CN113793374B - 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法 - Google Patents
一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法 Download PDFInfo
- Publication number
- CN113793374B CN113793374B CN202111020396.2A CN202111020396A CN113793374B CN 113793374 B CN113793374 B CN 113793374B CN 202111020396 A CN202111020396 A CN 202111020396A CN 113793374 B CN113793374 B CN 113793374B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- band
- algorithm
- water
- qaa
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010521 absorption reaction Methods 0.000 claims abstract description 29
- 238000002310 reflectometry Methods 0.000 claims abstract description 24
- 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 claims abstract description 21
- 229930002868 chlorophyll a Natural products 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 239000000126 substance Substances 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 18
- 238000011160 research Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 229930002875 chlorophyll Natural products 0.000 claims description 3
- 235000019804 chlorophyll Nutrition 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 239000000049 pigment Substances 0.000 claims description 3
- 239000013535 sea water Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 238000012876 topography Methods 0.000 abstract 1
- 235000014653 Carica parviflora Nutrition 0.000 description 5
- 241000243321 Cnidaria Species 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000020477 pH reduction Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
- G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
- G01F23/284—Electromagnetic waves
- G01F23/292—Light, e.g. infrared or ultraviolet
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
- G01N21/53—Scattering, i.e. diffuse reflection within a body or fluid within a flowing fluid, e.g. smoke
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Abstract
本发明属于海洋遥感技术领域，尤其涉及一种基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法。该方法可以利用改进的四波段遥感影像QAA算法进行水质反演得到黄色物质与碎屑的440nm处吸收系数和叶绿素a浓度，结合遥感反射率和水深控制点，利用机器学习的算法，进行水深反演。本发明可以充分利用遥感影像的所包含的水质和地形信息，从而进行卫星遥感水深反演，提高水深反演精度。
Description
技术领域
本发明属于海洋遥感技术领域，尤其涉及遥感图像处理以及水深遥感反演方法。
背景技术
