CN114819150B - 一种极地海洋冬季初级生产力遥感反演方法 - Google Patents
一种极地海洋冬季初级生产力遥感反演方法 Download PDFInfo
- Publication number
- CN114819150B CN114819150B CN202210742969.0A CN202210742969A CN114819150B CN 114819150 B CN114819150 B CN 114819150B CN 202210742969 A CN202210742969 A CN 202210742969A CN 114819150 B CN114819150 B CN 114819150B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- radiance
- satellite image
- neural network
- winter
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种极地海洋冬季初级生产力遥感反演方法,包括:获取有效数据量大于设定值的MODIS卫星图像;对获取的MODIS卫星图像进行处理得到瑞利校正辐亮度计算参数,基于所述计算参数得到瑞利校正辐亮度,基于瑞利校正辐亮度得到训练数据集;在处理后的MODIS卫星图像中筛选像元,筛选训练数据集;基于所述筛选训练数据集构建神经网络模型;对获取的目标卫星影像进行处理,得到模型输入参数,将所述模型输入参数输入神经网络模型,得到目标卫星影像的遥感反射率;基于所述目标卫星影像的遥感反射率得到叶绿素浓度;基于所述叶绿素浓度利用初级生产力模型反演极地海洋冬季初级生产力。达到准确的处理极地海洋冬季数据的目的。
Description
技术领域
本发明涉及海洋遥感领域,具体的涉及一种极地海洋冬季初级生产力遥感反演方法。
背景技术
理清南大洋初级生产力区域分布和季节分布特征具有重要意义。水色卫星遥感具有视点高、视域广、数据采集快和重复、连续观察的特点,能够观测到人类难以到达的水域,提供充足的观测数据。然而,现存的相关研究都是围绕在南大洋夏季分布特征展开的,例如,Lesley等使用1998年3月在南大洋的实测生物光学参数,研究了混合层水色参数特征,研究表明,表层叶绿素浓度与混合层叶绿素浓度存在相关关系,随着纬度的增大相关关系下降,且SeaWiFS在南大洋的叶绿素浓度产品存在低估的现象。许苏清等基于中国南极考察第16和第21航次现场走航观测的数据,以及从卫星遥感获得资料分析了南大洋夏季海表层水的叶绿素和温盐在1999-2000年和2004-2005年间的年际月平均变化,结果表明:南大洋叶绿素分布呈现随时间变化向岸梯度递增,高值区主要在冰边缘,岛屿附近和陆架海域;海表层水温由南向北呈现明显的随时间变化梯度递增,从生产力和温盐三方面佐证了南大洋上升流的存在;Borrione等使用了12 年SeaWiFS(1997到2010)的卫星数据计算了南大洋的水华发生频率,发现南大洋叶绿素浓度存在季节性周期,一般在12月左右达到峰值。Arrigo等使用航次实测数据,研究了南大洋浮游植物生物群落结构以及CO2输运过程,研究表明,由于气候变暖导致海洋上层分层增加,生物群落吸收大气 CO2并将其输送到深海的能力可能会急剧下降。廖静思等利用第30次(2013~2014年)南极科学考察所获得的南大洋表层海水叶绿素a,温度以及盐度数据进行分析,发现南半球夏季,对于浮游植物生长来说,温度水平和光照水平都是很充足的,而限制因素主要是营养物质的缺乏;Prakash等2020年使用Bio-Argo 浮法观测首次估计了印度洋-南大洋连接区域叶绿素-a的季节性演变,研究发现,高生产力海域来源于富含营养的地下水的上涌、海洋表面溶解铁的供应及水平平流。总的来说,关于南大洋在碳循环过程中的作用的相关研究,无论是使用实测数据,还是卫星数据,都集中在12月到次年2月,这是由于冬半年(3月至9月)数据的缺失。如图1所示,NASA发布的MODIS/Aqua月均叶绿素浓度产品。可以看到,即使在冬季,南大洋也存在大量无海冰覆盖的区域,而NASA的月均叶绿素浓度产品却无有效值。这一现象的主要原因是,现行的大气校正算法无法有效处理太阳天顶角大于70度的水色资料。因此,需要开展大太阳天顶角下极地海洋水色卫星资料处理技术的研究,做到极地海洋冬季初级生产力遥感反演,从而能够理清南大洋冬季表层海水叶绿素a分布特征及其原因。
大太阳天顶角下极地海洋水色卫星资料处理技术的难点在于大气校正算法。卫星接收到的水色信号包含了大量的干扰信号,包括瑞利散射辐亮度,气溶胶散射辐亮度,太阳耀斑,白帽等,大气校正的过程即剔除这些噪音的过程。水色卫星接收到的总信号中大气信号占了很大的比重,在蓝光波段,大气信号能占到总信号的90%,大气校正的误差会严重影响卫星产品的精度。对于一类水体,离水辐射反演的误差要求为5%,我国海洋一号水色遥感计划中提出的二类水体离水辐射率反演的误差要求不大于15%。以412nm波段为例,10%的大气校正误差会造成100%的离水辐亮度反演误差,继而会造成更大的叶绿素产品,悬浮物产品误差。因此,保证大气校正的精度至关重要。
