CN114494501A - 一种水体叶绿素a的重构方法及装置 - Google Patents
一种水体叶绿素a的重构方法及装置 Download PDFInfo
- Publication number
- CN114494501A CN114494501A CN202210335553.7A CN202210335553A CN114494501A CN 114494501 A CN114494501 A CN 114494501A CN 202210335553 A CN202210335553 A CN 202210335553A CN 114494501 A CN114494501 A CN 114494501A
- Authority
- CN
- China
- Prior art keywords
- pixel
- band
- chlorophyll
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 124
- 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 78
- 238000000034 method Methods 0.000 title claims abstract description 52
- 229930002868 chlorophyll a Natural products 0.000 title claims abstract description 39
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 39
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000002310 reflectometry Methods 0.000 claims abstract description 28
- 239000000443 aerosol Substances 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 101100001677 Emericella variicolor andL gene Proteins 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供了一种水体叶绿素a的重构方法及装置，涉及遥感影像处理技术领域，具体为：获取目标水体的遥感影像；对所述目标水体的遥感影像进行去云处理；计算去云处理后的目标水体的遥感影像的每个像元的多个特征因子，所述多个特征因子至少包括：预设波段的瑞利校正反射率、预设数量的波段比值、海洋水色指数和预设波段的空间差异值；利用预先训练完成的叶绿素重构模型对每个像元的多个特征因子进行处理，得到每个像元的叶绿素a值。相对于现有技术本申请在非云缺失区上具有较高的叶绿素重构精度。
Description
技术领域
本申请涉及遥感影像处理技术领域，尤其是涉及一种水体叶绿素a的重构方法及装置。
背景技术
目前，一类水体的叶绿素浓度最常用的估算方法是利用蓝绿波段遥感反射率(Rrs)波段比值。但是二类水体的光学特性要比一类水体复杂得多。因此利用蓝绿波段遥感反射率(Rrs)波段比值的算法估算二类水体叶绿素浓度，精度并不高，该算法并不适用于水体成分复杂的海域。
由于云覆盖、太阳耀斑、气溶胶等原因，通过卫星获取的、有效的叶绿素浓度数据较少，覆盖面积较小。以可见光红外成像辐射仪（Visible infrared Imaging Radiometer,VIIRS）为例，尽管卫星每天都测量且海洋上无云覆盖的概率约为25-30%，但是可有效检索到的、高质量的叶绿素浓度产品的概率仅占5%，这意味着对于大多数海域，每平方公里平均每20天只有一个高质量的叶绿素浓度数据。此外，由于中国近岸海域水体组成成分复杂多变、高浑浊水体高反射特性以及吸收性气溶胶等问题，无法准确地进行大气校正，导致近海水色遥感以及水色要素反演存在较大的问题，尤其是在近岸高浑浊水域，如黄河口、苏北浅滩等区域，现有的水色业务化算法对此类高浑浊水体基本失效。即使近岸天气晴朗无云，该海域的水色数据（如叶绿素浓度、遥感反射率等）依旧被错误地掩膜，导致水色产品大面积缺失。传统的插值方法，如DIEOF等，由于在重构过程中只保留了其中最优的EOF空间模态和对应的时间系数，而表征局部信息的空间模态和相应的时间系数没参与重构，因此重构缺失数据时，会平滑掉一些局部信息，而且会对叶绿素低浓度区的数据做出偏高估计。