浅水珊瑚礁只占海洋的一小部分(0.015％)，它们的生物多样性为它们提供了重要的生态和经济价值以及自然遗产。由于全球变暖、海洋酸化、海平面上升或海底侵蚀等各种因素，世界60％的珊瑚礁受到直接威胁。因此，有必要开发能够全面监测珊瑚礁结构和群落的工具。为了协助珊瑚礁海域有效的资源政策和管理，确保可持续发展，及时和准确的环境数据(如水深测量)至关重要。单波束和多波束回声测深仪提供了最精确和有效的深度估计模型。然而，由于其高成本、低速度和对天气的依赖性，大型测量船不适合浅水作业。机载探测激光雷达是船舶运动的一种选择，其适用性已在沿海地区得到证明。该方法精度高、但对航高有要求，幅宽比较小，易受水质条件的影响。卫星测深(SDB)正在成为一种经济实惠的方法，可以快速有效地提供大范围的高分辨率测绘，它是对传统测深法的有效补充虽然在不同的观测条件下，要建立一个模型来解释多维特征值与水深之间的关系并不容易，但机器学习可用于自动研究数值模型并提供最优解。许多学者充分挖掘图像和地面真实数据的信息，以获得更高精度的水深结果，Tatsuyuki Sagawa等人(2019年)使用机器学习和多时相卫星图像来推导水深测量，RMSE为2.09-3.26m。Evangelos Alevizos(2020)将机器学习与残差分析技术相结合，以改进从高光谱图像和稀疏地面真实信息中检索水深测量，RMSE为1.9-2.4m。
准分析算法(QAA)是Lee等人提出的一种生物光学半分析模型，用于计算水体的总吸收系数和后向散射系数，该系数与珊瑚礁中岛屿周围的水深相关。在光学浅海中，底部反射率可构成离开水域的辐射的重要部分，QAA的IOPs将捕获这一额外信号，导致结果值显著的不准确，而这些QAA IOPs的图像将显示归因于水深和不同底栖基质的空间特征。Chen等人(2019年)使用QAA和Kd算法估计上升流和下降流光绿带的漫反射衰减系数之和，以反演水深。Li等人(2019年)使用了一种基于水柱衰减情况的深度估计器自适应调整算法来估计水深。大部分学者研究认为QAA反演的IOPs可能会影响水深反演的经验参数，并没有将QAA反演的IOPs作为水深反演的特征值。
发明内容
为了充分利用遥感影像中的水体信息，本发明提供一种基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法。该方法将QAA的反演的IOP结果作为水深反演的特征值，与遥感反射率一起进行训练，从而提高水深反演的精度。
本发明的目的通过如下的技术方案来实现：
一种基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法，该方法包括如下步骤：
步骤1：筛选研究区影像，并对研究区的多光谱卫星数据进行预处理，包括影像裁剪，几何校正和大气校正；
步骤2：利用水体指数NDWI进行水体信息提取，水体识别的条件是NDWI>0；
步骤3：对处理后的遥感影像进行耀斑去除；
步骤4：运行改进的四波段QAA算法，得到有地形信息的CDOM吸收系数和叶绿素a浓度；
步骤5：将水深控制点对应的步骤4结果和步骤3结果作为输入参数，带入机器学习模型进行训练；
步骤6：利用训练的模型反演整幅遥感影像的水深值；
步骤7：潮汐改正并进行精度评价和遥感制图。
作为优选，步骤1所述的影像筛选是筛选研究区内无云的遥感高分辨率影像，所述预处理包括影像裁剪、几何校正和大气校正；大气校正算法为基于6S模型的大气校正算法。
作为优选，步骤2所述的水体信息提取方法为：计算NDWI，并将NDWI>0的区域识别为水体，其中，
公式中Green为绿波段的反射率，NIR为近红外波段的反射率。
作为优选，步骤3所述的耀斑去除算法为：
是可见光波段去除耀斑后的反射率数据，ρ(λ)是有耀斑波段的反射率数据，ρNIR是近红外波段反射率数据，/>是研究区视野内近红外波段的反射率最小值，bλ(λ)是研究区视野内近红外波段和可见光波段反射率数据的回归系数，λ是不同波段的中心波长。
作为优选，步骤4所述改进的四波段QAA算法，其方法如下：浮游植物在440nm处的色素吸收系数和后向散射系数可用叶绿素a浓度C表示为：
aphy(440)＝0.06*C0.65，
这里Y＝0.67875，
bbp(550)＝0.0111*C0.62，
在清澈的海水中，
aphy(λ)＝[a0(λ)+a1(λ)*aphy(440)]*aphy(440)
ag(λ)＝ag(440)*exp(-0.015*(λ-440))，
a(λ)＝aw(λ)+aphy(λ)+ag(λ)，
b(λ)＝bw(λ)+bbp(λ)，
QAA算法中，
其中g0、g1是常数，分别为0.08945、0.1247；
光学深水下表面遥感反射率的估计值和实际值之间的差异尽可能小，即使um和u0的值差异尽可能小；我们通过Levenberg–Marquardt方法确定了黄色物质和碎屑的吸收系数ag(440)和叶绿素a浓度C的最佳值；
上述公式中：a是水体的吸收系数，a0、a1是随波段变化的常数，aphy是叶绿素吸收系数，ag是黄色物质和碎屑的吸收系数，aw是纯水的吸收系数，bw是纯水的后向散射系数，bbp是浮游植物后向散射系数，λ是不同波段的中心波长。
作为优选，步骤5所述的机器学习算法为BP神经网络，其中输入层分别为控制点对应位置的R，G，B，NIR四波段遥感反射率和CDOM吸收系数ag(440)和叶绿素a浓度6个参数，期望输出为控制点水深；隐藏层设置为10，输出层是水深。
作为优选，步骤6所述的训练模型是步骤5所训练模型，反演整幅影像时输入分别是整幅影像的R，G，B，NIR四波段遥感反射率和CDOM吸收系数ag(440)和叶绿素a浓度，得到输出结果的水深。
作为优选，步骤7所述的精度评价指标是RMSE，其公式如下：
作为优选，所述四波段为蓝、绿、红、近红外波段。
