CN116008267A - 海洋叶绿素a浓度三维分布反演方法、终端及介质 - Google Patents
海洋叶绿素a浓度三维分布反演方法、终端及介质 Download PDFInfo
- Publication number
- CN116008267A CN116008267A CN202211578507.6A CN202211578507A CN116008267A CN 116008267 A CN116008267 A CN 116008267A CN 202211578507 A CN202211578507 A CN 202211578507A CN 116008267 A CN116008267 A CN 116008267A
- Authority
- CN
- China
- Prior art keywords
- chlorophyll
- observation data
- concentration
- remote sensing
- profile
- 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
Links
- 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 187
- 229930002868 chlorophyll a Natural products 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005070 sampling Methods 0.000 claims abstract description 45
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 29
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 4
- 239000013535 sea water Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 35
- 238000012360 testing method Methods 0.000 description 13
- 239000002344 surface layer Substances 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000002028 Biomass Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000243 photosynthetic effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 241000638935 Senecio crassissimus Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- IFYDWYVPVAMGRO-UHFFFAOYSA-N n-[3-(dimethylamino)propyl]tetradecanamide Chemical compound CCCCCCCCCCCCCC(=O)NCCCN(C)C IFYDWYVPVAMGRO-UHFFFAOYSA-N 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
Images
Classifications
-
- 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
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种海洋叶绿素a浓度三维分布反演方法、终端及介质；其中，方法包括：获取监测区内各采样点于各深度的剖面观测数据和监测区的遥感观测数据；基于各所述剖面观测数据的采集时间和采集位置，于所述遥感观测数据中提取与所述剖面观测数据对应的目标遥感观测数据；并基于各所述剖面观测数据和与其对应的目标遥感观测数据，构建样本数据集；基于所述样本数据集，对预先构建的叶绿素反演模型进行训练，获得训练后的叶绿素反演模型；以及，基于训练后的所述叶绿素反演模型，获取监测区内叶绿素a浓度的三维分布信息；本发明提供的方法有效地提高了海洋叶绿素a浓度三维分布反演结果的准确性。
Description
技术领域
本发明涉及遥感技术领域，尤其涉及海洋叶绿素a浓度三维分布反演方法、终端及计算机存储介质。
背景技术
海洋浮游植物光合作用产生的有机碳在海洋生物碳泵中起着至关重要的作用；其中，叶绿素a浓度(Chlorophyll a concentration,Chla)已经被广泛用于表征海洋浮游植物生物量。近年来，随着海洋水色卫星的发展，海洋遥感水色数据已经很好揭示了海洋表层叶绿素a浓度的时空变化，海洋表层叶绿素a浓度在海盆及全球的长时间变化趋势也已经被很好的评估了；然而，基于卫星遥感数据获取的海表叶绿素a浓度仅能表征真光层内浮游植物生物量总含量的五分之一左右，且并未充分考虑海洋剖面中的温度、盐度等环境特征的变化，对于叶绿素a浓度于剖面分布的影响；因而，无法准确地反映海面以下浮游植物生物量的变化，特别是在存在次表层叶绿素a浓度最大值层的热带海洋；导致无法准确地评估海洋碳汇，进而影响了对海洋整个真光层内叶绿素a浓度深入研究和科学评估。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种海洋叶绿素a浓度三维分布反演方法、终端及计算机存储介质，可以解决现有基于遥感的海洋叶绿素a浓度三维分布反演方法并未充分考虑海洋剖面的环境特征变化，对于海洋叶绿素a于剖面分布的影响，导致获取的叶绿素a浓度三维分布反演结果与实际存在较大偏差等问题。