针对大洋一类水体的大气校正算法始于上世纪七十年代,根据暗黑象元的假设,忽略近红外波段的离水辐射,进而外推到可见光波段。二类水体大气校正方法主要有基于外推反演气溶胶贡献的光谱迭代法、短波红外校正法和紫外波段校正法,基于气溶胶查找表的大气校正方法,基于实测光谱的经验线性法和基于机器学习的大气校正方法等。其中,光谱迭代法是根据研究区域气溶胶的比例结构确定其光学属性,再根据单次散射理论计算透过率和气溶胶程辐射反射率等变量,使用多次散射理论修正单次散射计算结果。短波红外校正法是针对浑浊二类水体,将暗黑像元假设的波段延长到短红外波段,例如利用MODIS的短波红外波段(1240nm和2130nm)代替两个近红外波段估算气溶胶类型和光学厚度,再外推到可见光/近红外波段完成大气校正。紫外波段校正法是使用紫外波段反射率代替传统的近红外和短波红外波段的大气校正算法。基于气溶胶查找表的大气校正方法主要使用辐射传输模型(如6S等)解析不同类型的气溶胶性质,大气校正时按查找表处理数据。基于实测光谱的经验线性法是假定传感器记录的DN值和对应区域的实测反射率值之间满足线性关系,从而在DN值和反射率数据之间建立关系的一种统计方法。大气校正可以看作是对输入光谱的一个非线性函数逼近,使用机器学习的方法能够高效准确的进行这项工作。近些年,多名学者将机器学习应用在GOCI、MERIS和哨兵-2等水色卫星的大气校正中。例如,一种适用于近海浑浊水体的多层神经网络大气校正算法,该算法使用辐射传输模型AccuRT计算得到的模拟数据集训练神经网络,能够有效处理极轨卫星MODIS在近岸的数据。
目前,在面对晨昏观测环境时,基于外推反演气溶胶贡献的大气校正方法由于气溶胶性质日内变化较大、空间分布不均匀和气溶胶性质多变等特点,对可见光波段的气溶胶贡献存在不同程度的高估;基于气溶胶查找表的大气校正方法由于晨昏时段太阳天顶角较大,致使地球曲率的影响变大,因此无法准确模拟得到气溶胶贡献,处理卫星晨昏观测资料时也存在较大误差;基于实测光谱的经验线性法需要大量晨昏时段的实测光谱数据,由于实测数据非常难得,算法的区域性限制比较大,因此也不适用于晨昏观测条件;基于机器学习的大气校正方法由于所使用的训练数据集来自于辐射传输模型或不同卫星的产品,数据集仅覆盖中低太阳天顶角的数据,因此也没有处理晨昏条件下卫星资料的能力。总的来说,现有的大气校正方法研究虽然已较为深入,但因为这些算法的构建和验证过程主要针对中低太阳天顶角的观测环境,因此难以应对大太阳天顶角的晨昏观测环境。现有技术存在无法处理极地海洋冬季数据的问题。
发明内容
本发明实施例公开了一种极地海洋冬季初级生产力遥感反演方法,至少部分解决了现有技术中无法处理极地海洋冬季数据的问题。
本发明实施例提供了一种极地海洋冬季初级生产力遥感反演方法,包括:
获取有效数据量大于设定值的MODIS卫星图像;
对获取的MODIS卫星图像进行处理得到瑞利校正辐亮度计算参数,基于所述计算参数得到瑞利校正辐亮度,基于瑞利校正辐亮度得到训练数据集,所述计算参数包括遥感反射率;
基于所述遥感反射率,在处理后的MODIS卫星图像中筛选像元,基于训练数据集和像元得到筛选训练数据集;
基于所述筛选训练数据集构建神经网络模型;
对获取的目标卫星影像进行处理,得到模型输入参数,将所述模型输入参数输入神经网络模型,得到目标卫星影像的遥感反射率;
基于所述目标卫星影像的遥感反射率得到叶绿素浓度;
基于所述叶绿素浓度利用初级生产力模型反演极地海洋冬季初级生产力。
可选的,所述获取有效数据量大于设定值的MODIS卫星图像,包括:
获取有效数据量大于10%的MODIS卫星图像,获取的MODIS卫星图像空间范围覆盖不同纬度区域,MODIS卫星图像的时间范围跨度至少为1年。
可选的,所述对获取的MODIS卫星图像进行处理得到瑞利校正辐亮度计算参数,基于所述计算参数得到瑞利校正辐亮度,基于瑞利校正辐亮度得到训练数据集;
所述计算参数,包括遥感反射率、卫星接收到的总辐亮度、大气透射率、瑞利辐亮度、太阳天顶角、观测天顶角和相对方位角。
可选的,基于所述遥感反射率,在处理后的MODIS卫星图像中筛选像元,基于训练数据集和像元得到筛选训练数据集,包括:
使用像元框划分处理后的MODIS卫星图像,筛选出有效像元占总像元数比例大于阈值的像元框;
比较设定时间内的MODIS卫星图像,筛选出设定时间内变异系数小于系数阈值的像元。
可选的,基于所述筛选训练数据集构建神经网络模型,包括:
构建从瑞利校正辐亮度到遥感反射率的具有单个隐含层的神经网络模型;
所述神经网络模型包括输入层、输出层和隐含层,隐含层中包含13个神经元,输入层包括太阳天顶角、相对方位角、观测天顶角和瑞利校正辐亮度,输出层为遥感反射率;
隐含层神经元用线性函数传递到输出层,
所述神经网络模型采用反向传播算法进行训练;神经网络模型的初始值随机获取,初始值取值范围为0~1,训练使权重值和偏差值迭代更新;
用训练目标和输出结果的均方根误差评估训练结果;
当迭代更新次数超过迭代阈值或均方根误差变大,停止训练。
可选的,所述基于所述目标卫星影像的遥感反射率得到叶绿素浓度,包括:
利用算法生成叶绿素浓度,所述算法公式为:
式中,a=0.2424,b=-2.7423,c=1.8017,d=0.0015,e=-1.228;R是蓝绿色波长的Rrs最大频带比,Rrs为遥感反射率。
可选的,所述初级生产力模型为:
式中z为水深;t为时间;C是浮游植物碳生物量;Chla(z)是Chla的垂直剖面,Chla为叶绿素浓度,NPP为初级生产力,G(z,t)是浮游植物的生长速率。
可选的,所述Chla(z)的计算公式为:
式中,Chla(0)是水面的Chla;MLD为混合层深度。
可选的,所述G(z,t)的计算公式为:
式中G0是微藻在0°C下的最大生长速率;r是决定浮游植物生长对温度敏感性的参数;L(z,t)表示光场对浮游植物生长的影响。