作为优选，本算法适用于清澈的水体中，对悬浮物质很多的浑浊水体不适用。
本发明方法基于四波段卫星遥感数据，利用QAA结果当做水深反演特征值，结合各个波段遥感反射率构建水深反演模型，最终实现遥感水深反演，提高水深反演精度，具有重要的应用价值。
附图说明
图1是本方法的流程图；
图2是BP神经网络水深反演模型示意图；
图3是QAA结果黄色物质和碎屑的440纳米的吸收系数ag(440)和叶绿素a浓度C空间分布图；
图4是本发明方法和未用QAA结果作为特征进行水深反演精度评价对比；
图5是本发明方法在水深控制点为4000时的水深反演结果图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本方法采用四波段影像是具有蓝、绿、红、近红外四波段影像。
本发明的具体实施方式为：
步骤1：筛选研究区影像，并对研究区的多光谱卫星数据进行预处理，包括影像裁剪，几何校正和大气校正；
步骤2：利用水体指数NDWI进行水体信息提取，水体识别的条件是NDWI>0；
步骤3：对处理后的遥感影像进行耀斑去除；
步骤4：运行改进的四波段QAA算法，得到有地形信息的黄色物质与碎屑440nm处的吸收系数和叶绿素a浓度；
步骤5：将水深控制点对应的步骤4结果和步骤3结果作为输入参数，带入BP神经网络模型进行训练；
步骤6：利用训练的模型反演整幅遥感影像的水深值；
步骤7：潮汐改正并且进行精度评价和遥感制图。
实施例1
本实施例以Worldview-2四波段数据为例，利用Lidar数据源作为水深控制点，进行水深遥感反演。
步骤1：筛选数据源，选择无云的影像，下载甘泉岛Worldview-2数据，对影像进行预处理，包括影像裁剪、几何校正和大气校正。大气校正算法使用6S模型算法。
步骤2：计算水体指数NDWI，并将NDWI>0的区域设置为水体。其中：
公式中Green为绿波段的反射率，NIR为近红外波段的反射率。
步骤3：对遥感影像进行去耀斑处理，算法为：
是可见光波段去除耀斑后的反射率数据，ρ(λ)是有耀斑波段的反射率数据，ρNIR是近红外波段反射率数据，/>是研究区视野内近红外波段的反射率最小值，bλ(λ)是研究区视野内近红外波段和可见光波段反射率数据的回归系数，λ是不同波段的中心波长。
步骤4：利用改进的QAA算法计算黄色物质与碎屑440nm处的吸收系数和叶绿素a浓度；浮游植物在440nm处的色素吸收系数和后向散射系数可用叶绿素a浓度C表示为：
aphy(440)＝0.06*C0.65，
这里Y＝0.67875，
bbp(550)＝0.0111*C0.62，
在清澈的海水中，
aphy(λ)＝[a0(λ)+a1(λ)*aphy(440)]*aphy(440)
ag(λ)＝ag(440)*exp(-0.015*(λ-440))，
a(λ)＝aw(λ)+aphy(λ)+ag(λ)，
b(λ)＝bw(λ)+bbp(λ)，
QAA算法中，
其中g0、g1是常数，分别为0.08945、0.1247；
光学深水下表面遥感反射率的估计值和实际值之间的差异尽可能小，即使um和u0的值差异尽可能小。我们通过Levenberg–Marquardt方法确定了黄色物质和碎屑的吸收系数ag(440)和叶绿素a浓度C的最佳值。
上述公式中：a是水体的吸收系数，a0、a1常数如下：
a0(478)＝0.8051/a0(546)＝0.4576/a0(659)＝0.5399/a1(478)＝0.0153/a1(546)＝0.0829/a1(659)＝0.1087,
aphy是叶绿素吸收系数，ag是黄色物质和碎屑的吸收系数，aw是纯水的吸收系数，bw是纯水的后向散射系数，bbp是浮游植物后向散射系数，λ是不同波段的中心波长。
步骤5：将激光雷达点对应的QAA结果和四波段遥感反射率作为输入参数，带入BP神经网络模型进行训练；其中输入层分别为控制点对应位置的R，G，B，NIR四波段遥感反射率和CDOM吸收系数ag(440)和叶绿素a浓度6个参数，期望输出为控制点水深。隐藏层设置为10，输出层是水深。
步骤6：将整景影像的QAA结果和遥感反射率作为输入参数，带入步骤5所训练的水深反演模型得到水深反演结果。
步骤7：潮汐改正并且进行精度评价和遥感制图。所述的精度评价指标是RMSE，其公式如下：
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例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。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (7)
1.一种基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法，其特征在于，该方法依次包括如下步骤：
步骤1：筛选研究区影像，并对研究区的多光谱卫星数据进行预处理，包括影像裁剪，几何校正和大气校正；
步骤2：利用水体指数NDWI进行水体信息提取，水体识别的条件是NDWI＞0；
步骤3：对处理后的遥感影像进行耀斑去除；
步骤4：运行改进的四波段QAA算法，得到有地形信息的CDOM吸收系数和叶绿素a浓度；
利用改进的QAA算法计算黄色物质与碎屑440nm处的吸收系数和叶绿素a浓度；浮游植物在440nm处的色素吸收系数和后向散射系数可用叶绿素a浓度C表示为：
aphy(440)＝0.06*C0.65，
Y＝0.67875，
bbp(550)＝0.0111*C0.62，
在清澈的海水中：
