行修 正;
S7、将步骤S3中得到的T2时刻高分二号卫星影像进行水体提取,得到水体 提取的矢量,并利用此水体提取的矢量对步骤S6得到的修正后的水质反演结果进 行裁剪,得到水质反演最终结果。
进一步地,所述步骤S1中的仪器包括便携水质光谱仪、海达RTK定位设备。
进一步地,所述步骤S2中的预处理方式包括辐射定标、大气校正、几何校正、 裁剪、以及波段合成。
进一步地,所述步骤S3中的利用时空融合模型得到高分辨率影像的具体步骤 为:
X1、利用最大似然法分别将T1时刻高分二号卫星影像和T1、T2时刻哨兵二 号卫星影像进行分类,并计算哨兵二号卫星的T1、T2时刻相对应的类别的时间差异;
X2、根据步骤X1得到的时间差异预测T2时刻的高分二号卫星影像分类结果, 并计算预测得到的T2时刻的高分二号卫星影像分类结果与T2时刻哨兵二号卫星分 类结果间的残差;
X3、将T2时刻哨兵二号卫星影像数据使用反距离加权插值函数预测T2时刻 高分二号卫星影像数据;
X4、反距离加权插值函数将步骤X2得到的残差分配给T2时刻预测的高分 二号影像数据,经以下公式生成T2时刻高分二号卫星影像:
ΔRhigh(xij,yij,b)=εhigh(xij,yij,b)+ΔRhigh(a,b) (1)
其中xij、yij、b依次表示单个像元在卫星影像中的的行、列、波段,εhigh(xij,yij,b)表示第i个低空间分辨率像元分配给第j个高空间分辨率像元的残差,
Rhigh1(xij,yij,b)为T1时刻高分二号卫星影像数据,ΔRhigh(xij,yij,b)为哨兵二 号卫星在T1与T2时刻间的像元空间分辨率变化值,ΔRhigh(a,b)为T1与T2时 刻间高空间分辨率数据对应类别a在波段b上的改变量为预测 的T2时刻高分二号卫星影像数据,ωk为第k个相似像元的权重。
进一步地,所述步骤S4中的卷积神经网络模型的构建包括以下步骤:
Y1、将步骤S1中的采样点分割为正方形,利用正方形将T1时刻高分二号卫 星影像的4个波段进行裁剪,形成数据集,将数据集进行扩充,得到训练集;
Y2、将80%的训练集中的数据导入卷积神经网络模型进行训练;
Y3、对卷积神经网络模型进行调整,并将卷积神经网络模型进行保存。
进一步地,所述步骤S5中的全连接神经网络模型的构建包括以下步骤:
W1、利用步骤S1中的水质数据矢量来提取哨兵二号卫星影像的波段,并将波 段作为全连接神经网络模型的数据集;
W2、将步骤W1中的数据集随机的80%来构建结构为4-10-1的全连接神经网 络模型,使用此数据集剩余的20%来验证全连接神经网络模型,并将此全连接神经 网络模型进行保存;
由于以上技术方案的采用,本发明与现有技术相比具有如下优点:
本发明结合时空融合模型与全连接神经网络模型、卷积神经网络模型来生成高时空分辨率水质反演结果,并利用像元分解法来对水质反演结果进行修正,避免水 质遥感监测出现了卫星影像的空间分辨率和时间分辨率不满足水质监测要求,从而 使水质计算结果出现了偏差的问题。
附图说明
图1为本发明的总流程图。
图2为本发明研究区域2019年8月21日采样图。
图3为本发明研究区域2019年7月3日哨兵影像预处理结果影像图。
图4为本发明研究区域2019年8月21日哨兵影像预处理结果影像图。
图5为本发明研究区域2019年8月21日高分影像预处理结果影像图。
图6为本发明时空融合示意图。
图7为本发明时空融合步骤图。
图8为本发明研究区域通过时空融合生成的2019年7月3日类高分影像。
图9为本发明卷积神经网络训练集扩充矩阵示例。
图10为本发明设计的卷积神经网络结构。
图11为本发明卷积神经网络训练进度图。
图12为本发明卷积神经网络模型精度折线图。
图13为本发明研究区2019年7月3日经卷积神经网络得到的高空间分辨率水 质结果。
图14为本发明采用的全连接神经网络模型结构。
图15为本发明研究区2019年7月3日经全连接神经网络模型得到的低空间分 辨率水质结果。
图16为本发明像元分解算法示意图。
图17为本发明研究区2019年7月3日修正后的高空间分辨率水质结果。
图18为本发明研究区2019年7月3日的水质最终结果。
具体实施方式
为有关本发明的前述及其他技术内容、特点与功效,在以下实施例的详细说明中,将可清楚的呈现。以下实施例中所提到的结构内容,均是以说明书附图为参考。
下面将参照附图1-18描述本发明的各示例性的实施例。
一种结合时空融合与深度学习的遥感水质反演方法,流程图如图1所示,所述反演方法包括如下步骤:
S1、获取T1时刻高分二号卫星影像,并同时获取T1、T2时刻哨兵二号卫星影像, 在T1时刻的目标水域中的采样点采集水质数据,并导出水质数据矢量其中T1时刻高分 二号卫星影像为高空间分辨率4m、低时间分辨率30天,T1、T2时刻的哨兵二号卫星 影像为低空间分辨率10m,高时间分辨率5天,其中,高分二号卫星影像从中国资源卫星应用中心查询并下载,哨兵二号卫星影像在欧空局哥白尼数据中心查询并下载,采样 点如图2所示,T2时刻哨兵二号卫星影像如图3所示,T1时刻哨兵二号卫星影像如图 4所示,T1时刻高分二号卫星影像如图5所示,由于高分二号卫星的时间分辨率低,所 以没有采集到T2时刻的高分二号卫星影像,本发明的研究区域为保定市雄安新区烧车 淀,遥感数据为T1时刻(2019年8月21日)的高分二号和哨兵二号数据及T2时刻(2019 年7月3日)的哨兵二号数据,水质采样数据为T1时刻在雄安新区烧车淀采集的106 个COD浓度数据;