为实现上述目的及其他相关目的，本发明第一方面提供一种海洋叶绿素a浓度三维分布反演方法，包括：获取监测区内各采样点于各深度的剖面观测数据，和监测区的遥感观测数据；所述剖面观测数据包括各深度的垂向叶绿素a浓度信息，和其对应的采集时间和采集位置；基于各所述剖面观测数据的采集时间和采集位置，于所述遥感观测数据中提取与所述剖面观测数据对应的目标遥感观测数据；并基于各所述剖面观测数据和与其对应的目标遥感观测数据，构建样本数据集；基于所述样本数据集，对预先构建的叶绿素反演模型进行训练，获得训练后的叶绿素反演模型；以及，基于训练后的所述叶绿素反演模型，获取监测区内叶绿素a浓度的三维分布信息。
于本发明一实施例中，所述基于各所述剖面观测数据的采集时间和采集位置，于所述遥感观测数据中提取与所述剖面观测数据对应的目标遥感观测数据，包括：根据所述剖面观测数据的采集时间，于各所述遥感观测数据中筛选出与该采集时间之间满足预设时间要求的遥感观测数据作为第一遥感观测数据；和基于所述剖面观测数据的采集位置，采集空间配准方法，于所述第一遥感观测数据中提取与该采集位置之间的距离小于预设距离的像元点作为匹配像元点；基于所述匹配像元点对应的遥感观测数据，获取为与该剖面观测数据对应的目标遥感观测数据。
于本发明一实施例中，在提取与所述剖面观测数据对应的目标遥感观测数据之前，还包括：对所述剖面观测数据进行预处理，包括：对所述剖面观测数据中的所述垂向叶绿素a浓度信息进行校正，为：
Chlaargo＇＝(Chlaargo-0.019)/2.32
式中，Chlaargo为原始垂向叶绿素a浓度；Chlaargo＇为校正后的垂向叶绿素a浓度。
于本发明一实施例中，在提取与所述剖面观测数据对应的目标遥感观测数据之前，还包括：对所述剖面观测数据进行预处理，包括：采用滑窗方法，对任意采样点对应的各所述剖面观测数据执行滤波处理，包括：获取当前滑窗，将位于当前滑窗中心的剖面观测数据作为当前的目标观测数据；基于该目标观测数据，确定与其相邻的上观测数据和下观测数据；获取所述目标观测、所述上观测数据和所述下观测数据对应要素值的均值，将该要素值的均值确定为所述目标观测数据的新要素值；移动滑窗，以实现对下一剖面观测数据的滤波处理。
于本发明一实施例中，所述遥感观测数据包括遥感叶绿素a浓度，则所述基于各所述剖面观测数据和与其对应的目标遥感观测数据，构建样本数据集，包括：基于各采样点对应的所述遥感叶绿素a浓度，更新该采样点的海洋表层剖面观测数据中的垂向叶绿素a浓度，以基于更新后的海洋表层剖面观测数据构建样本数据集。
于本发明一实施例中，所述基于各采样点对应的所述遥感叶绿素a浓度，更新该采样点的海洋表层剖面观测数据中的垂向叶绿素a浓度，包括：获取各采样点对应的混合层垂向叶绿素a浓度，和获取各采样点对应遥感观测数据中的遥感叶绿素a浓度；检测所述混合层垂向叶绿素a浓度与所述遥感叶绿素a浓度之间的相关性大小，当相关性数值大于等于阈值时，则将所述遥感叶绿素a浓度替换/补充为采样点海洋表层剖面数据的垂向叶绿素a浓度；当相关性数值小于阈值时，则对所述遥感叶绿素a浓度进行校正，并将校正后的遥感叶绿素a浓度替换/补充为采样点海洋表层剖面数据的垂向叶绿素a浓度。
于本发明一实施例中，所述获取各采样点对应的混合层垂向叶绿素a浓度，包括：获取各采样点对应的混合层深度；对于各采样点，提取采样点对应的所述剖面观测数据中，深度位于所述混合层深度范围内的各剖面观测数据；将其对应的所述垂向叶绿素a浓度取均值，将该垂向叶绿素a浓度均值作为所述采样点对应的混合层垂向叶绿素a浓度。
于本发明一实施例中，所述混合层深度的获取方式，包括：
Δσθ＝σMLD-σ10
Δσθ＝σθ(T10+ΔT,S10,P0)-σθ(T10,S10,P0)
MLD＝D(σMLD)
式中，σMLD为混合层深度处的位势密度；σ10为海表10m深处的位势密度；Δσθ为所述海表10m深处的位势密度和所述混合层深度处位势密度的差值；σθ为海水的位势密度；T10和S10分别为海表10m深处的温度和盐度值；P0表示海表的压力值，ΔT位温度的增加量；D(σMLD)为位势密度为σMLD时所对应的深度；MLD为混合层深度。
于本发明一实施例中，所述对所述遥感叶绿素a浓度进行校正，包括：
Chlasat＇＝-0.37×Chlasat+0.832
式中，Chlasat为校正前的遥感观测叶绿素浓度；Chlasat＇为校正后的遥感观测叶绿素浓度。
本发明第二方面又提供一种终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以执行如上任意所述的海洋叶绿素a浓度三维分布反演方法。