aphy(λ)＝[a0(λ)+a1(λ)*aphy(440)]*aphy(440)，
ag(λ)＝ag(440)*exp(-0.015*(λ-440))，
a(λ)＝aw(λ)+aphy(λ)+ag(λ)，
b(λ)＝bw(λ)+bbp(λ)，
；
QAA算法中，
，
；
其中g0、g1是常数，分别为0.08945、0.1247；
光学深水下表面遥感反射率的估计值和实际值之间的差异尽可能小，即使um和u0的值差异尽可能小；通过Levenberg–Marquardt方法确定了黄色物质和碎屑的吸收系数ag(440)和叶绿素a浓度C的最佳值；
上述公式中：a是水体的吸收系数，a0、a1是随波段变化的常数：
a0(478)＝0.8051/a0(546)＝0.4576/a0(659)＝0.5399/a1(478)＝0.0153/a1(546)＝0.0829/a1(659)＝0.1087；
aphy是叶绿素吸收系数，ag是黄色物质和碎屑的吸收系数，aw是纯水的吸收系数，bw是纯水的后向散射系数，bbp是浮游植物后向散射系数，λ不同波段的中心波长；
步骤5：将水深控制点对应的步骤4结果和步骤3结果作为输入参数，带入机器学习模型进行训练；
步骤6：利用训练的模型反演整幅遥感影像的水深值；
步骤7：潮汐改正并进行精度评价和遥感制图。
2.根据权利要求1所述的基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法，其特征在于，步骤1所述的影像筛选是筛选研究区内无云的遥感高分辨率影像，根据研究区范围进行裁剪，并且进行辐射定标，大气校正；大气校正算法为基于6S模型的大气校正算法。
3.根据权利要求1所述的基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法，其特征在于，步骤2所述的水体信息提取方法为：计算NDWI，并将NDWI＞0的区域识别为水体，其中，
，
公式中Green为绿波段的反射率，NIR为近红外波段的反射率。
4.根据权利要求1所述的基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法，其特征在于，步骤3所述的耀斑去除算法为：
；
是可见光波段去除耀斑后的反射率数据，ρ(λ)是有耀斑波段的反射率数据，ρNIR是近红外波段反射率数据，/>是研究区视野内近红外波段的反射率最小值，bλ(λ)是研究区视野内近红外波段和可见光波段反射率数据的回归系数，λ是不同波段的中心波长。
5.根据权利要求1所述的基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法，其特征在于，步骤5所述的机器学习算法为BP神经网络，其中输入层分别为控制点对应位置的R，G，B，NIR四波段遥感反射率和CDOM吸收系数ag(440)和叶绿素a浓度6个参数，期望输出为控制点水深；隐藏层设置为10，输出层是水深。
6.根据权利要求1所述的基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法，其特征在于，步骤6所述的训练模型是步骤5所训练模型，反演整幅影像时输入分别是整幅影像的R，G，B，NIR四波段遥感反射率和CDOM吸收系数ag(440)和叶绿素a浓度，得到输出结果的水深。
7.根据权利要求1所述的基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法，其特征在于，所述的四波段为蓝、绿、红、近红外波段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111020396.2A CN113793374B (zh) | 2021-09-01 | 2021-09-01 | 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111020396.2A CN113793374B (zh) | 2021-09-01 | 2021-09-01 | 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113793374A CN113793374A (zh) | 2021-12-14 |
| CN113793374B true CN113793374B (zh) | 2023-12-22 |
Family
ID=79182508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111020396.2A Active CN113793374B (zh) | 2021-09-01 | 2021-09-01 | 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113793374B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114993268A (zh) * | 2022-04-13 | 2022-09-02 | 南京信息工程大学 | 结合CatBoost的水深反演方法、装置及存储介质 |
| CN115100537B (zh) * | 2022-06-27 | 2023-03-28 | 中国科学院地理科学与资源研究所 | 一种基于遥感影像的潮汐能资源评估方法 |
