CN115984713A - 一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法 - Google Patents

一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法 Download PDF

Info

Publication number
CN115984713A
CN115984713A CN202310046610.4A CN202310046610A CN115984713A CN 115984713 A CN115984713 A CN 115984713A CN 202310046610 A CN202310046610 A CN 202310046610A CN 115984713 A CN115984713 A CN 115984713A
Authority
CN
China
Prior art keywords
data
chlorophyll
remote sensing
concentration
original
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.)
Pending
Application number
CN202310046610.4A
Other languages
English (en)
Inventor
宋晚郊
韩秀珍
孙凌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Satellite Meteorological Center
Original Assignee
National Satellite Meteorological Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Satellite Meteorological Center filed Critical National Satellite Meteorological Center
Priority to CN202310046610.4A priority Critical patent/CN115984713A/zh
Publication of CN115984713A publication Critical patent/CN115984713A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

本申请提供了一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，包括步骤：对遥感监测的相应空间和时态的原始图像数据进行预处理，识别并标记缺值像元和非缺值像元，进行异常值检验以识别标记异常像元；采用滤波算法，对原始图像中异常像元的数据进行替换；对预处理的原始图像数据用数据经验正交函数分解方法进行重构处理；对重构图像的数据进行异常值检验以识别标记异常像元，采用滤波算法对重构图像中异常像元的数据进行替换；对重构图像数据进行再处理，以获得空间和时态完整的叶绿素a浓度数据。该方法可将叶绿素a浓度的卫星遥感观测值进行数据补缺、重构，实现对全球叶绿素a浓度在时间和空间域上连续覆盖监测。