S2、将步骤S1得到的三幅卫星影像分别进行预处理;
S3、将步骤S2中进行预处理后的三幅卫星影像进行重采样,使得三者具备2m分 辨率,且像素一致,并利用T1时刻高分二号卫星影像和时空融合模型生成T2时刻高分 二号卫星影像,其中,时空融合示意图如图6所示,时空融合流程如图7所示,时空融 合结果如图8所示;
S4、将步骤S3中得到的T2时刻高分二号卫星影像利用卷积神经网络模型进行T2时刻的水质反演,得到T2时刻高空间分辨率的水质反演结果;
S5、利用全连接神经网络模型对T2时刻哨兵二号卫星影像进行反演,得到T2时刻哨兵二号卫星影像低空间分辨率的水质反演结果,如图15所示,其中卷积神经网络模 型和全连接神经网络模型同属于深度学习;
S6、利用像元分解法将步骤S5得到的T2时刻基于哨兵二号卫星影像的低空间分辨率的水质反演结果对步骤S4中得到的T2时刻高空间分辨率的水质反演结果进行修正;
S7、将步骤S3中得到的T2时刻高分二号卫星影像进行水体提取,得到水体提取的矢量,并利用此水体提取的矢量对步骤S6得到的修正后的水质反演结果进行裁剪,得 到水质反演最终结果,即图18中的化学需氧量表示,如图18所示;
所述步骤S1中的仪器包括便携水质光谱仪、海达RTK定位设备;
所述步骤S2中的预处理方式包括辐射定标、大气校正、几何校正、裁剪、以及波 段合成;
所述步骤S3中的利用时空融合模型得到高分辨率影像的具体步骤为:
X1、利用最大似然法分别将T1时刻高分二号卫星影像和T1、T2时刻哨兵二号卫 星影像进行分类,并计算哨兵二号卫星的T1、T2时刻相对应的类别的时间差异,其中分类的标准是国家标准《土地利用现状分类》(GB/T21010-2017);
X2、根据步骤X1得到的时间差异预测T2时刻的高分二号卫星影像分类结果,并 计算预测得到的T2时刻的高分二号卫星影像分类结果与T2时刻哨兵二号卫星分类结果 间的残差;
X3、将T2时刻哨兵二号卫星影像数据使用反距离加权插值函数预测T2时刻高分二号卫星影像数据;
X4、反距离加权插值函数将步骤X2得到的残差分配给T2时刻预测的高分 二号影像数据,经以下公式生成T2时刻高分二号卫星影像:
ΔRhigh(xij,yij,b)=εhigh(xij,yij,b)+ΔRhigh(a,b) (1)
其中xij、yij、b依次表示单个像元在卫星影像中的的行、列、波段,εhigh(xij,yij,b)
表示第i个低空间分辨率像元分配给第j个高空间分辨率像元的残差, Rhigh1(xij,yij,b)为T1时刻高分二号卫星影像数据,ΔRhigh(xij,yij,b)为哨兵二 号卫星在T1与T2时刻间的像元空间分辨率变化值,ΔRhigh(a,b)为T1与T2时 刻间高空间分辨率数据对应类别a在波段b上的改变量为预测 的T2时刻高分二号卫星影像数据,ωk为第k个相似像元的权重。
其中用于指导残差分布反距离加权插值函数函数求解公式如下:
εhigh(xij,yij,b)=mε(xij,yij,b)×W(xij,yij,b) (3)
CW(xij,yij,b)=Eho(xij,yij,b)+ε(xij,yij,b)[1-HI(xij,yij)] (5)
式中,m为哨兵二号卫星影像中的亚像元个数,ε(xij,yij,b)表示实际高分二号卫星影 像与基于时间差异计算的像元值间的残差,W(xij,yij,b)表示波段b对应的反距离权重 函数,fIDW-b(xij,yij)表示两时刻间哨兵数据对应波段b的像元值变化,ΔRlow(xij,yij,b)表示指导残差分配的权,HI为同质系数,为基于时间差异预测的高分 辨率像元值,Rhigh1(xij,yij,b)为T1时刻高分二号影像像元值,/>为基 于反距离权重插值函数优化预测的高分二号影像的像元值;
所述步骤S4中的卷积神经网络模型的构建包括以下步骤:
Y1、将步骤S1中的采样点分割为正方形,利用正方形将T1时刻高分二号卫星影 像的4个波段进行裁剪,形成数据集,将数据集进行扩充,得到训练集,在本发明中对 含水质数据的矢量做缓冲区,生成106个边长为10m的正方形矢量,对T1时刻的高分 二号影像(分辨率为2m)进行裁剪,得到106个矩阵(像元排列为5×5×4)。由于矩 阵旋转不影响其对应的水质数据,对106个矩阵进行旋转操作实现数据扩充,最终得到 424个大小为5×5×4的矩阵,分别对应424个COD浓度数据,将这424对数据用于卷积神经网络模型的训练,单个矩阵如图9所示;