| CN114819150B (zh) * | 2022-06-28 | 2022-10-18 | 自然资源部第二海洋研究所 | 一种极地海洋冬季初级生产力遥感反演方法 |
| CN115909053A (zh) * | 2022-10-28 | 2023-04-04 | 天津大学 | 一种基于遥感影像的水体透明度反演方法及系统 |
| CN115797760B (zh) * | 2023-01-29 | 2023-05-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 主被动融合的水质立体遥感反演方法、系统及存储介质 |
| CN116500604B (zh) * | 2023-06-27 | 2023-08-29 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种水深定量反演方法、装置 |
| CN117274831A (zh) * | 2023-09-04 | 2023-12-22 | 大连海事大学 | 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法 |
| CN117496278B (zh) * | 2024-01-03 | 2024-04-05 | 自然资源部第二海洋研究所 | 基于辐射传输参数应用卷积神经网络的水深地图反演方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104181515A (zh) * | 2013-05-21 | 2014-12-03 | 时春雨 | 一种基于蓝-黄波段高光谱数据的浅海水深反演方法 |
| CN105158172A (zh) * | 2015-08-22 | 2015-12-16 | 中国城市科学研究会 | 一种内陆ii类水体水色参数遥感反演的分析方法 |
| CN105445751A (zh) * | 2015-11-18 | 2016-03-30 | 国家海洋局第一海洋研究所 | 一种浅水区域水深比值遥感反演方法 |
| CN105651263A (zh) * | 2015-12-23 | 2016-06-08 | 国家海洋局第海洋研究所 | 浅海水深多源遥感融合反演方法 |
| CN107589075A (zh) * | 2017-09-07 | 2018-01-16 | 中国科学院南京地理与湖泊研究所 | 一种浅水湖泊固有光学参数的olci遥感监测方法 |
| CN107607490A (zh) * | 2017-09-11 | 2018-01-19 | 中科宇图科技股份有限公司 | 基于GOCI影像进行水体中叶绿素a浓度估算的方法 |
| CN108038351A (zh) * | 2017-12-06 | 2018-05-15 | 武汉大学 | 一种基于遥感影像和水生态模型的叶绿素计算方法 |
| CN109059796A (zh) * | 2018-07-20 | 2018-12-21 | 国家海洋局第三海洋研究所 | 无水深控制点区域的浅海水深多光谱卫星遥感反演方法 |
| CN110849814A (zh) * | 2019-11-20 | 2020-02-28 | 平衡机器科技(深圳)有限公司 | 一种基于多源遥感卫星的遥感影像处理方法 |
| CN112630189A (zh) * | 2020-09-18 | 2021-04-09 | 浙江大学 | 一种基于改进qaa算法的内陆水体水质反演方法 |
| CN112989692A (zh) * | 2021-02-10 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 基于遥感数据的湖泊富营养化反演方法 |
| CN113203694A (zh) * | 2021-04-26 | 2021-08-03 | 中国科学院东北地理与农业生态研究所 | Msi的湖泊富营养指数遥感估算方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8605975B2 (en) * | 2006-02-13 | 2013-12-10 | The University Of Chicago | Image reconstruction from limited or incomplete data |
| US8593457B2 (en) * | 2010-05-27 | 2013-11-26 | National Tsing Hua University | Method of three-dimensional image data processing |
-
2021
- 2021-09-01 CN CN202111020396.2A patent/CN113793374B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104181515A (zh) * | 2013-05-21 | 2014-12-03 | 时春雨 | 一种基于蓝-黄波段高光谱数据的浅海水深反演方法 |
| CN105158172A (zh) * | 2015-08-22 | 2015-12-16 | 中国城市科学研究会 | 一种内陆ii类水体水色参数遥感反演的分析方法 |
| CN105445751A (zh) * | 2015-11-18 | 2016-03-30 | 国家海洋局第一海洋研究所 | 一种浅水区域水深比值遥感反演方法 |