Description

一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法
技术领域
本发明涉及遥感监测技术领域，具体涉及一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法。
背景技术
海洋水色数据对于监测和认识水体光学、生物、生态过程非常关键，其也是海洋模式的重要数据源。对海洋水色具有重要影响的叶绿素a是监测水体富营养化和初级生产力的重要指标，传统的海洋现场观测受限于时空尺度，无法得到大面积连续监测的海洋水色数据，而卫星遥感为全球水体监测提供了手段，可以提供大范围长时间观测的叶绿素a浓度产品数据。
自2008年以来，风云三号(FY-3)气象卫星中分辨率光谱成像仪(MERSI)提供了全球海洋水色产品的观测数据。依靠单一仪器往往无法实现每日对全球海域空间的连续覆盖观测，因此美国SNPP及NOAA-20可见光红外成像辐射计(VIIRS)仪器通过融合多个仪器，以实现对观测对象的全球每天高空间覆盖，提供所需的海洋水色产品观测数据。
在实际应用中，受到仪器扫描幅宽、天顶角、太阳耀斑和云覆盖等因素的影响，部分海域的海表观测数据因受仪器及气象状况影响而造成大面积、无规律的缺值，对后期的海洋水色遥感观测数据分析和研究带来严重影响。
发明内容
为了解决现有海洋水色监测因受观测仪器及气象状况影响而造成的数据缺值问题，需采取数据重构方法对缺失数据进行补缺，在满足精度要求的同时保障数据处理的计算速度，以填充因受卫星传感器高天顶角、太阳耀斑等因素影响以及反演算法限制所导致的数据缺失，实现对全球叶绿素a浓度监测的空间连续覆盖，使得重构后的叶绿素a浓度产品数据能够揭示大尺度和中尺度的海洋水色空间分布特征以及叶绿素a浓度的季节变化特征，为全球叶绿素的遥感定量监测提供有效的数据支撑。本申请提供一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，可以对叶绿素a浓度观测值进行数据重构，补充因传感器高天顶角、太阳耀斑以及反演算法的限制所导致的缺失数据，从而实现对全球叶绿素a浓度在时间和空间域上的连续覆盖监测。
本申请解决其技术问题所采用的技术方案是：一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，其特征在于，包括步骤：
S1、对遥感监测的相应空间和时态的原始图像数据进行预处理，识别并标记缺值像元和非缺值像元，进行异常值检验以识别标记异常像元；
S2、采用滤波算法，对原始图像中异常像元的数据进行替换；
S3、对预处理的原始图像数据用数据经验正交函数分解方法进行重构处理；
S4、对重构图像数据进行异常值检验以识别标记异常像元，采用滤波算法对重构图像中异常像元的数据进行替换；
S5、对重构图像数据进行再处理，以获得空间和时态完整的叶绿素a浓度数据。
在一种具体的实施方案中，所述步骤S2中采用中值滤波算法，包括步骤：
T1、对异常像元设定数据参考范围；
T2、计算参考范围内非缺值像元的中位数Pm、非缺值像元的标准差Pn、非缺值像元的权重wm、缺值像元的权重wn；
T3、以Pf对该异常像元进行替换，其中：
Pf＝wnPn+wmPm；wn+wm＝1。
在一种具体的实施方案中，所述步骤T1中异常像元的数据参考范围为异常像元周围的8个像元。
在一种具体的实施方案中，所述步骤S2中异常像元包括对原始图像通过边缘检测方法识别标记的云覆盖边缘位置。
在一种具体的实施方案中，所述S3中数据经验正交函数分解方法包括步骤：
E1、对预处理的相应空间和时态的原始图像构成的m行、n列数据矩阵X0中的有效数据计算均值
Figure BDA0004055763410000031
得到矩阵
Figure BDA0004055763410000032
在X中挑选有效原始值构成原始交叉验证点集Xc-v；
E2、对X中缺值像元所对应的数据位置、以及X中被挑选为原始交叉验证点集Xc-v的数据位置标记为缺失点NaN；
E3、对X中标记为缺失点NaN的数据位置赋值为0，以使其初始值为无偏估计值，令特征模态参数P初值为1；
E4、根据该特征模态参数P值，对矩阵X进行奇异值分解：X＝USVT，其中U为空间特征模态，S为奇异值矩阵，V为时间特征模态；
E5、计算缺失点的重构值
Figure BDA0004055763410000033
其中i，j分别为缺失点位于矩阵X的行、列位置，(ut)i为空间特征模态U的第t列中第i个元素，(vt)j为时间特征模态V的第t列中第j个元素，ρt为相对应的奇异值；
E6、对原始交叉验证点集Xc-v中原始值与其对应重构值进行精度评价；
E7、重复步骤E4-E6，分别对特征模态参数P＝2，3，…，kmax时原始交叉验证点集Xc-v中原始值与其对应重构值进行精度评价，并获取精度评价最高时对应的特征模态参数
Figure BDA0004055763410000034
其中kmax为最大迭代次数，kmax≤min(m，n)；
E8、计算特征模态参数
Figure BDA0004055763410000036
时矩阵X中缺失点的重构值
Figure BDA0004055763410000035
以替换矩阵X中缺失点对应位置的数据，并对X中被挑选为原始交叉验证点集Xc-v的数据用原始值还原，从而得到矩阵X1，计算得到原始图像数据矩阵X0的重构值