Y2、将80%的训练集中的数据导入卷积神经网络模型进行训练,导入卷积神经网络模型进行训练,其中卷积神经网络为三层,其单层结构为输入层-归一化-relu激活函数-池化层-卷积层,网络最后连接一个全连接层与回归层使得模型与水质融合数据相匹配,卷积神经网络模型结构如图10所示;
Y3、对卷积神经网络模型进行调整,并将卷积神经网络模型进行保存,所述卷积神经网络模型的每层卷积核个数、正则化参数、迭代次数、学习速率等参数都可以调整, 利用迭代法寻找参数,使得卷积神经网络模型精度最高,其中迭代的具体步骤如下:
Y31、初步确定迭代次数为10次,初步确定卷积核个数以及正则化参数、迭代次数、学习速率等参数的范围以及初始值,本发明选取6个参数进行迭代;
Y32、根据范围对第n个参数进行遍历,其中n0=1,n∈[1,6],其他参数选用初 始值,随着遍历进行多次卷积神经网络模型训练。使用剩余的20%的数据集验证模型精度,每次遍历均随机选取输入数据测试五遍,对五次的精度取平均并记录,保存遍历范 围内使得模型精度暂时最高的参数作为局部最优参数,训练过程如图11、图12所示;
Y33、根据范围对第n+1个参数进行遍历,其中第[1,n]个参数取值为b步骤的局 部最优参数,第[n+2,6]个参数沿用初始值,其他步骤同步骤Y32;
Y34、当所有参数遍历完毕后,结束本次迭代,记录所有局部最优参数,作为下一次迭代的初始值;
Y35、重复Y32—Y34步骤,本发明共重复10次,得到10组局部最优参数,参数 及对应精度如下表所示:
所述步骤S4的具体步骤为:
S41、读取输入时空融合模型数据的行列像素个数分别为Ln1与Wn1,矩阵的维度 为4(高分二号卫星影像与哨兵二号卫星影像波段数为4),并保存R,R保存了数据 的坐标信息。
S42、将时空融合模型数据外扩展两圈,总像素个数变为(Ln1+2)*(Wn1+2),扩展的像元取值为零;
S43、以时空融合数据的原始像素为中心在S42步骤的扩展数据上取5×5的矩阵块, 共计Ln*Wn个矩阵块,其中第i*j个矩阵块所含像元为(i∈[1,Ln1],j∈[1,Wn1])且
S44、将Ln1*Wn1个矩阵块依次输入训练好的模型,生成一列长度为Ln1*Wn1的回 归水质结果。
S45、对长度为Ln1*Wn1的回归水质结果进行重采样操作,生成长度为Ln1,宽度 为Wn1的一维矩阵,并恢复其坐标信息,保存为tif文件,生成的tif文件包含了陆地和 水体的反演结果,需进行下一步处理处理,如图13所示;
所述步骤S5中的全连接神经网络模型的构建包括以下步骤:
W1、利用步骤S1中的水质数据矢量来提取哨兵二号卫星影像的波段,并将波段作为全连接神经网络模型的数据集;
W2、将步骤W1中的数据集随机的80%来构建结构为4-10-1的全连接神经网络模型,其中输入层为4个节点,隐含层为10个节点,输出层为1个节点,全连接神经网络 模型结构如图14所示,使用此数据集剩余的20%来验证全连接神经网络模型,并将此 全连接神经网络模型进行保存;
所述步骤S6的的具体步骤为:
S61、读取低分辨率水质数据的像素行列个数分别为Ln2与Wn2,对低分辨率水质 数据和高分辨率水质数据进行重采样,采样方法选择最近邻,以原始低分辨率水质数据 为目标进行栅格捕捉,保证两种数据的像元严格对齐,采样后的像素行列个数为5*Ln2与5*Wn2;
S62、对重采样数据外扩展两圈,总像素个数变为(5*Ln2+2)*(5*Wn2+2),扩展的像元取值为零,对重采样数据进行同步遍历读取,其中步长设为2m,窗口大小设为10m, 并记录每次读取的像元对;
S63、对读取的低分辨率重采样像元进行均值化处理,生成对应混淆像元Y,其表达式为:
其中Wij为低分辨率重采样像元;
S64、经上述处理后得到25*Ln2*Wn2组修正像元对(用Z表示),其中每组包含 一个低分辨率混淆像元Y和25个高分辨率像元Xij,如图16所示;
S65、计算每组修正像元对的比例因子K,从而统计出高分辨率像元与混淆像元Y的变换量,其表达式为:
其中Xij为修正前像元,Y为混淆像元;
S66、根据比例因子计算该组每一个修正像元Zij,其表达式为:Zij=Xij*K,其中 K为比例因子,Zij为修正后像元;
S67、将每个像元对应的多个修正像元值进行均值化处理,生成最终修正像元;
S68、将最终修正像元重新排列整合,还原成一整幅水质结果,即T2时刻水质反演最终结果,如图17所示。
本发明在进行具体使用的时候,结合时空融合模型与全连接神经网络模型、卷 积神经网络模型来生成高时空分辨率水质反演结果,并利用像元分解法来对水质反 演结果进行修正,避免水质遥感监测出现了卫星影像的空间分辨率和时间分辨率不 满足水质监测要求,从而使水质计算结果出现了偏差的问题。该方法可以推广至多个时期缺少高空间分辨率遥感影像的情况,从而实现时间高频次、空间精细化的遥 感水质反演,为遥感水质监测的发展提供新的解决方案。
Claims (6)
1.一种结合时空融合与深度学习的遥感水质反演方法,其特征在于,所述反演方法包括如下步骤:
S1、获取T1时刻高分二号卫星影像,并同时获取T1、T2时刻哨兵二号卫星影像,在T1时刻的目标水域中的采样点采集水质数据,并导出水质数据矢量其中T1时刻高分二号卫星影像为高空间分辨率4m、低时间分辨率30天,T1、T2时刻的哨兵二号卫星影像为低空间分辨率10m,高时间分辨率5天;
S2、将步骤S1得到的三幅卫星影像分别进行预处理;
S3、将步骤S2中进行预处理后的三幅卫星影像进行重采样,使得三者具备2m分辨率,且像素一致,并利用时空融合模型生成T2时刻高分二号卫星影像;
S4、将步骤S3中生成的T2时刻高分二号卫星影像利用卷积神经网络模型进行T2时刻的水质反演,得到T2时刻高空间分辨率的水质反演结果;
S5、利用全连接神经网络模型对T2时刻哨兵二号卫星影像进行反演,得到T2时刻哨兵二号卫星影像低空间分辨率的水质反演结果;
S6、利用像元分解法将步骤S5得到的T2时刻哨兵二号卫星影像低空间分辨率的水质反演结果对步骤S4中得到的T2时刻高空间分辨率的水质反演结果进行修正;
S7、将步骤S3中得到的T2时刻高分二号卫星影像进行水体提取,得到水体提取的矢量,并利用此水体提取的矢量对步骤S6得到的修正后的水质反演结果进行裁剪,得到水质反演最终结果。
2.如权利要求1所述的一种结合时空融合与深度学习的遥感水质反演方法,其特征在于,所述步骤S1中的仪器包括便携水质光谱仪、海达RTK定位设备。
3.如权利要求1所述的一种结合时空融合与深度学习的遥感水质反演方法,其特征在于,所述步骤S2中的预处理方式包括辐射定标、大气校正、几何校正、裁剪、以及波段合成。
4.如权利要求1所述的一种结合时空融合与深度学习的遥感水质反演方法,其特征在于,所述步骤S3中的利用时空融合模型得到高分辨率影像的具体步骤为:
X1、利用最大似然法分别将T1时刻高分二号卫星影像和T1、T2时刻哨兵二号卫星影像进行分类,并计算哨兵二号卫星的T1、T2时刻相对应的类别的时间差异;
X2、根据步骤X1得到的时间差异预测T2时刻的高分二号卫星影像分类结果,并计算预测得到的T2时刻的高分二号卫星影像分类结果与T2时刻哨兵二号卫星分类结果间的残差;
X3、将T2时刻哨兵二号卫星影像数据使用反距离加权插值函数预测T2时刻高分二号卫星影像数据;
X4、反距离加权插值函数将步骤X2得到的残差分配给T2时刻预测的高分二号影像数据,经以下公式生成T2时刻高分二号卫星影像:
ΔRhigh(xij,yij,b)=εhigh(xij,yij,b)+ΔRhigh(a,b) (1)
5.如权利要求1所述的一种结合时空融合与深度学习的遥感水质反演方法,其特征在于,所述步骤S4中的卷积神经网络模型的构建包括以下步骤:
Y1、将步骤S1中的采样点分割为正方形,利用正方形将T1时刻高分二号卫星影像的4个波段进行裁剪,形成数据集,将数据集进行扩充,得到训练集;
Y2、将80%的训练集中的数据导入卷积神经网络模型进行训练;
Y3、对卷积神经网络模型进行调整,并将卷积神经网络模型进行保存。
6.如权利要求1所述的一种结合时空融合与深度学习的遥感水质反演方法,其特征在于,所述步骤S5中的全连接神经网络模型的构建包括以下步骤:
W1、利用步骤S1中的水质数据矢量来提取哨兵二号卫星影像的波段,并将波段作为全连接神经网络模型的数据集;
W2、将步骤W1中的数据集随机的80%来构建结构为4-10-1的全连接神经网络模型,其中4为全连接神经网络模型的输入层为4个节点,10为全连接神经网络模型的隐含层为10个节点,1为全连接神经网络模型的输出层为1个节点,使用此数据集剩余的20%来验证全连接神经网络模型,并将此全连接神经网络模型进行保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110633489.6A CN113324923B (zh) | 2021-06-07 | 2021-06-07 | 一种结合时空融合与深度学习的遥感水质反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110633489.6A CN113324923B (zh) | 2021-06-07 | 2021-06-07 | 一种结合时空融合与深度学习的遥感水质反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113324923A CN113324923A (zh) | 2021-08-31 |
CN113324923B true CN113324923B (zh) | 2023-07-07 |
Family
ID=77419909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110633489.6A Active CN113324923B (zh) | 2021-06-07 | 2021-06-07 | 一种结合时空融合与深度学习的遥感水质反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113324923B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330132B (zh) * | 2022-07-20 | 2023-04-07 | 中交上海航道局有限公司 | 一种用于突发污染事故中宽浅型河流的水质分布逆时反演的方法 |