| CN105651263A (zh) * | 2015-12-23 | 2016-06-08 | 国家海洋局第海洋研究所 | 浅海水深多源遥感融合反演方法 |
| CN107589075A (zh) * | 2017-09-07 | 2018-01-16 | 中国科学院南京地理与湖泊研究所 | 一种浅水湖泊固有光学参数的olci遥感监测方法 |
| CN107607490A (zh) * | 2017-09-11 | 2018-01-19 | 中科宇图科技股份有限公司 | 基于GOCI影像进行水体中叶绿素a浓度估算的方法 |
| CN108038351A (zh) * | 2017-12-06 | 2018-05-15 | 武汉大学 | 一种基于遥感影像和水生态模型的叶绿素计算方法 |
| CN109059796A (zh) * | 2018-07-20 | 2018-12-21 | 国家海洋局第三海洋研究所 | 无水深控制点区域的浅海水深多光谱卫星遥感反演方法 |
| CN110849814A (zh) * | 2019-11-20 | 2020-02-28 | 平衡机器科技(深圳)有限公司 | 一种基于多源遥感卫星的遥感影像处理方法 |
| CN112630189A (zh) * | 2020-09-18 | 2021-04-09 | 浙江大学 | 一种基于改进qaa算法的内陆水体水质反演方法 |
| CN112989692A (zh) * | 2021-02-10 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 基于遥感数据的湖泊富营养化反演方法 |
| CN113203694A (zh) * | 2021-04-26 | 2021-08-03 | 中国科学院东北地理与农业生态研究所 | Msi的湖泊富营养指数遥感估算方法 |
Non-Patent Citations (6)
| Title |
|---|
| "Developing QAA-based retrieval model of total suspended matter concentration in Itumbiara reservoir, Brazil";Enner Alcântara etal;《2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS)》;全文 * |
| "An Improved Approach to Retrieve IOPs Based on a Quasi-Analytical Algorithm (QAA) for Turbid Eutrophic Inland Water";Hongzhou Pan et al;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 》;全文 * |
| "基于四波段半分析算法和Hyperion遥感影像反演太湖叶绿素a浓度";陈军等;《遥感技术与应用》;全文 * |
| "基于极限学习机的浅海水深遥感反演研究";吴忠强等;《海洋测绘》;全文 * |
| 基于OLCI数据的洱海叶绿素a浓度估算;毕顺;李云梅;吕恒;朱利;牟蒙;雷少华;徐杰;温爽;丁潇蕾;;湖泊科学(第03期);全文 * |
| 悬浮颗粒物和叶绿素普适性生物光学反演模型;黄昌春;李云梅;王桥;吕恒;孙德勇;;红外与毫米波学报(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113793374A (zh) | 2021-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113793374B (zh) | 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法 | |
| Purkis | A" Reef-Up" approach to classifying coral habitats from IKONOS imagery | |
| Mishra et al. | Benthic habitat mapping in tropical marine environments using QuickBird multispectral data | |
| Mishra et al. | High-resolution ocean color remote sensing of benthic habitats: a case study at the Roatan Island, Honduras | |
| Loisel et al. | Challenges and new advances in ocean color remote sensing of coastal waters | |
| CN104374713B (zh) | 一种富营养化湖泊水体藻类垂向分布类型modis遥感监测方法 | |
| Kabiri et al. | Mapping of the corals around Hendorabi Island (Persian Gulf), using Worldview-2 standard imagery coupled with field observations | |