对于晴朗无云的近岸高浑浊海域，目前的业务化算法为了保证结果的精度，常常对这些区域进行掩膜，使得这些区域缺乏有效的叶绿素浓度卫星产品。由于含有水体信息的离水辐亮度在传感器所接收到的总信号中所占比例极小，不足10%，因此难以提取出有效的离水辐亮度。同时，鉴于大气的组成成分及含量比较稳定，大气分子散射能通过精确瑞利散射计算得到。但是气溶胶的含量和种类存在较大的时空分异性，准确计算气溶胶散射存在很大的难度。因此，很难准确估计出叶绿素浓度值。
发明内容
有鉴于此，本申请提供了一种水体叶绿素a的重构方法及装置，以解决现有技术存在的上述技术问题。
第一方面，本申请实施例提供了一种水体叶绿素a的重构方法，包括：
获取目标水体的遥感影像；
对所述目标水体的遥感影像进行去云处理；
计算去云处理后的目标水体的遥感影像的每个像元的多个特征因子，所述多个特征因子至少包括：预设波段的瑞利校正反射率、预设数量的波段比值、海洋水色指数和预设波段的空间差异值；
利用预先训练完成的叶绿素重构模型对每个像元的多个特征因子进行处理，得到每个像元的叶绿素a值。
进一步的，对所述目标水体的遥感影像进行去云处理；包括：
计算目标水体的遥感影像的每个像元的1238nm波段的瑞利校正反射率Rrc(1238)、551nm波段的瑞利校正反射率Rrc(551)和486nm波段的瑞利校正反射率Rrc(486)：
其中，L(1238)、L(551)和L(486)分别为1238nm波段、551nm波段和486nm波段的辐射率，F 0是大气层外垂直入射的太阳辐射度，θs是太阳天顶角；
当Rrc(1238)≥0.35，则像元为云像元；
当0.015≤Rrc(1238)＜0.35且
(Rrc(486) －1.27×Rrc(551))＜﹣0.03，则像元为云像元；
去除目标水体的遥感影像中的云像元。
进一步的，预设的波段包括：410nm波段、443nm波段、486nm波段、551nm波段和671nm波段；
针对去云处理后的目标水体的遥感影像的每个像元，计算每个像元的预设波段的瑞利校正反射率，包括：
据以下公式计算波段λ的瑞利校正反射率Rrc(λ)：
其中，λ=410nm、443nm、486nm、551nm、671nm。
进一步的，针对去云处理后的目标水体的遥感影像的每个像元，计算每个像元的预设数量的波段比值，包括：
每个像元的第一波段比值R 1为：
每个像元的第二波段比值R 2为：
每个像元的第三波段比值R 3为：
每个像元的第四波段比值R 4为：
进一步的，针对去云处理后的目标水体的遥感影像的每个像元，计算每个像元的海洋水色指数；包括：
计算中间参数Rrc'：
则海洋水色指数CI：
进一步的，预设的波段包括：410nm波段、443nm波段、486nm波段、551nm波段和671nm波段；
针对去云处理后的目标水体的遥感影像的每个像元，计算每个像元的预设波段的空间差异值，包括：
在以每个像元为中心的 n×n 像元的窗口内，计算每个像元的波段λ的瑞利校正反射率与窗口内其它像元的波段λ的瑞利校正反射率差值的平均值，作为波段λ的空间差异值；其中，λ=410nm、443nm、486nm、551nm、671nm。
进一步的，所述叶绿素重构模型的输出值包括：叶绿素值、490nm波段的漫双减反射系数和551nm波段的气溶胶光学厚度；
所述叶绿素重构模型的训练步骤包括；
获取水体遥感影像样本；
计算水体遥感影像样本的每个像元的多个特征因子，包括：预设波段的瑞利校正反射率、预设数量的波段比值、海洋水色指数和预设波段的空间差异值；
利用所述叶绿素重构模型对水体遥感影像样本的每个像元的多个特征因子进行处理，得到每个像元的预期的模型输出值；
基于每个像元的预期的模型输出值和标注的模型输出值，确定损失函数值；基于损失函数值，更新叶绿素重构模型的模型参数。
第二方面，本申请实施例提供了一种水体叶绿素a的重构装置，包括：
获取单元，用于获取目标水体的遥感影像；
预处理单元，用于对目标水体的遥感影像进行去云处理；
计算单元，用于计算去云处理后的目标水体的遥感影像的每个像元的多个特征因子，所述多个特征因子至少包括：预设波段的瑞利校正反射率、预设数量的波段比值、海洋水色指数和预设波段的空间差异值；
叶绿素重构单元，用于利用预先训练完成的叶绿素重构模型对每个像元的多个特征因子进行处理，得到每个像元的叶绿素a值。
第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例的水体叶绿素a的重构方法。
第四方面，本申请实施例提供了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指令，所述计算机指令被处理器执行时实现本申请实施例的水体叶绿素a的重构方法。
相对于现有技术，本申请在非云缺失区上具有较高的叶绿素重构精度。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请的一些实施方式，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为本申请实施例提供的水体叶绿素a的重构方法的技术路线示意图；