Figure BDA0004055763410000041
在一种具体的实施方案中，步骤E6中，所述精度评价采用的指标包括相关系数CC、均方根误差RMSE、偏差Bias；其中：
Figure BDA0004055763410000042
Figure BDA0004055763410000043
Figure BDA0004055763410000044
式中N表示原始交叉验证点集Xc-v中数据总个数，
Figure BDA0004055763410000045
分别表示原始交叉验证点集Xc-v中第i个数据的原始值和重构值，
Figure BDA0004055763410000046
分别表示原始交叉验证点集Xc-v中原始值的均值和重构值的均值。
在一种具体的实施方案中，所述步骤S5中，对重构图像数据的再处理方法包括多点平滑处理、海陆掩膜处理。
在一种具体的实施方案中，所述的基于多源卫星遥感数据的叶绿素a浓度数据重构方法的系统，包括：
预处理模块，用于获取多源卫星遥感数据并进行预处理，对原始图像中异常像元的数据进行识别和处理；
重构模块，用于对预处理的原始图像数据用数据经验正交函数分解方法进行重构；
重构数据检验模块，用于对重构图像数据进行异常值检验并进行处理；
再处理模块，用于对重构图像数据进行相关处理，以获取空间和时态完整的叶绿素a浓度数据。
在一种具体的实施方案中，所述的基于多源卫星遥感数据的叶绿素a浓度数据重构方法的设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的基于多源卫星遥感数据的叶绿素a浓度数据重构方法。
在一种具体的实施方案中，所述的一种计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的基于多源卫星遥感数据的叶绿素a浓度数据重构方法。
本申请实施例的优点是：
基于多源卫星遥感数据的叶绿素a浓度数据重构方法利用数据经验正交函数分解方法对卫星监测数据进行处理，完成了对缺失像元信息的重构，并能够定量评估重构数据的准确性，填充因卫星传感器高天顶角和太阳耀斑等反演算法限制所导致的数据缺失，实现全球叶绿素a浓度在空间和时间上连续覆盖；通过融合两类传感器的海洋水色监测数据，为全球叶绿素a的遥感定量监测提供更加完善有效的数据支撑，将风云极轨气象卫星微波和VIIRS数据相融合进行重构处理，可使得叶绿素a浓度的重构数据准确率较原始数据具有更显著的提升。
附图说明
图1为本发明的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法流程示意图；
图2为本发明的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法中仪器MERSI和VIIRS分别监测的叶绿素a浓度示意图；
图3为本发明的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法对仪器MERSI监测的叶绿素a浓度原始图像数据的重构示意图；
图4为本发明的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法对仪器VIIRS监测的叶绿素a浓度原始图像数据的重构示意图；
图5为本发明的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法的系统示意图；
图6为本发明的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法的设备示意图。
具体实施方式
本申请实施例通过提供一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，解决现有海洋水色监测因受观测仪器及气象状况影响而造成的数据缺值问题，总体思路如下：
请参阅图1，本发明提供一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，包括步骤S1-S5：
S1、对遥感监测的相应空间和时态的原始图像数据进行预处理，识别并标记缺值像元和非缺值像元，进行异常值检验以识别标记异常像元。
通过在步骤S1中对卫星遥感监测的叶绿素a浓度图像数据的预处理，识别并标记出异常像元以进行下一步处理，提高数据处理的准确度。
S2、采用滤波算法，对原始图像中异常像元的数据进行替换。
将原始图像中的异常像元进行处理以避免其对数据重构精度的影响，具体在本实施例中，步骤S2中，采用中值滤波算法，具体包括步骤：
T1、对异常像元设定数据参考范围；
T2、计算参考范围内非缺值像元的中位数Pm、非缺值像元的标准差Pn、非缺值像元的权重wm、缺值像元的权重wn；
T3、以Pf对该异常像元进行替换，其中：
Pf＝wnPn+wmPm；wn+wm＝1。
本例通过引入中值滤波算法，使用中位数替换数据集合中存在的异常像元，异常像元的数据参考范围可优选为异常像元在图像中周围的8个像元，通过该方法，可对通过边缘检测方法标记的云覆盖边缘位置的异常像元进行替换，以保障后续的数据处理精度。
S3、对预处理的原始图像数据用数据经验正交函数分解方法进行重构处理。