CN116434082B (zh) * | 2023-06-09 | 2023-09-01 | 福建智联空间信息技术研究院有限公司 | 基于深度学习的湖泊水环境遥感监测方法 |
CN117351373B (zh) * | 2023-12-04 | 2024-03-12 | 厦门大学 | 一种河口海湾水质遥感产品智能融合处理方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012090235A1 (en) * | 2010-12-31 | 2012-07-05 | Geotechnos S.R.L. | Integrated method and system for detecting and elaborating environmental and terrestrial data |
CN103439472A (zh) * | 2013-06-14 | 2013-12-11 | 北京工商大学 | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 |
CN103679675A (zh) * | 2013-11-29 | 2014-03-26 | 航天恒星科技有限公司 | 一种面向水质定量遥感应用的遥感影像融合方法 |
CN106971146A (zh) * | 2017-03-03 | 2017-07-21 | 环境保护部卫星环境应用中心 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
CN108445464A (zh) * | 2018-03-12 | 2018-08-24 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的卫星雷达反演融合方法 |
CN108507949A (zh) * | 2018-02-07 | 2018-09-07 | 浙大正呈科技有限公司 | 一种基于高分遥感卫星的河道水质监测方法 |
KR20190133442A (ko) * | 2018-05-23 | 2019-12-03 | 한국해양과학기술원 | 인공위성 sar 영상기반 인공신경망을 이용한 오일 유출 탐지 방법 |
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 |
WO2020207070A1 (zh) * | 2019-04-09 | 2020-10-15 | 中国科学院深圳先进技术研究院 | 深圳海域水质评价方法及系统 |
CN111797186A (zh) * | 2020-06-17 | 2020-10-20 | 南开大学 | 一种遥感反演水体cod的方法 |
CN111986099A (zh) * | 2020-06-30 | 2020-11-24 | 武汉大学 | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 |
CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
WO2020255796A1 (ja) * | 2019-06-18 | 2020-12-24 | 日本電気株式会社 | 受信端末、測位方法及びプログラム |
CN112131946A (zh) * | 2020-08-21 | 2020-12-25 | 长沙银汉空间科技有限公司 | 光学遥感影像植被和水体信息自动提取方法 |
CN112215525A (zh) * | 2020-11-04 | 2021-01-12 | 安徽农业大学 | 一种湖库水质反演及可视化评价方法 |
CN112345499A (zh) * | 2020-10-07 | 2021-02-09 | 大连理工大学 | 基于多源遥感卫星的国际界湖透明度反演方法 |
CN112464746A (zh) * | 2020-11-10 | 2021-03-09 | 清华苏州环境创新研究院 | 一种卫星影像和机器学习的水质监测方法及系统 |
CN112798540A (zh) * | 2020-12-14 | 2021-05-14 | 浙江易智信息技术有限公司 | 一种基于高分遥感的水体污染源预警系统 |
CN112819697A (zh) * | 2021-02-04 | 2021-05-18 | 北京师范大学 | 一种遥感影像时空融合方法及系统 |