图2为本申请实施例提供的水体叶绿素a的重构方法的流程图；
图3为本申请实施例提供的水体叶绿素a的重构装置的功能结构图；
图4为本申请实施例提供的电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
首先对本申请实施例的设计思想进行简单介绍。
在介绍了本申请实施例的应用场景和设计思想之后，下面对本申请实施例提供的技术方案进行说明。
对于晴朗无云的近岸高浑浊海域，目前的业务化算法为了保证结果的精度，常常对这些区域进行掩膜，使得这些区域缺乏有效的叶绿素浓度卫星产品，本申请将这些区域定义为非云缺失区。由于含有水体信息的离水辐亮度在传感器所接收到的总信号中所占比例极小，不足10%，因此难以提取出有效的离水辐亮度。同时，鉴于大气的组成成分及含量比较稳定，大气分子散射能通过精确瑞利散射计算得到。但是气溶胶的含量和种类存在较大的时空分异性，准确计算气溶胶散射存在很大的难度。
针对上述技术问题，本申请避开误差很大的气溶胶校正，仅基于瑞利校正反射率（Rrc）来建立算法模型重构非云缺失区的叶绿素a（Chla）浓度。但Rrc和Chla浓度间的函数关系暂时是未知的，同时由于近岸浑浊水体成分复杂，传统的经验算法和多元非线性回归将不再适用，而机器学习方法能灵活地模拟大量非线性过程，恰好可以弥补这一缺陷。如图1所示，本申请基于机器学习方法，将Rrc与Chla浓度数据直接结合，构建适用性较广的反演模型，在保证数据质量的同时，提高非云缺失区Chla浓度产品的时空覆盖范围和精度。
如图2所示，本申请实施例提供了一种水体叶绿素a的重构方法，包括：
步骤101：获取目标水体的遥感影像；
步骤102：对所述目标水体的遥感影像进行去云处理；
由于云层覆盖，无法获取有效的海洋水色遥感信息。同时，云层、太阳耀斑和近岸高浑浊水域的Rrc值与周围的值相比都较高，因此云层掩膜剔除无效信息的同时保留太阳耀斑和近岸高浑浊水域的水色信息至关重要。
在大气校正过程中，λ波段的瑞利校正反射率Rrc(λ)被定义为：
其中，ρ t (λ)代表大气顶层的反射率，ρ r (λ)代表在没有气溶胶的情况下由于大气中分子的瑞利散射而产生的反射率，ρ a (λ)代表来自于气溶胶多次散射的反射率，ρ w (λ)代表离水反射率，而t则代表从像元到传感器的漫射透过率。由于能够得到精确的ρ t (λ)和ρ r (λ)，因此可以通过瑞利校正获得准确的Rrc(λ)值，这个计算过程并不会受到大气校正算法的影响。
瑞利校正反射率Rrc(λ)与辐射率L(λ)之间的关系为：
其中，L(λ)为波段λ的辐射率，F 0是大气层外垂直入射的太阳辐射度（太阳常数），θs是太阳天顶角。
首先，计算待评估水体的遥感影像的每个像元的1238nm波段
Rrc(1238)的瑞利校正反射率、551nm波段的瑞利校正反射率Rrc(551)和486nm波段的瑞利校正反射率Rrc(486)；
当Rrc(1238)≥0.35，则像元为云像元；
当0.015≤Rrc(1238)＜0.35且
(Rrc(486) －1.27×Rrc(551))＜﹣0.03，则像元为云像元；
去除目标水体的遥感影像中的云像元。
上述云掩膜阈值在剔除厚云层等无效信息时，完整地保留了近岸高浑浊水体的信息。
步骤103：计算去云处理后的目标水体的遥感影像的每个像元的多个特征因子，所述多个特征因子至少包括：预设波段的瑞利校正反射率、预设数量的波段比值、海洋水色指数和预设波段的空间差异值；
在本实施例中，该步骤包括：
步骤3A：计算每个像元的五个预设波段的瑞利校正反射率；
本实施例中，预设的波段包括：410nm波段、443nm波段、486nm波段、551nm波段和671nm波段；
根据以下公式计算瑞利校正反射率Rrc(λ)：
步骤3B：计算每个像元的四个波段比值：
每个像元的第一波段比值R 1为：
每个像元的第二波段比值R 2为：
每个像元的第三波段比值R 3为：
每个像元的第四波段比值R 4为：
为了更好地利用Rrc光谱形状的优势，考虑在机器学习中输入Rrc(λ)波段组合值进行训练。根据Chla浓度的蓝绿波段比值经验算法，将R i 作为模型输入值。
步骤3C：计算每个像元的海洋水色指数；
计算中间参数Rrc'：
则海洋水色指数CI：
基于MODIS Rrc(λ)推导得到的CI指数，几乎能够在除厚云层以外的、所有非最佳观测条件下（如，太阳耀斑、气溶胶）推导出海洋水色数值。为了能提高水色产品的覆盖面积，在模型输入中加入该指数。
步骤3D：计算每个像元的五个预设波段的空间差异值SDmean(λ)；