通过数据经验正交函数分解方法进行数据重构以解决受观测仪器及气象状况影响而造成的数据缺值问题，请继续参阅图1，在步骤S3中采用数据经验正交函数分解方法时，可采用以下方法步骤：
E1、对预处理的相应空间和时态的原始图像构成的m行、n列数据矩阵X0中的有效数据计算均值
Figure BDA0004055763410000072
得到矩阵
Figure BDA0004055763410000073
在X中挑选有效原始值构成原始交叉验证点集Xc-v；
E2、对X中缺值像元所对应的数据位置、以及X中被挑选为原始交叉验证点集Xc-v的数据位置标记为缺失点NaN；
E3、对X中标记为缺失点NaN的数据位置赋值为0，以使其初始值为无偏估计值，令特征模态参数P初始值为1；
E4、根据该特征模态参数P值，对矩阵X进行奇异值分解：X＝USVT，其中U为空间特征模态，S为奇异值矩阵，V为时间特征模态；
E5、计算缺失点的重构值
Figure BDA0004055763410000071
其中i，j分别为缺失点位于矩阵X的行、列位置，(ut)i为空间特征模态U的第t列中第i个元素，(vt)j为时间特征模态V的第t列中第j个元素，ρt为相对应的奇异值；
E6、对原始交叉验证点集Xc-v中原始值与其对应重构值进行精度评价；
E7、重复步骤E4-E6，分别对特征模态参数P＝2，3，…，kmax时原始交叉验证点集Xc-v中原始值与其对应重构值进行精度评价，并获取精度评价最高时对应的特征模态参数
Figure BDA0004055763410000074
其中kmax为最大迭代次数，kmax≤min(m，n)；
E8、计算特征模态参数
Figure BDA0004055763410000087
时矩阵X中缺失点的重构值
Figure BDA0004055763410000088
以替换矩阵X中缺失点对应位置的数据，并对X中被挑选为原始交叉验证点集Xc-v的数据用原始值还原，从而得到矩阵X1，计算得到原始图像数据矩阵X0的重构值
Figure BDA0004055763410000081
基于数据经验正交函数分解方法的多源数据插值重构方法是一种无需先验值、自适应的推测时空场中缺值点的方法，该方法通过经验正交函数主要模态重构空间缺失数据，由最优截断产生的最重要模态得到反映出数据整体状态和时间发展趋势的动态拟合图像。具体流程请参阅图1，通过对时间d的遥感监测叶绿素a浓度数据Daily Chl-a(d)建立时空匹配数据集，构建原始图像数据的空间及时间域的二维数据矩阵，再抽取一定比例例如1％的有效原始值作为原始交叉验证点集以对不同特征模态参数下通过数据经验正交函数分解方法计算的重构值进行精度评价，获取最佳特征模态参数值，进而在最佳特征模态参数值下对预处理的原始图像数据实现重构补缺，实现对全球叶绿素a浓度在时间和空间域上的连续覆盖监测。精度评价方法可以有多种，具体地，步骤E6中，精度评价采用的指标可以包括相关系数CC、均方根误差RMSE、偏差Bias；其中：
Figure BDA0004055763410000082
Figure BDA0004055763410000083
Figure BDA0004055763410000084
上式中N表示原始交叉验证点集Xc-v中数据总个数，
Figure BDA0004055763410000085
分别表示原始交叉验证点集Xc-v中第i个数据的原始值和重构值，
Figure BDA0004055763410000086
分别表示原始交叉验证点集Xc-v中原始值的均值和重构值的均值。本例如图1所示，具体采用的精度评价指标为均方根误差RMSE，通过对各特征模态参数的迭代计算过程，得到原始交叉验证点集Xc-v中原始值与其对应重构值最小均方根误差RMSEP及对应的特征模态参数
Figure BDA0004055763410000093
然后在该特征模态参数
Figure BDA0004055763410000091
下对原始图像数据进行重构，进一步地，可用均方根误差
Figure BDA0004055763410000092
对该重构结果进行评价。
S4、对重构图像数据进行异常值检验以识别标记异常像元，采用滤波算法对重构图像中异常像元的数据进行替换。
对重构图像进一步采用异常值检验以替换异常像元，以进一步确保重构数据的准确度和可靠性。
S5、对重构图像数据进行再处理，以获得空间和时态完整的叶绿素a浓度数据。
对重构图像数据的再处理方法包括多点平滑处理、海陆掩膜处理；通过对重构图像数据进行多点平滑处理、海陆掩膜处理，从而确保数据准确度并获取所需图像数据。
本实施例还提供了一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法的系统，包括预处理模块、重构模块、重构数据检验模块、再处理模块。预处理模块用于获取多源卫星遥感数据并进行预处理，对原始图像中异常像元的数据进行识别和处理；重构模块用于对预处理的原始图像数据用数据经验正交函数分解方法进行重构；重构数据检验模块用于对重构图像数据进行异常值检验并进行处理；再处理模块用于对重构图像数据进行相关处理，以获取空间和时态完整的叶绿素a浓度数据。具体地，请参阅图5，预处理模块可具体包括逐日风云极轨气象卫星叶绿素a浓度数据预处理模块、逐日VIIRS叶绿素a浓度数据预处理模块、统一时空尺度模块，通过数据经验正交函数数据重构模块以及重构数据检验模块的处理，再进一步由专题图制作模块进行再处理，获取空间和时态完整的叶绿素a浓度数据。