可选的,所述L(z,t)的计算公式为:
式中PUR(z,t)是光合可用辐射;E'k是光谱光适应参数;
本发明实施例提供的极地海洋冬季初级生产力遥感反演方法,通过计算参数得到训练数据集,并基于遥感反射率和筛选的像元得到筛选训练数据集,从而构建神经网络模型,并基于构建的神经网络模型得到目标卫星影像的遥感反射率,从而得到叶绿素浓度,进而反演极地海洋冬季初级生产力,达到准确的处理极地海洋冬季数据的目的。
提供发明内容部分是为了以简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的重要特征或必要特征,也无意限制本公开的范围。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了NASA发布的MODIS/Aqua月均叶绿素浓度产品示意图;
图2示出了本实施例公开的一种极地海洋冬季初级生产力遥感反演方法的流程图;
图3a至图3f示出了神经网络大气校正方法整体训练结果在不同波段的精度示意图;
图4a至图4f示出了神经网络大气校正方法整体训练结果在不同太阳天顶角下的精度示意图;
图5a至图5c示出了用于验证神经网络大气校正方法的AERONET-OC实测站位分布示意图;
图6a至图6f示出了使用实测数据集对神经网络大气校正方法的检验结果示意图;
图7a和图7c示出了一般太阳天顶角下将神经网络大气校正方法应用在卫星数据上的遥感反射率结果示意图;
图7b和图7d示出了一般太阳天顶角下将近红外迭代大气校方法应用在卫星数据上的结果示意图;
图7e示出了一般太阳天顶角下太阳天顶角分布示意图;
图8a和图8b示出了在大太阳天顶角下将神经网络大气校正方法应用在卫星数据上的遥感反射率结果示意图;
图8c示出了在大太阳天顶角下将近红外迭代大气校方法应用在卫星数据上的结果示意图;
图8d示出了在大太阳天顶角下太阳天顶角分布示意图;
图9a和图9d示出了在南极及附近高纬度区域将神经网络大气校正方法应用在卫星数据上的遥感反射率结果示意图;
图9b和图9e示出了在南极及附近高纬度区域NASA发布的多年月均叶绿素浓度产品示意图;
图9c和图9f示出了在南极及附近高纬度区域产品对比散点图;
图10示出了在南极及附近高纬度区域,神经网络大气校正方法生成的多年月均叶绿素浓度产品示意图;
图11示出了在北极及附近高纬度区域,基于神经网络大气校正方法生成的多年月均叶绿素浓度产品,生成的初级生产力产品示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的实施例,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
极地海洋冬季太阳天顶角较大,光照信号弱,传统大气校正模型在这种观测环境下精度下降,初级生产力数据缺失严重。本实施例使用神经网络方法,将不同观测环境下的数据相连接,能够有效处理太阳天顶角较大的卫星数据,生成准确的遥感反射率数据,从而利用OC3M算法生成叶绿素浓度和初级生产力数据。
其中,大气校正的主要原理为:水色卫星接收到的大气顶层总信号可以由如下公式表示:
,式中,是瑞利散射辐亮度,是气溶胶辐亮度,是瑞利和气溶胶相互作用产生的辐亮度,这三项构成了大气程辐射;是太阳耀斑产生的辐亮度,由水体对直射太阳光的镜面反射构成;是白帽引起的辐亮度;是离水辐亮度,即大气校正最终要获取的量;和分别是大气漫射透过率和直射透过率,与大气中的成分有关,比如臭氧浓度、水汽含量和气溶胶的光学厚度等。现代的海洋水色卫星可以通过偏转测量角度来避免太阳耀斑辐亮度,而白帽辐亮度在总辐亮度中的贡献非常小,在风速不大时可以忽略。和可通过如下公式计算:
式中,,,分别为瑞利散射光学厚度,气溶胶光学厚度和臭氧光学厚度。现在已经有成熟的瑞利散射查找表,根据风速,气压,波长等信息可以查找到精确的瑞利散射辐亮度,因此,水色遥感大气校正的关键和难点是气溶胶辐亮度的计算。目前,在面对晨昏观测环境时,基于外推反演气溶胶贡献的大气校正方法由于气溶胶性质日内变化较大、空间分布不均匀和气溶胶性质多变等特点,对可见光波段的气溶胶贡献存在不同程度的高估;基于气溶胶查找表的大气校正方法由于晨昏时段太阳天顶角较大,致使地球曲率的影响变大,因此无法准确模拟得到气溶胶贡献,处理卫星晨昏观测资料时也存在较大误差;基于实测光谱的经验线性法需要大量晨昏时段的实测光谱数据,由于实测数据非常难得,算法的区域性限制比较大,因此也不适用于晨昏观测条件;基于机器学习的大气校正方法由于所使用的训练数据集来自于辐射传输模型或不同卫星的产品,数据集仅覆盖中低太阳天顶角的数据,因此也没有处理晨昏条件下卫星资料的能力。
由于精确估算和去除气溶胶贡献是非常困难的,本实施例使用了神经网络方法来绕过气溶胶散射辐亮度的计算直接获得遥感反射率产品。大气校正可以看作是对输入光谱的一个非线性函数逼近,使用机器学习的方法能够高效准确的进行这项工作。神经网络大气校正模型能否成功处理卫星数据,关键在于神经网络训练数据集的构建。本实施例通过筛选出的高质量的卫星数据集,训练神经网络。该数据集包含了不同观测环境,不同观测区域,不同观测季节,具有普适性和代表性,因此能够有效处理极地海洋冬季的数据。
如图2所示,一种极地海洋冬季初级生产力遥感反演方法,包括:
步骤S201:获取有效数据量大于设定值的MODIS卫星图像;
可选的,所述获取有效数据量大于设定值的MODIS卫星图像,包括:
在一个具体的应用场景中设定值可以10%,即为获取有效数据量大于10%的MODIS卫星图像,获取的MODIS卫星图像空间范围覆盖不同纬度区域,MODIS卫星图像的时间范围跨度至少为1年。