本实施例中，引入了空间差异（Spatial Difference, SD）的定义，即以当前像元为中心，在 n×n （n为奇数）像元窗口内中心像元的 Rrc(λ)与窗口内其他像元 Rrc(λ)差值的平均（SDmean）。根据该定义计算出各像元在5个波段上的空间差异值。
经过对比实验发现，在不同观测条件下，使用 5×5 窗口计算 SD 时的精度最为显著，考虑其可能原因是窗口尺寸过小容易低估空间差异，而过大容易高估。同时对比了使用不同 Rrc(λ)差异计算方法（平均 SDmean 及中值 SDmedian）及不同的像元窗口尺寸所训练出的模型在给定的一些测试影像中识别精度的变化。可以发现，使用 SDmean时模型的识别精度在各尺寸窗口均为较高水平，且较 SDmedian更加稳定。主要原因可能是实际情况中图像数据会根据当时的大气情况和卫星观测角度发生变化，使用均值方法计算能够均衡地评估给定像元的空间差异，反之使用均值方法计算对观测环境的变化更加敏感。综上，以5×5 窗口及平均法计算 SD 是最优的选择；
步骤104：利用预先训练完成的叶绿素重构模型对每个像元的多个特征因子进行处理，得到每个像元的叶绿素a值；
在本实施例中，叶绿素重构模型采用BP神经网络，其输入为多个特征因子，输出为叶绿素浓度Chla、Kd(490)、AOD(551)，具体原因如下：
由于Rrc(λ)数据包含了大量的气溶胶信息，而气溶胶以及气溶胶对Rrc(λ)的影响可能会存在大尺度变化。同时，在近岸沿海地区，水体成分（TSM、CDOM和Chla等）组成复杂，这可能会对遥感信号的变化产生一定的影响。Chla浓度高的地区对应的Rrc(λ)较高，但是Rrc(λ)数值偏高并不仅仅是由高浓度的Chla浓度造成的，还可能与气溶胶和其他水体成分浓度（如TSM，CDOM等）有关。虽然目前的卫星产品不包含TSM数据，但是490nm波段的漫双减反射系数Kd(490)可表征光和热在水体中传递的结果，能阐明遥感可探测到的深度，通常可作为综合指标衡量水体质量。因此，将Kd(490)代替TSM和CDOM作为模型输出值之一，同时用551nm波段的气溶胶光学厚度AOD(551)来表示气溶胶对Rrc(λ)的影响。综上所述，根据映射的理论，将叶绿素浓度Chla、Kd(490)、AOD(551)作为叶绿素重构模型的输出值。
在该步骤之前，需要对叶绿素重构模型进行训练，包括：
步骤S1：获取水体遥感影像样本；
Rrc中等波段的空间分辨率为750 m，成像波段的空间分辨率则为375 m，而VIIRSS-NPP的Chla产品分辨率为1km，为了统一各波段的分辨率以及便于神经网络模型训练，通过SeaDAS将Rrc和Chla浓度空间分辨率统一为1km。
根据NASA标准，可用质量控制标志（l2_flags）舍弃、删除低质量或有问题的Chla产品。l2_flags是L1数据生成L2数据过程中产生的、32位的2进制格式数据，包含了早期处理数据质量的信息，如天顶角、传感器校正；包含了算法无效的像素；还包含了关于地球物理数据中每个像素的分类或质量的补充信息，如图像上有无陆地、阳光闪烁、无效或可疑数据等。标记为E的l2_flags用于消除无效像素。P表示高度可疑的像素，因此，本实施例针对Chla浓度产品，将标有E和P的l2_flags作为质量控制指标，移除有问题或低质量的Chla浓度及其对应的Rrc。
反复测试，确立最优的训练次数、隐含层结构及其对应节点；
将经质量控制后的有效像素按一定比例随机分为两个数据集，70%的数据用于训练机器学习模型，其余30%的数据用于模型的验证，进行模型训练；
步骤S2：计算水体遥感影像样本的每个像元的多个特征因子。包括：预设波段的瑞利校正反射率、预设数量的波段比值、海洋水色指数和预设波段的空间差异值；
步骤S3：利用所述叶绿素重构模型对水体遥感影像样本的每个像元的多个特征因子进行处理，得到每个像元的预期的模型输出值；
步骤S4：基于每个像元的预期的模型输出值和标注的模型输出值，确定损失函数值；基于损失函数值，更新叶绿素重构模型的模型参数。
分别基于卫星数据和实测数据检验模型重构精度。未参与模型训练的、独立VIIRS卫星图像进行验证分析，经验证，模型重构精度较高。
基于上述实施例，本申请实施例提供了一种水体叶绿素a的重构装置，参阅图3所示，本申请实施例提供的一种水体叶绿素a的重构装置200至少包括：
获取单元201，用于获取目标水体的遥感影像；
预处理单元202，用于对目标水体的遥感影像进行去云处理；
计算单元203，用于计算去云处理后的目标水体的遥感影像的每个像元的多个特征因子，所述多个特征因子至少包括：预设波段的瑞利校正反射率、预设数量的波段比值、海洋水色指数和预设波段的空间差异值；
叶绿素重构单元204，用于利用预先训练完成的叶绿素重构模型对每个像元的多个特征因子进行处理，得到每个像元的叶绿素a值。