请参阅图6，本实施例还提供了一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法的设备，包括一个或多个处理器、存储装置。存储装置用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现基于多源卫星遥感数据的叶绿素a浓度数据重构方法。
设备的组件可以包括但不限于：一个或者多个处理器或者处理单元，存储器，连接不同系统组件(包括存储器和处理单元)的总线。
总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
基于多源卫星遥感数据的叶绿素a浓度数据重构方法的设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被基于多源卫星遥感数据的叶绿素a浓度数据重构方法的设备访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器。基于多源卫星遥感数据的叶绿素a浓度数据重构方法的设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块的程序/实用工具，可以存储在例如存储器中，这样的程序模块包括但不限于操作系统、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。程序模块通常执行本发明所描述的实施例中的功能和/或方法。
基于多源卫星遥感数据的叶绿素a浓度数据重构方法的设备也可以与一个或多个外部设备(例如键盘、指向设备、显示器等)通信，还可与一个或者多个使得用户能与该基于多源卫星遥感数据的叶绿素a浓度数据重构方法的设备交互的设备通信，和/或与使得该基于多源卫星遥感数据的叶绿素a浓度数据重构方法的设备能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且，基于多源卫星遥感数据的叶绿素a浓度数据重构方法的设备还可以通过网络适配器与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器通过总线与基于多源卫星遥感数据的叶绿素a浓度数据重构方法的设备的其它模块通信，可以结合基于多源卫星遥感数据的叶绿素a浓度数据重构方法的设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元通过运行存储在存储器中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例提供的堆叠分裂的处理方法。也即：获取多源卫星遥感数据并进行预处理，对原始图像中异常像元的数据进行识别和处理；对预处理的原始图像数据用数据经验正交函数分解方法进行重构；对重构图像数据进行异常值检验并进行处理；对重构图像数据进行相关处理，以获取空间和时态完整的叶绿素a浓度数据。
同时，本实施例还可以包括一种计算机可读存储介质，该计算机可读存储介质中存储有程序，该程序被处理器执行时实现基于多源卫星遥感数据的叶绿素a浓度数据重构方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质，例如可以是，但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本实施例结合风云极轨气象卫星，针对VIIRS和MERSI的叶绿素a浓度全球日网格产品数据，可利用数据经验正交函数方法进行全球多源水色产品的融合处理，完成对单一仪器产品缺失像元信息的重构，并能够定量评估重构数据的准确性。请参阅图2中卫星的遥感监测仪器MERSI和VIIRS获取的叶绿素a浓度示意图，图3为通过本申请数据缺测重构方法对仪器MERSI监测的叶绿素a浓度原始图像数据的重构示意图，图4为通过本申请数据缺测重构方法对仪器VIIRS监测的叶绿素a浓度原始图像数据的重构示意图。结果表明，通过该方法能够实现对逐日叶绿素a浓度产品数据的补全处理，可填充因传感器高天顶角、太阳耀斑以及反演算法限制所导致的缺失数据，实现对全球叶绿素a浓度数据在空间及时间域上的连续覆盖；重构后的叶绿素a浓度产品数据能够揭示大尺度和中尺度的海洋水色空间分布特征，以及叶绿素a浓度明显的季节变化特征。通过融合两类传感器的海洋水色产品数据，可为全球叶绿素a的遥感定量监测提供有效的数据支撑。例如本申请中可通过将风云卫星微波和VIIRS数据进行重构处理，得到全球覆盖、全天候监测的叶绿素a浓度产品数据，得到的叶绿素a浓度产品数据资料空间覆盖更加完整、准确率较原始数据可提升30％至50％。
综上，本发明基于多源卫星遥感数据的叶绿素a浓度数据重构方法，可以对叶绿素a浓度观测值进行数据重构，补充因传感器高天顶角、太阳耀斑以及反演算法的限制所导致的缺失数据，从而实现对全球叶绿素a浓度在时间和空间域上的连续覆盖监测，解决受观测仪器及气象状况影响而造成的数据缺值问题。
最后应说明的是：显然，上述实施例仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (10)