通过图像识别软件识别获取MODIS卫星图像中有效数据量大于10%的卫星图像,获取的MODIS图像空间范围覆盖了不同纬度区域,时间范围跨度为1至2年,从而具有代表性。
利用NASA发布的MODIS单幅影像的产品RPG图像,使用matlab编写程序,识别有效数据量,从而能够从大量的卫星数据中提取出有效数据量较大的数据。获取的卫星数据量空间范围覆盖了不同纬度区域,时间范围跨度为1至2年,具有季节代表性和区域代表性,并且构建的数据集涵盖了大太阳天顶角数据,能够解决MODIS卫星晨昏观测环境下的数据处理问题。
步骤S202:对获取的MODIS卫星图像进行处理得到瑞利校正辐亮度计算参数,基于所述计算参数得到瑞利校正辐亮度,基于瑞利校正辐亮度得到训练数据集,所述计算参数包括遥感反射率;
可选的,所述对获取的MODIS卫星图像进行处理得到瑞利校正辐亮度计算参数,基于所述计算参数得到瑞利校正辐亮度,基于瑞利校正辐亮度得到训练数据集;
所述计算参数,包括遥感反射率、卫星接收到的总辐亮度、大气透射率、瑞利辐亮度、太阳天顶角、观测天顶角和相对方位角。
使用Seadas软件处理步骤S201得到的卫星图像,得到对应的遥感反射率、卫星接收到的总辐亮度、太阳耀斑辐亮度、白帽辐亮度、大气透射率、瑞利辐亮度、太阳天顶角、观测天顶角、相对方位角,然后,使用如下公式计算得到瑞利校正辐亮度(),作为像元数据用于训练神经网络模型。
式中,Lt(λ)为卫星接收到的总辐亮度,T(λ)是从海面到传感器的大气透射率,Lg(λ)为太阳耀斑辐亮度,t'是从海面到传感器的大气上行漫射透射率,Lwc(λ)为表面白帽辐亮度,Lr(λ)为大气分子瑞利散射辐亮度。其中大气分子瑞利散射辐亮度使用考虑地球曲率的海气耦合矢量辐射传输模型PCOART-SA生成的瑞利散射查找表计算得到。
现行的大气校正模型在计算瑞利散射辐亮度部分时,所使用的瑞利散射查找表没有考虑地球曲率,在面对大太阳天顶角的晨昏观测条件时,传统的瑞利散射查找表误差较大,本实施例使用考虑地球曲率的海气耦合矢量辐射传输模型PCOART-SA生成的瑞利散射查找表计算得到瑞利散射辐亮度部分,精度较高,能够解决MODIS卫星晨昏观测环境下的数据处理问题。
其中,瑞利散射辐亮度随气压变化、散射角不同、空气分子混合比不同、海面风场变化而波动,使用PCOART-SA生成的瑞利散射查找表,可以精确计算得到瑞利散射辐亮度。由于卫星传感器的倾斜,白帽辐亮度,耀斑辐亮度可以忽略不计。因此,大气校正的难点是气溶胶散射辐射的计算,气溶胶项在空间和时间上变化很大。对于开阔水域,大气校正算法通过黑暗像元假设来估算气溶胶辐射;所述黑暗像元假设为假设水在近红外波段由于纯水的强吸收而使离水辐射可忽略不计;但在沿海地区,由于水体的高浑浊度,近红外波段辐射不能忽略,黑暗像元假设往往会造成较大的误差。由于无法精确的去除气溶胶贡献,本实施例利用神经网络模型绕过气溶胶的计算过程。
步骤S203:基于所述遥感反射率,在处理后的MODIS卫星图像中筛选像元,基于训练数据集和像元得到筛选训练数据集;
可选的,基于所述遥感反射率,在处理后的MODIS卫星图像中筛选像元,基于训练数据集和像元得到筛选训练数据集,包括:
使用像元框划分处理后的MODIS卫星图像,筛选出有效像元占总像元数比例大于阈值的像元框;
比较设定时间内的MODIS卫星图像,筛选出设定时间内变异系数小于系数阈值的像元。
在一个具体的示例中,使用3×3大小的像元框划分处理后的卫星图像,筛选出有效像元占总像元数比例大于50%的像元框,且比较每天的卫星数据,筛选出一天变异系数小于0.15的像元,构建神经网络训练数据集,即阈值为50%,系数阈值为0.15。该处的阈值与系数阈值只是举例说明,并不仅仅限定为该数值,在实际应用中可以根据具体的场景进行设置。
使用的3×3的像元框大小,0.15系数阈值为经过大量实验所确定的最优取值;保证了所选用的训练数据在时间范围内的一致性,避免了水华或强流引起的水体快速变化。确保生成训练数据集的准确性,能够解决MODIS卫星晨昏观测环境下的数据处理问题。
步骤S204:基于所述筛选训练数据集构建神经网络模型;
可选的,基于所述筛选训练数据集构建神经网络模型,包括:
构建从瑞利校正辐亮度到遥感反射率的具有单个隐含层的神经网络模型;
所述神经网络模型包括输入层、输出层和隐含层,隐含层中包含13个神经元,输入层包括太阳天顶角、相对方位角、观测天顶角和瑞利校正辐亮度,输出层为遥感反射率;
隐含层神经元用线性函数传递到输出层,
所述神经网络模型采用反向传播算法进行训练;神经网络模型的初始值随机获取,初始值取值范围为0~1,训练使权重值和偏差值迭代更新;
用训练目标和输出结果的均方根误差评估训练结果;
当迭代更新次数超过迭代阈值或均方根误差变大,停止训练。
在一个示例中,利用筛选的训练数据集构建神经网络模型,建立一个从瑞利校正辐亮度到遥感反射率的具有单个隐含层的神经网络。所建立的神经网络模型包括输入层、输出层和隐含层,隐含层中包含13个神经元,输入层包括太阳天顶角、相对方位角、观测天顶角和瑞利校正辐亮度,输出层为遥感反射率。输入和输出参数的规范化过程由嵌入MATLAB神经网络工具箱中的premnmx、tramnmx和postnmx函数自动完成。隐含层神经元的传递(激活)函数采用双曲正切sigmoid函数,隐含层神经元用线性函数传递到输出。采用Levenberg-Marquardt反向传播算法对网络进行训练。神经网络的初始值由系统随机获取,取值范围为0~1,训练得时候权重值和偏差值迭代更新。使用训练目标(即中午时间段的遥感反射率)和神经网络输出结果的均方根误差来评估训练结果。一旦均方根误差变大或迭代次数超过1000次,训练就会停止。