需要说明的是，本申请实施例提供的一种水体叶绿素a的重构装置200解决技术问题的原理与本申请实施例提供的一种水体叶绿素a的重构方法相似，因此，本申请实施例提供的一种水体叶绿素a的重构装置200的实施可以参见本申请实施例提供的一种水体叶绿素a的重构方法的实施，重复之处不再赘述。
如图4所示，本申请实施例提供的电子设备300至少包括：处理器301、存储器302和存储在存储器302上并可在处理器301上运行的计算机程序，处理器301执行计算机程序时实现本申请实施例提供的水体叶绿素a的重构方法。
本申请实施例提供的电子设备300还可以包括连接不同组件（包括处理器301和存储器302）的总线303。其中，总线303表示几类总线结构中的一种或多种，包括存储器总线、外围总线、局域总线等。
存储器302可以包括易失性存储器形式的可读介质，例如随机存储器（RandomAccess Memory，RAM）3021和/或高速缓存存储器3022，还可以进一步包括只读存储器（ReadOnly Memory，ROM）3023。
存储器302还可以包括具有一组（至少一个）程序模块3025的程序工具3024，程序模块3025包括但不限于：操作子系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备300也可以与一个或多个外部设备304（例如键盘、遥控器等）通信，还可以与一个或者多个使得用户能与电子设备300交互的设备通信（例如手机、电脑等），和/或，与使得电子设备300与一个或多个其它电子设备300进行通信的任何设备（例如路由器、调制解调器等）通信。这种通信可以通过输入/输出（Input /Output，I/O）接口305进行。并且，电子设备300还可以通过网络适配器306与一个或者多个网络（例如局域网（Local AreaNetwork，LAN），广域网（Wide Area Network，WAN）和/或公共网络，例如因特网）通信。如图4所示，网络适配器306通过总线303与电子设备300的其它模块通信。应当理解，尽管图4中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列（Redundant Arrays of IndependentDisks，RAID）子系统、磁带驱动器以及数据备份存储子系统等。
需要说明的是，图4所示的电子设备300仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
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指令，该计算机指令被处理器执行时实现本申请实施例提供的一种水体叶绿素a的重构方法。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (10)
1.一种水体叶绿素a的重构方法，其特征在于，包括：
获取目标水体的遥感影像；
对所述目标水体的遥感影像进行去云处理；
计算去云处理后的目标水体的遥感影像的每个像元的多个特征因子，所述多个特征因子至少包括：预设波段的瑞利校正反射率、预设数量的波段比值、海洋水色指数和预设波段的空间差异值；
利用预先训练完成的叶绿素重构模型对每个像元的多个特征因子进行处理，得到每个像元的叶绿素a值。
2.根据权利要求1所述的水体叶绿素a的重构方法，其特征在于，对所述目标水体的遥感影像进行去云处理；包括：
计算目标水体的遥感影像的每个像元的1238nm波段的瑞利校正反射率Rrc(1238)、551nm波段的瑞利校正反射率Rrc(551)和486nm波段的瑞利校正反射率Rrc(486)：
其中，L(1238)、L(551)和L(486)分别为1238nm波段、551nm波段和486nm波段的辐射率，F 0是大气层外垂直入射的太阳辐射度，θs是太阳天顶角；
当Rrc(1238)≥0.35，则像元为云像元；
当0.015≤Rrc(1238)＜0.35且
(Rrc(486) －1.27×Rrc(551))＜﹣0.03，则像元为云像元；
去除目标水体的遥感影像中的云像元。
3.根据权利要求1所述的水体叶绿素a的重构方法，其特征在于，预设的波段包括：410nm波段、443nm波段、486nm波段、551nm波段和671nm波段；
针对去云处理后的目标水体的遥感影像的每个像元，计算每个像元的预设波段的瑞利校正反射率，包括：
据以下公式计算波段λ的瑞利校正反射率Rrc(λ)：
其中，λ=410nm、443nm、486nm、551nm、671nm。
4.根据权利要求3所述的水体叶绿素a的重构方法，其特征在于，针对去云处理后的目标水体的遥感影像的每个像元，计算每个像元的预设数量的波段比值，包括：
每个像元的第一波段比值R 1为：