| Palandro et al. | Detection of changes in coral reef communities using Landsat-5 TM and Landsat-7 ETM+ data | |
| St-Pierre et al. | Kelp-bed dynamics across scales: Enhancing mapping capability with remote sensing and GIS | |
| Wilson et al. | Branching algorithm to identify bottom habitat in the optically complex coastal waters of Atlantic Canada using sentinel-2 satellite imagery | |
| Moniruzzaman et al. | Imaging and classification techniques for seagrass mapping and monitoring: A comprehensive survey | |
| Zhang et al. | A multiband model with successive projections algorithm for bathymetry estimation based on remotely sensed hyperspectral data in Qinghai lake | |
| Surisetty et al. | On improved nearshore bathymetry estimates from satellites using ensemble and machine learning approaches | |
| Wilson et al. | Mapping seafloor relative reflectance and assessing coral reef morphology with EAARL-B topobathymetric Lidar waveforms | |
| Xu et al. | Classification of coral reef benthos around Ganquan Island using WorldView-2 satellite imagery | |
| Mohamed et al. | Assessment of Machine Learning Approaches for Bathymetry Mapping in Shallow Water Environments using Multispectral Satellite Images. | |
| Bramante et al. | Derivation of bathymetry from multispectral imagery in the highly turbid waters of Singapore’s south islands: A comparative study | |
| Purkis et al. | 11 Remote Sensing of Submerged Aquatic Vegetation and Coral Reefs | |
| Camacho | Depth analysis of Midway Atoll using QuickBird multi-spectral imaging over variable substrates | |
| Ashphaq et al. | Evaluation and performance of satellite-derived bathymetry algorithms in turbid coastal water: a case study of Vengurla rocks | |
| Rösel et al. | Detection of melt ponds on Arctic sea ice with optical satellite data | |
| Gabr et al. | Assessment of genetic algorthim in developing bathymetry using multispectral landsat images | |
| Zhao et al. | Shallow water bathymetry retrieving of optical remote sensing combined with SVM bottom classification | |
| Nieto et al. | Classifying benthic habitats and deriving bathymetry at the Caribbean Netherlands using multispectral imagery. Case study of St. Eustatius | |
| Laliberte et al. | A method to derive satellite PAR albedo time series over first-year sea ice in the Arctic Ocean |
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 |