神经元的传递函数采用双曲正切S形函数f(x):
随机选择训练数据集中70%的数据用于训练神经网络模型,剩余的30%数据用于测试模型效果。神经网络大气校正模型整体训练结果如图3a至图3f以及图4a至图4f所示,图3a至图3f分别为412 nm,443 nm, 488 nm, 531 nm, 555 nm, 678 nm波段神经网络大气校正方法反演结果与NASA发布的卫星产品的比较。图4a至图4f分别为0到30度,30到40度, 40到50度, 50到60度, 60到70度, 70到90度范围内,神经网络大气校正方法反演结果与NASA发布的卫星产品的比较可以看到,无论是使用训练数据集还是测试数据集,散点都围绕在1:1线附近,且相关系数大于0.99,神经网络大气校正模型展现出了较高的精度。实测数据集对神经网络大气校正方法的检验结果如图5a至图5c以及图6a至图6f所示。图6a至图6f分别为不同波段,神经网络大气校正方法反演结果与AERONET-OC实测数据的比较,图中黑色圆圈为近红外算法反演结果,灰色圆圈为神经网络大气校正方法反演结果。图5a至图5c中的英文表示地面,是示例行说明,对技术方案没有限定作用,图5a至图5c中的横坐标表示经度,纵坐标表示纬度。可以看出,神经网络大气校正方法在大太阳天顶角环境下具有较高的精度。
使用单层神经网络计算效率较高,使用输入数据包含了太阳天顶角等观测几何信息,能够解决MODIS卫星晨昏观测环境下的数据处理问题。
步骤S205:对获取的目标卫星影像进行处理,得到模型输入参数,将所述模型输入参数输入神经网络模型,得到目标卫星影像的遥感反射率;
在一个具体的示例中,使用Seadas软件处理目标卫星影像,得到对应的瑞利校正辐亮度、太阳天顶角、观测天顶角、相对方位角,将这些数据输入构建的神经网络模型,得到目标卫星影像的遥感反射率。
使用Seadas软件处理卫星数据时,使用考虑地球曲率的海气耦合矢量辐射传输模型PCOART-SA生成的瑞利散射查找表计算得到瑞利散射辐亮度部分。使用神经网络模型处理卫星数据效率较高,例如,使用NASA软件处理MODIS一景数据约需要30分钟,而使用构建的神经网络模型处理所需时间为约1分钟。
为提高运算效率,将目标卫星图像中的研究区域使用Seadas或其他卫星处理软件裁剪出来,作为目标卫星影像,再用Seadas软件处理得到输入层的13个元素,包括太阳天顶角、相对方位角、观测天顶角和10个波段的瑞利校正辐亮度,将该13个元素输入训练好的神经网络大气校正模型,得到输出层10个波段的遥感反射率。神经网络大气校正方法与传统的近红外迭代大气校正方法的对比如图7a 至图7e和图8a至图8d所示;图7a至图7b为在一般太阳天顶角下,神经网络大气校正方法与传统的近红外迭代大气校正方法的对比。其中,图7a至图7e无颜色区域为无有效产品区域。图8a至图8d无颜色区域为无有效产品区域。图7a至图7e中的横坐标表示经度,纵坐标表示纬度。图8a至图8d是在晨昏的大太阳天顶角环境(太阳天顶角大于70°)神经网络大气校正方法与传统的近红外迭代大气校正方法的对比。图8a至图8d中的横坐标表示经度,纵坐标表示纬度。图7a至图7e是在中午的一般太阳天顶角环境;如图8a和图8b所示,在大太阳天顶角环境下,神经网络大气校正模型能够反演得到覆盖面积更大的有效数据,并且空间连续,没有明显的异质性。如图7a至图7e所示,在一般的太阳天顶角环境下,神经网络大气校正模型与以前的模型反演结果基本一致,相对偏差较小。如图9a至图9f所示为在南极及附近高纬度区域,神经网络大气校正方法与NASA发布的多年月均叶绿素浓度产品的对比。图9a至图9f中无颜色区域为无有效产品区域。图9a表示1月神经网络月均叶绿素浓度,图9b表示1月月均NASA叶绿素浓度,图9c表示1月散点对比,图9d表示5月神经网络月均叶绿素浓度,图9e表示5月月均NASA叶绿素浓度,图9f表示5月散点对比。
步骤S206:基于所述目标卫星影像的遥感反射率得到叶绿素浓度;
使用步骤S205输出的遥感反射率利用算法生成叶绿素浓度。算法公式如下:
式中,a=0.2424,b=-2.7423,c=1.8017,d=0.0015,e=-1.228;R是蓝绿色波长的Rrs最大频带比(最大Rrs(443 nm)/Rrs(547 nm)和Rrs(488 nm)/Rrs(547 nm))的以10为底的对数,Rrs为遥感反射率。
利用针对晨昏观测的神经网络大气校正方法生成的准确的遥感反射率数据生成叶绿素浓度。
如图10所示,应用神经网络大气校正方法,得到的近20年(2002年至2020年)的叶绿素浓度月均产品。可以看到,新的神经网络大气校正模型较好的实现了大太阳天顶角下MODIS卫星影像的大气校正。图10中无颜色区域为无有效产品区域。
步骤S207:基于所述叶绿素浓度利用初级生产力模型反演极地海洋冬季初级生产力。
使用步骤S206输出的叶绿素浓度利用初级生产力模型反演极地海洋冬季初级生产力。公式如下:
式中z为水深(m);t为一天中的时间(h);C/Chla是浮游植物碳生物量与Chla的比率,在模型中设定为90;Chla(z)是Chla的垂直剖面,Chla为叶绿素浓度,NPP为初级生产力,Chla(z)由下式计算得到:
式中,Chla(0)是水面的Chla,为步骤S206反演得到的Chla;MLD为混合层深度;G(z,t)是浮游植物的生长速率,G(z,t)由下式计算得到:
式中G0是微藻在0°C下的最大生长速率,设置为0.59 d-1;r是决定浮游植物生长对温度敏感性的参数,设定为0.0633(℃)-1;SST(sea surface temperature)是海表面温度,可以由NASA ocean color官网下载得到。
L(z,t)表示光场对浮游植物生长的影响,L(z,t)由下式计算得到:
式中PUR(z,t)是光合可用辐射(μEinstein•m−2•s−1) 通过将标准PAR(光和有效辐射)乘以光谱平均浮游植物吸收系数(0.54)计算得出,PAR可以由NASA ocean color官网下载得到(http://oceancolor.gsfc.nasa.gov/)。给定PUR值,E'k(光谱光适应参数,μEinstein•m−2•s−1) 通过以下公式计算:
利用准确的遥感反射率数据生成的叶绿素浓度数据生成极地海洋冬季初级生产力。
如图11所示,在北极及附近高纬度区域,基于神经网络大气校正方法生成的多年月均叶绿素浓度产品,生成的初级生产力产品。可以看到,新的神经网络大气校正模型较好的实现了大太阳天顶角下MODIS卫星影像的数据处理。图11中无颜色区域为无有效产品区域。
本实施例通过使用高质量的卫星实测数据训练神经网络模型,构建了MODIS卫星新型的大气校正模型,应用神经网络大气校正方法,可以有效得到高纬度区域冬季遥感反射率产品;继而使用特定的水色反演算法可以得到叶绿素浓度和初级生产力产品。新的神经网络大气校正模型能够较好的实现大太阳天顶角下MODIS卫星影像的大气校正,突破了水色卫星资料处理难题,因此,可望恢复极地海洋冬季近20年大太阳天顶角下的初级生产力,继而服务于生态环境变化监测与科学研究。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (6)
1.一种极地海洋冬季初级生产力遥感反演方法,其特征在于,包括:
获取有效数据量大于设定值的MODIS卫星图像;
对获取的MODIS卫星图像进行处理得到瑞利校正辐亮度计算参数,基于所述计算参数得到瑞利校正辐亮度,基于瑞利校正辐亮度得到训练数据集,所述计算参数包括遥感反射率;
基于所述遥感反射率,在处理后的MODIS卫星图像中筛选像元,基于训练数据集和像元得到筛选训练数据集;
基于所述筛选训练数据集构建神经网络模型;
对获取的目标卫星影像进行处理,得到模型输入参数,将所述模型输入参数输入神经网络模型,得到目标卫星影像的遥感反射率;
基于所述目标卫星影像的遥感反射率得到叶绿素浓度;
基于所述叶绿素浓度利用初级生产力模型反演极地海洋冬季初级生产力;
所述神经网络模型采用反向传播算法进行训练;神经网络模型的初始值随机获取,初始值取值范围为0~1,训练使权重值和偏差值迭代更新;
用训练目标和输出结果的均方根误差评估训练结果;
当迭代更新次数超过迭代阈值或均方根误差变大,停止训练;
所述初级生产力模型为:
式中z为水深;t为时间;C是浮游植物碳生物量;Chla(z)是Chla的垂直剖面,Chla为叶绿素浓度,NPP为初级生产力,G(z,t)是浮游植物的生长速率;
所述Chla(z)的计算公式为:
式中,Chla(0)是水面的Chla;MLD为混合层深度;
所述G(z,t)的计算公式为:
式中G0是微藻在0°C下的最大生长速率;r是决定浮游植物生长对温度敏感性的参数;L(z,t)表示光场对浮游植物生长的影响;SST是海表面温度;
所述L(z,t)的计算公式为:
式中PUR(z,t)是光合可用辐射;E'k是光谱光适应参数;
2.根据权利要求1所述的一种极地海洋冬季初级生产力遥感反演方法,其特征在于,所述获取有效数据量大于设定值的MODIS卫星图像,包括:
获取有效数据量大于10%的MODIS卫星图像,获取的MODIS卫星图像空间范围覆盖不同纬度区域,MODIS卫星图像的时间范围跨度至少为1年。
3.根据权利要求1所述的一种极地海洋冬季初级生产力遥感反演方法,其特征在于,所述对获取的MODIS卫星图像进行处理得到瑞利校正辐亮度计算参数,基于所述计算参数得到瑞利校正辐亮度,基于瑞利校正辐亮度得到训练数据集;
所述计算参数,包括遥感反射率、卫星接收到的总辐亮度、大气透射率、瑞利辐亮度、太阳天顶角、观测天顶角和相对方位角。
4.根据权利要求1所述的一种极地海洋冬季初级生产力遥感反演方法,其特征在于,基于所述遥感反射率,在处理后的MODIS卫星图像中筛选像元,基于训练数据集和像元得到筛选训练数据集,包括:
使用像元框划分处理后的MODIS卫星图像,筛选出有效像元占总像元数比例大于阈值的像元框;
比较设定时间内的MODIS卫星图像,筛选出设定时间内变异系数小于系数阈值的像元。
5.根据权利要求1所述的一种极地海洋冬季初级生产力遥感反演方法,其特征在于,基于所述筛选训练数据集构建神经网络模型,包括:
构建从瑞利校正辐亮度到遥感反射率的具有单个隐含层的神经网络模型;
所述神经网络模型包括输入层、输出层和隐含层,隐含层中包含13个神经元,输入层包括太阳天顶角、相对方位角、观测天顶角和瑞利校正辐亮度,输出层为遥感反射率;