每个像元的第二波段比值R 2为：
每个像元的第三波段比值R 3为：
每个像元的第四波段比值R 4为：
5.根据权利要求3所述的水体叶绿素a的重构方法，其特征在于，针对去云处理后的目标水体的遥感影像的每个像元，计算每个像元的海洋水色指数；包括：
计算中间参数Rrc'：
则海洋水色指数CI：
6.根据权利要求3所述的水体叶绿素a的重构方法，其特征在于，预设的波段包括：410nm波段、443nm波段、486nm波段、551nm波段和671nm波段；
针对去云处理后的目标水体的遥感影像的每个像元，计算每个像元的预设波段的空间差异值，包括：
在以每个像元为中心的 n×n 像元的窗口内，计算每个像元的波段λ的瑞利校正反射率与窗口内其它像元的波段λ的瑞利校正反射率差值的平均值，作为波段λ的空间差异值；其中，n为奇数，λ=410nm、443nm、486nm、551nm、671nm。
7.根据权利要求1所述的水体叶绿素a的重构方法，其特征在于，所述叶绿素重构模型的输出值包括：叶绿素值、490nm波段的漫双减反射系数和551nm波段的气溶胶光学厚度；
所述叶绿素重构模型的训练步骤包括；
获取水体遥感影像样本；
计算水体遥感影像样本的每个像元的多个特征因子，包括：预设波段的瑞利校正反射率、预设数量的波段比值、海洋水色指数和预设波段的空间差异值；
利用所述叶绿素重构模型对水体遥感影像样本的每个像元的多个特征因子进行处理，得到每个像元的预期的模型输出值；
基于每个像元的预期的模型输出值和标注的模型输出值，确定损失函数值；基于损失函数值，更新叶绿素重构模型的模型参数。
8.一种水体叶绿素a的重构装置，其特征在于，包括：
获取单元，用于获取目标水体的遥感影像；
预处理单元，用于对目标水体的遥感影像进行去云处理；
计算单元，用于计算去云处理后的目标水体的遥感影像的每个像元的多个特征因子，所述多个特征因子至少包括：预设波段的瑞利校正反射率、预设数量的波段比值、海洋水色指数和预设波段的空间差异值；
叶绿素重构单元，用于利用预先训练完成的叶绿素重构模型对每个像元的多个特征因子进行处理，得到每个像元的叶绿素a值。
9.一种电子设备，其特征在于，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的水体叶绿素a的重构方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现如权利要求1-7任一项所述的水体叶绿素a的重构方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210335553.7A CN114494501B (zh) | 2022-04-01 | 2022-04-01 | 一种水体叶绿素a的重构方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210335553.7A CN114494501B (zh) | 2022-04-01 | 2022-04-01 | 一种水体叶绿素a的重构方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114494501A true CN114494501A (zh) | 2022-05-13 |
| CN114494501B CN114494501B (zh) | 2022-07-15 |
Family
ID=81488737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210335553.7A Active CN114494501B (zh) | 2022-04-01 | 2022-04-01 | 一种水体叶绿素a的重构方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114494501B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116952906A (zh) * | 2023-09-20 | 2023-10-27 | 南京航天宏图信息技术有限公司 | 水体健康状态评估方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101852722A (zh) * | 2010-05-20 | 2010-10-06 | 北京航空航天大学 | 一种实现水体叶绿素a遥感反演精度评估方法 |
| CN104390917A (zh) * | 2014-12-03 | 2015-03-04 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊水体叶绿素a 的MODIS卫星高精度监测方法 |