1.一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，其特征在于，包括步骤：
S1、对遥感监测的相应空间和时态的原始图像数据进行预处理，识别并标记缺值像元和非缺值像元，进行异常值检验以识别标记异常像元；
S2、采用滤波算法，对原始图像中异常像元的数据进行替换；
S3、对预处理的原始图像数据用数据经验正交函数分解方法进行重构处理；
S4、对重构图像数据进行异常值检验以识别标记异常像元，采用滤波算法对重构图像中异常像元的数据进行替换；
S5、对重构图像数据进行再处理，以获得空间和时态完整的叶绿素a浓度数据。
2.如权利要求1所述的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，其特征在于，所述步骤S2中采用中值滤波算法，包括步骤：
T1、对异常像元设定数据参考范围；
T2、计算参考范围内非缺值像元的中位数Pm、非缺值像元的标准差Pn、非缺值像元的权重wm、缺值像元的权重wn；
T3、以Pf对该异常像元进行替换，其中：
Pf＝wnPn+wmPm；wn+wm＝1。
3.如权利要求2所述的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，其特征在于，所述步骤T1中异常像元的数据参考范围为异常像元周围的8个像元。
4.如权利要求3所述的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，其特征在于，所述步骤S2中异常像元包括对原始图像通过边缘检测方法识别标记的云覆盖边缘位置。
5.如权利要求1-4任一项所述的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，其特征在于，所述S3中数据经验正交函数分解方法包括步骤：
E1、对预处理的相应空间和时态的原始图像构成的m行、n列数据矩阵X0中的有效数据计算均值
Figure FDA0004055763400000021
得到矩阵
Figure FDA0004055763400000022
在X中选取有效原始值构成原始交叉验证点集Xc-v；
E2、对X中缺值像元所对应的数据位置、以及X中被挑选为原始交叉验证点集Xc-v的数据位置标记为缺失点NaN；
E3、对X中标记为缺失点NaN的数据位置赋值为0，以使其初始值为无偏估计值，令特征模态参数P初值为1；
E4、根据该特征模态参数P值，对矩阵X进行奇异值分解：X＝USVT，其中U为空间特征模态，S为奇异值矩阵，V为时间特征模态；
E5、计算缺失点的重构值
Figure FDA0004055763400000023
其中i，j分别为缺失点位于矩阵X的行、列位置，(ut)i为空间特征模态U的第t列中第i个元素，(vt)j为时间特征模态V的第t列中第j个元素，ρt为相对应的奇异值；
E6、对原始交叉验证点集Xc-v中原始值与其对应重构值进行精度评价；
E7、重复步骤E4-E6，分别对特征模态参数P＝2，3，…，kmax时原始交叉验证点集Xc-v中原始值与其对应重构值进行精度评价，并获取精度评价最高时对应的特征模态参数
Figure FDA0004055763400000024
其中kmax为最大迭代次数，kmax≤min(m，n)；
E8、计算特征模态参数
Figure FDA0004055763400000025
时矩阵X中缺失点的重构值
Figure FDA0004055763400000026
以替换矩阵X中缺失点对应位置的数据，并对X中被挑选为原始交叉验证点集Xc-v的数据用原始值还原，从而得到矩阵X1，计算得到原始图像数据矩阵X0的重构值
Figure FDA0004055763400000027
6.如权利要求5所述的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，其特征在于，步骤E6中，所述精度评价采用的指标包括相关系数CC、均方根误差RMSE、偏差Bias；其中：
Figure FDA0004055763400000031
Figure FDA0004055763400000032
Figure FDA0004055763400000033
式中N表示原始交叉验证点集Xc-v中数据总个数，
Figure FDA0004055763400000034
分别表示原始交叉验证点集Xc-v中第i个数据的原始值和重构值，
Figure FDA0004055763400000035
Figure FDA0004055763400000036
分别表示原始交叉验证点集Xc-v中原始值的均值和重构值的均值。
7.如权利要求6所述的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，其特征在于，所述步骤S5中，对重构图像数据的再处理方法包括多点平滑处理、海陆掩膜处理。
8.一种如权利要求7所述的基于多源卫星遥感数据的叶绿素a浓度数据重构方法的系统，其特征在于，包括：
预处理模块，用于获取多源卫星遥感数据并进行预处理，对原始图像中异常像元的数据进行识别和处理；
重构模块，用于对预处理的原始图像数据用数据经验正交函数分解方法进行重构；
重构数据检验模块，用于对重构图像数据进行异常值检验并进行处理；
再处理模块，用于对重构图像数据进行相关处理，以获取空间和时态完整的叶绿素a浓度数据。
9.一种如权利要求7所述的基于多源卫星遥感数据的叶绿素a浓度数据重构方法的设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的基于多源卫星遥感数据的叶绿素a浓度数据重构方法。
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中存储有程序，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于多源卫星遥感数据的叶绿素a浓度数据重构方法。
CN202310046610.4A 2023-01-31 2023-01-31 一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法 Pending CN115984713A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310046610.4A CN115984713A (zh) 2023-01-31 2023-01-31 一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310046610.4A CN115984713A (zh) 2023-01-31 2023-01-31 一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法