隐含层神经元用线性函数传递到输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210742969.0A CN114819150B (zh) | 2022-06-28 | 2022-06-28 | 一种极地海洋冬季初级生产力遥感反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210742969.0A CN114819150B (zh) | 2022-06-28 | 2022-06-28 | 一种极地海洋冬季初级生产力遥感反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114819150A CN114819150A (zh) | 2022-07-29 |
CN114819150B true CN114819150B (zh) | 2022-10-18 |
Family
ID=82523337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210742969.0A Active CN114819150B (zh) | 2022-06-28 | 2022-06-28 | 一种极地海洋冬季初级生产力遥感反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819150B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115372284B (zh) * | 2022-10-26 | 2022-12-27 | 中国农业科学院农业资源与农业区划研究所 | 一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的方法 |
CN118133479A (zh) * | 2022-12-01 | 2024-06-04 | 中国科学院上海高等研究院 | 水质参数反演模型训练方法、水质参数反演方法、终端及介质 |
CN116008267B (zh) * | 2022-12-09 | 2024-07-05 | 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 |
CN116380811B (zh) * | 2023-03-28 | 2024-05-10 | 武汉大学 | 一种基于氧气吸收带的云检测方法 |
CN117890308B (zh) * | 2024-01-17 | 2024-09-03 | 中国海洋大学 | 大气层顶辐亮度数据反演海表叶绿素a浓度的方法及装置 |
CN117688847B (zh) * | 2024-02-02 | 2024-05-31 | 自然资源部第二海洋研究所 | 基于控制机制及机器学习的海气氧通量遥感反演方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760683A (zh) * | 2016-03-01 | 2016-07-13 | 中国科学院青岛生物能源与过程研究所 | 一种海洋超微型浮游植物固碳量的估算方法 |
CN110728642A (zh) * | 2019-10-17 | 2020-01-24 | 自然资源部第二海洋研究所 | 一种针对goci卫星晨昏观测的神经网络大气校正方法 |
CN113793374A (zh) * | 2021-09-01 | 2021-12-14 | 自然资源部第二海洋研究所 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2021107169A4 (en) * | 2021-08-25 | 2021-12-09 | Hainan University | A balanced planning method and system for ecological security of sea ranching |
-
2022
- 2022-06-28 CN CN202210742969.0A patent/CN114819150B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760683A (zh) * | 2016-03-01 | 2016-07-13 | 中国科学院青岛生物能源与过程研究所 | 一种海洋超微型浮游植物固碳量的估算方法 |
CN110728642A (zh) * | 2019-10-17 | 2020-01-24 | 自然资源部第二海洋研究所 | 一种针对goci卫星晨昏观测的神经网络大气校正方法 |
CN113793374A (zh) * | 2021-09-01 | 2021-12-14 | 自然资源部第二海洋研究所 | 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 |
Non-Patent Citations (3)
Title |
---|
Primary production in the Southern Ocean, 1997–2006;Kevin R. Arrigo et al.;《JOURNAL OF GEOPHYSICAL RESEARCH》;20081231;第113卷;第1-27页 * |
北冰洋叶绿素α及初级生产力遥感反演研究进展;庞小平 等;《极地研究》;20220331;第34卷(第1期);第0节最后一段,第1.1节,第2.4节 * |
采用遥感手段估算海洋初级生产力研究进展;徐红云 等;《应用生态学报》;20160930;第27卷(第9期);第3042-3050页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114819150A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114819150B (zh) | 一种极地海洋冬季初级生产力遥感反演方法 | |