| CN107064068A (zh) * | 2017-01-12 | 2017-08-18 | 杭州师范大学 | 一种浑浊水体颗粒有机碳浓度的遥感反演方法 |
| CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
| CN113345004A (zh) * | 2021-08-05 | 2021-09-03 | 航天宏图信息技术股份有限公司 | 一种植被叶面积指数的估算方法和装置 |
-
2022
- 2022-04-01 CN CN202210335553.7A patent/CN114494501B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101852722A (zh) * | 2010-05-20 | 2010-10-06 | 北京航空航天大学 | 一种实现水体叶绿素a遥感反演精度评估方法 |
| CN104390917A (zh) * | 2014-12-03 | 2015-03-04 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊水体叶绿素a 的MODIS卫星高精度监测方法 |
| CN107064068A (zh) * | 2017-01-12 | 2017-08-18 | 杭州师范大学 | 一种浑浊水体颗粒有机碳浓度的遥感反演方法 |
| CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
| CN113345004A (zh) * | 2021-08-05 | 2021-09-03 | 航天宏图信息技术股份有限公司 | 一种植被叶面积指数的估算方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| SHUANGLING CHEN, 等: "Improving ocean color data coverage through machine learning", 《REMOTE SENSING OF ENVIRONMENT》 * |
| 罗婕纯一 等: "水质遥感监测的关键要素叶绿素a的反演算法研究进展", 《遥感技术与应用》 * |
| 郭俊如 等: "东中国海遥感叶绿素数据重构方法研究", 《遥感技术与应用》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116952906A (zh) * | 2023-09-20 | 2023-10-27 | 南京航天宏图信息技术有限公司 | 水体健康状态评估方法、装置、电子设备及存储介质 |
| CN116952906B (zh) * | 2023-09-20 | 2024-01-12 | 南京航天宏图信息技术有限公司 | 水体健康状态评估方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114494501B (zh) | 2022-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jaelani et al. | Evaluation of four MERIS atmospheric correction algorithms in Lake Kasumigaura, Japan | |
| CN114113001B (zh) | 一种气溶胶光学厚度反演方法 | |
| James et al. | Convolutional neural networks for water segmentation using sentinel-2 red, green, blue (RGB) composites and derived spectral indices | |
| Qing et al. | Improving remote sensing retrieval of water clarity in complex coastal and inland waters with modified absorption estimation and optical water classification using Sentinel-2 MSI | |
| Carvajal et al. | Relationship between atmospheric corrections and training-site strategy with respect to accuracy of greenhouse detection process from very high resolution imagery | |