CN112906531A (zh) * | 2021-02-07 | 2021-06-04 | 清华苏州环境创新研究院 | 一种基于非监督分类的多源遥感影像时空融合方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9046363B2 (en) * | 2012-04-27 | 2015-06-02 | SATOP GmbH | Using multispectral satellite data to determine littoral water depths despite varying water turbidity |
-
2021
- 2021-06-07 CN CN202110633489.6A patent/CN113324923B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012090235A1 (en) * | 2010-12-31 | 2012-07-05 | Geotechnos S.R.L. | Integrated method and system for detecting and elaborating environmental and terrestrial data |
CN103439472A (zh) * | 2013-06-14 | 2013-12-11 | 北京工商大学 | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 |
CN103679675A (zh) * | 2013-11-29 | 2014-03-26 | 航天恒星科技有限公司 | 一种面向水质定量遥感应用的遥感影像融合方法 |
CN106971146A (zh) * | 2017-03-03 | 2017-07-21 | 环境保护部卫星环境应用中心 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
CN108507949A (zh) * | 2018-02-07 | 2018-09-07 | 浙大正呈科技有限公司 | 一种基于高分遥感卫星的河道水质监测方法 |
CN108445464A (zh) * | 2018-03-12 | 2018-08-24 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的卫星雷达反演融合方法 |
KR20190133442A (ko) * | 2018-05-23 | 2019-12-03 | 한국해양과학기술원 | 인공위성 sar 영상기반 인공신경망을 이용한 오일 유출 탐지 방법 |
WO2020207070A1 (zh) * | 2019-04-09 | 2020-10-15 | 中国科学院深圳先进技术研究院 | 深圳海域水质评价方法及系统 |
WO2020255796A1 (ja) * | 2019-06-18 | 2020-12-24 | 日本電気株式会社 | 受信端末、測位方法及びプログラム |
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 |
CN111797186A (zh) * | 2020-06-17 | 2020-10-20 | 南开大学 | 一种遥感反演水体cod的方法 |
CN111986099A (zh) * | 2020-06-30 | 2020-11-24 | 武汉大学 | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 |
CN112131946A (zh) * | 2020-08-21 | 2020-12-25 | 长沙银汉空间科技有限公司 | 光学遥感影像植被和水体信息自动提取方法 |
CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
CN112345499A (zh) * | 2020-10-07 | 2021-02-09 | 大连理工大学 | 基于多源遥感卫星的国际界湖透明度反演方法 |
CN112215525A (zh) * | 2020-11-04 | 2021-01-12 | 安徽农业大学 | 一种湖库水质反演及可视化评价方法 |
CN112464746A (zh) * | 2020-11-10 | 2021-03-09 | 清华苏州环境创新研究院 | 一种卫星影像和机器学习的水质监测方法及系统 |
CN112798540A (zh) * | 2020-12-14 | 2021-05-14 | 浙江易智信息技术有限公司 | 一种基于高分遥感的水体污染源预警系统 |
CN112819697A (zh) * | 2021-02-04 | 2021-05-18 | 北京师范大学 | 一种遥感影像时空融合方法及系统 |
CN112906531A (zh) * | 2021-02-07 | 2021-06-04 | 清华苏州环境创新研究院 | 一种基于非监督分类的多源遥感影像时空融合方法及系统 |
Non-Patent Citations (1)
Title |