Ho et al. | Using Landsat to extend the historical record of lacustrine phytoplankton blooms: a Lake Erie case study | |
Duan et al. | Inversion of the PROSAIL model to estimate leaf area index of maize, potato, and sunflower fields from unmanned aerial vehicle hyperspectral data | |
Pozdnyakov et al. | Operational algorithm for the retrieval of water quality in the Great Lakes | |
Son et al. | Water properties in Chesapeake Bay from MODIS-Aqua measurements | |
CN104156567B (zh) | 一种耦合卫星遥感影像大气校正和地形校正过程的地表反射率获取技术 | |
CN110728642A (zh) | 一种针对goci卫星晨昏观测的神经网络大气校正方法 | |
CN115565063B (zh) | 基于气候潜在补偿的矿区植被碳汇贡献量计算与分析方法 | |
CN113420497B (zh) | 浑浊湖泊总磷浓度遥感估算方法 | |
CN116519557B (zh) | 一种气溶胶光学厚度反演方法 | |
CN103712955A (zh) | 一种基于神经网络二次优化的二类水体大气校正方法 | |
CN117825286A (zh) | 一种基于遥感影像的湖泊水体叶绿素a浓度的反演方法 | |
CN116664947A (zh) | 一种基于卫星观测数据的蓝藻水华监测方法及系统 | |
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 | |
Li et al. | Restoration of wintertime ocean color remote sensing products for the high-latitude oceans of the Southern Hemisphere | |
Igamberdiev et al. | Determination of chlorophyll content of small water bodies (kettle holes) using hyperspectral airborne data | |
Lunetta et al. | Measurement of water colour using AVIRIS imagery to assess the potential for an operational monitoring capability in the Pamlico Sound Estuary, USA | |
Zhu et al. | Spatiotemporal variations of total suspended matter in complex archipelagic regions using a sigmoid model and Landsat-8 imagery | |
Cristina et al. | Assessment of water-leaving reflectances of oceanic and coastal waters using MERIS satellite products off the southwest coast of Portugal | |
Plummer et al. | An update on the Globcarbon initiative: multi-sensor estimation of global biophysical products for global terrestrial carbon studies | |
Meng et al. | Mapping properties of vegetation in a tidal salt marsh from multi-spectral satellite imagery using the SCOPE model | |
CN118279772B (zh) | 基于无人机多光谱图像的红树林生态质量检测方法及系统 | |
CN116258896B (zh) | 一种基于空天地一体化的赤潮准实时监测方法 | |
Huang et al. | Retrieval of Non-Optically Active Parameters for Small Scale Urban Waterbodies by a Machine Learning-Based Strategy | |
CN114018338B (zh) | 基于光谱指数模型的水体识别系统 |
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 |