Publications (1)

Publication Number Publication Date
CN115984713A true CN115984713A (zh) 2023-04-18

Family

ID=85974057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310046610.4A Pending CN115984713A (zh) 2023-01-31 2023-01-31 一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法

Country Status (1)

Country Link
CN (1) CN115984713A (zh)

Similar Documents

Publication Publication Date Title
Grönquist et al. Deep learning for post-processing ensemble weather forecasts
EP3621034B1 (en) Method and apparatus for calibrating relative parameters of collector, and storage medium
Caporossi et al. Digital image correlation (DIC) analysis of the 3 December 2013 Montescaglioso landslide (Basilicata, southern Italy): Results from a multi-dataset investigation
CN111033318A (zh) 当地气象预测
WO2020160643A1 (en) Shadow and cloud masking for agriculture applications using convolutional neural networks
Hess et al. Physically constrained generative adversarial networks for improving precipitation fields from Earth system models
US10755146B2 (en) Network architecture for generating a labeled overhead image
Kang et al. Spatial upscaling of sparse soil moisture observations based on ridge regression
Burdziakowski A novel method for the deblurring of photogrammetric images using conditional generative adversarial networks
CN116310883B (zh) 基于遥感图像时空融合的农业灾害预测方法及相关设备
CN111611731A (zh) 卫星数据融合方法、装置及电子设备
Zhou et al. Developing a PCA–ANN model for predicting chlorophyll a concentration from field hyperspectral measurements in Dianshan Lake, China
US10572976B2 (en) Enhancing observation resolution using continuous learning
Zhong et al. Spatiotemporal downscaling of GRACE Total water storage using land surface model outputs
Li et al. A transfer learning method for meteorological visibility estimation based on feature fusion method
He et al. Deep learning approaches to spatial downscaling of GRACE terrestrial water storage products using EALCO model over Canada
Taubert et al. Deriving tree size distributions of tropical forests from LiDAR
Manohar Kumar et al. Benchmark studies on pixel-level spectral unmixing of multi-resolution hyperspectral imagery
Bulut et al. Modelling some stand parameters using Landsat 8 OLI and Sentinel-2 satellite images by machine learning techniques: a case study in Türkiye
Liu et al. Characterizing the 2022 Extreme Drought Event over the Poyang Lake Basin Using Multiple Satellite Remote Sensing Observations and In Situ Data
De Vis et al. Ancillary Data Uncertainties within the SeaDAS Uncertainty Budget for Ocean Colour Retrievals
CN113160100A (zh) 一种基于光谱信息影像的融合方法、融合装置及介质
Zhang et al. Application of Swin-Unet for pointer detection and automatic calculation of readings in pointer-type meters
CN115984713A (zh) 一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法
Liu et al. Exploration of planetary hyperspectral images with unsupervised spectral unmixing: A case study of planet Mars

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