---|
图像融合技术在海阳核电工程建设区域表层悬沙浓度遥感反演中的应用;梁钰;邓海;严立文;王强;张泽华;王云鹤;毕海波;黄海军;;海洋湖沼通报(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113324923A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113324923B (zh) | 一种结合时空融合与深度学习的遥感水质反演方法 | |
CN112836610B (zh) | 一种基于遥感数据的土地利用变化与碳储量定量估算方法 | |
CN110738252A (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
Jin et al. | Downscaling AMSR-2 soil moisture data with geographically weighted area-to-area regression kriging | |
CN114547017B (zh) | 一种基于深度学习的气象大数据融合方法 | |
CN114117886A (zh) | 一种用于多光谱遥感水深反演方法 | |
CN115077656B (zh) | 水库水储量反演方法和装置 | |
Zhou et al. | Multilayer fusion recurrent neural network for sea surface height anomaly field prediction | |
González‐Abad et al. | Using explainability to inform statistical downscaling based on deep learning beyond standard validation approaches | |
Kong et al. | A deep spatio-temporal forecasting model for multi-site weather prediction post-processing | |
CN113946978A (zh) | 基于LightGBM模型的水下三维温盐并行预报方法 | |
CN113204543A (zh) | 基于机器学习的二氧化碳柱浓度时空序列调整方法 | |
CN116383589A (zh) | 一种土壤养分的空间插值预测方法 | |
CN115936238A (zh) | 一种全域风电中长期出力预测方法、系统、设备及介质 | |
CN113920046B (zh) | 一种多分片卫星影像拼接和几何模型构建方法 | |
CN113988153A (zh) | 基于条件生成对抗网络的高分辨率气溶胶估算方法 | |
Zhu et al. | QIS-GAN: A Lightweight Adversarial Network With Quadtree Implicit Sampling for Multispectral and Hyperspectral Image Fusion | |
CN115063332B (zh) | 一种构建高空间分辨率时序遥感数据的方法 | |
CN110648282B (zh) | 一种基于宽度神经网络的图像超分辨率重建方法及系统 | |
Bellet et al. | End-to-end Learning for Land Cover Classification using Irregular and Unaligned SITS by Combining Attention-Based Interpolation with Sparse Variational Gaussian Processes | |
CN112328584B (zh) | 多维时空谱数据融合方法、装置、电子设备和存储介质 | |
Fang et al. | ENSO-Former: Spatiotemporal fusion network based on multivariate and dual-branch Transformer for ENSO prediction | |
CN117239744B (zh) | 融合风云4号气象卫星数据的超短期光伏功率预测方法 | |
CN113779863B (zh) | 一种基于数据挖掘的地表温度降尺度方法 | |
Amos et al. | A continuous vertically resolved ozone dataset from the fusion of chemistry climate models with observations using a Bayesian neural network |
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 |