| Emberton et al. | Sensor capability and atmospheric correction in ocean colour remote sensing | |
| CN114494501B (zh) | 一种水体叶绿素a的重构方法及装置 | |
| Pahlevan et al. | Characterizing the relative calibration of Landsat-7 (ETM+) visible bands with Terra (MODIS) over clear waters: The implications for monitoring water resources | |
| CN114742733A (zh) | 云去除方法、装置、计算机设备和存储介质 | |
| Zorrilla et al. | Automated SWIR based empirical sun glint correction of Landsat 8-OLI data over coastal turbid water | |
| Tao et al. | Thick cloud removal in optical remote sensing images using a texture complexity guided self-paced learning method | |
| Zhou et al. | Developing a PCA–ANN model for predicting chlorophyll a concentration from field hyperspectral measurements in Dianshan Lake, China | |
| CN113763272B (zh) | 一种富营养化湖泊光合有效辐射衰减系数遥感反演方法 | |
| Ran et al. | RGAN: Rethinking generative adversarial networks for cloud removal | |
| Fan et al. | Machine learning algorithms for retrievals of aerosol and ocean color products from FY-3D MERSI-II instrument | |
| Ibrahim et al. | Optimal estimation framework for ocean color atmospheric correction and pixel-level uncertainty quantification | |
| CN117292261A (zh) | 一种异源遥感影像变化检测方法 | |
| CN117664874A (zh) | 一种基于空天地结合的河口地区咸潮上溯监测方法及系统 | |
| Collin et al. | Mapping bathymetry, habitat, and potential bleaching of coral reefs using Sentinel-2 | |
| Kajiyama et al. | Regional algorithms for European seas: A case study based on MERIS data | |
| Ampe et al. | A wavelet-enhanced inversion method for water quality retrieval from high spectral resolution data for complex waters | |
| CN112907660B (zh) | 面向小样本的水下激光目标检测仪 | |
| Kremezi et al. | Data fusion for increasing monitoring capabilities of Sentinel optical data in marine environment | |
| CN113361403A (zh) | 改进的基于ndfi洪水提取方法、系统、终端及应用 | |
| Ioannou et al. | Neural network approach for the derivation of chlorophyll concentration from ocean color |
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 |