本发明第三方面还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行如上任意所述的海洋叶绿素a浓度三维分布反演方法。
如上所述，本发明提供的所述海洋叶绿素a浓度三维分布反演方法、终端及计算机存储介质，通过结合利用剖面观测数据和遥感观测数据，构建了反演高精度海洋叶绿素a浓度三维分布模型；以基于训练好的叶绿素反演模型，可以有效地获得监测区的叶绿素a浓度三维分布特征，从而使得叶绿素a浓度三维分布反演过程中充分考虑到海面高度异常、风速等海洋表面相关因素和温度、盐度、深度等海洋剖面相关因素，有效地提高了海洋叶绿素a浓度三维分布反演结果的准确性。
附图说明
图1显示为本发明提供的海洋叶绿素a浓度三维分布反演方法于一实施例中的流程示意图；
图2显示为本发明提供的海洋叶绿素a浓度三维分布反演方法于另一实施例中的流程示意图；
图3显示为本发明模型于北印度洋的叶绿素a浓度三维分布的反演结果；
图4显示为本发明利用训练数据集对模型于北印度洋的叶绿素a浓度三维分布的检验结果；
图5显示为本发明利用测试数据集对模型于北印度洋的叶绿素a浓度三维分布的检验结果；
图6显示为本发明实施例提供的终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式。
为解决现有技术中存在的技术问题，本发明于第一方面提供一种海洋叶绿素a浓度三维分布反演方法，用于获取叶绿素a浓度于海洋三维空间内的分布特征。
请参阅图1，示出为所述海洋叶绿素a浓度三维分布反演方法的流程示意图；如图1所示，所述方法包括：
S100，获取监测区内各采样点于各深度的剖面观测数据，和监测区的遥感观测数据；
于本实施例中，所述剖面观测数据为基于海洋浮标观测数据于各目标采集深度所获得的观测信息；其中，所述观测信息至少包括：采集时间、采集位置、采集深度和垂向叶绿素a浓度信息。
可选的，所述剖面观测数据还包括其他影响垂向叶绿素a浓度的观测信息，例如温度信息、盐度信息等。
于一具体实施方式中，所述海洋浮标观测数据采用BGC-Argo数据。
所述遥感观测数据为基于卫星遥感数据获取的，且与叶绿素a浓度相关的海洋表面观测信息，包括海洋水体光学信息、海洋动力信息和海洋气象信息；
其中，所述海洋水体光学信息包括：遥感反射率、遥感海面有效光合辐照度和水体漫衰减系数等信息。
所述海洋动力信息包括海洋温度、海面高度异常和混合层深度等。
所述海洋气象信息包括风力强度、风向信息等。
于一具体实施方式中，所述海洋动力信息为基于高度计卫星数据和微波辐射计数据所获取的信息；所述海洋气象信息为基于搭载微波散射计的气象卫星数据所获取的信息。
S300，基于各所述剖面观测数据的采集时间和采集位置，于所述遥感观测数据中提取与所述剖面观测数据对应的目标遥感观测数据；并基于各所述剖面观测数据和与其对应的目标遥感观测数据，构建样本数据集；
其中，所述样本数据集包括各样本对数据；单个所述样本对数据包括所述剖面观测数据和该剖面观测数据对应的目标遥感观测数据。
具体的，获取各所述剖面观测数据的采集时间和采集位置；对于单个所述剖面观测数据，根据该剖面观测数据的采集时间，于各所述遥感观测数据中筛选出与该采集时间之间满足预设时间要求的遥感观测数据，作为与该剖面观测数据对应的第一遥感观测数据；和基于所述剖面观测数据的采集位置，采集空间配准方法，于所述第一遥感观测数据中提取与该采集位置之间的距离小于预设距离的像元点，作为匹配像元点；基于所述匹配像元点对应的遥感观测数据，获取为与该剖面观测数据对应的目标遥感观测数据；对各所述剖面观测数据均执行以上步骤，以获得与各所述剖面观测数据对应的所述目标遥感观测数据；
将任意所述剖面观测数据和与其对应的所述目标遥感观测数据作为样本数据对，从而获得各样本数据对。
于一具体实施方式中，所述预设时间要求为所述遥感观测数据的采集时间与所述剖面观测数据的采集时间为同一日，即于各所述遥感观测数据中，筛选出与所述剖面观测数据采集时间为同一日采集的遥感观测数据，作为所述第一遥感观测数据。
于一具体实施方式中，所述预设距离为单个像元的长度。
S500，基于所述样本数据集，对预先构建的叶绿素反演模型进行训练，以获得训练后的叶绿素反演模型；
于本实施例中，将所述样本数据集随机划分为训练集和测试集；可选的，将所述样本数据集随机分为80％的训练集和20％的测试集。
基于所述训练集，对所述预设的叶绿素反演模型进行训练，并基于测试集对训练后的模型进行测试，重复该过程，直至所述叶绿素反演模型的测试结果达到预设的训练要求，以获得训练后的叶绿素反演模型。
具体的，对于所述训练集中的样本对，将所述样本对中剖面观测数据的垂向叶绿素a浓度作为真实值，将所述样本对的其他参数信息作为当前的模型输入值，基于预先构建的叶绿素反演模型，获得与该模型输入值对应的模型输出值；基于所述模型输出值和其对应真实值之间的数据关系，对所述叶绿素反演模型的模型进行调整；并基于所述测试集中的样本对，对调整后的所述叶绿素反演模型进行测试；当模型的测试结果不满足预设的训练要求时，则重复执行该过程，直至退出。
于一具体实施例中，所述模型的测试结果包括模型的确定系数(R2)、均方根误差((Root Mean Square Error,简称RMSE)和平均绝对误差百分比(Mean Absolute PercentDifference，简称MAPD)；其中，所述确定系数、所述平均绝对误差和所述均方根误差，分别为：
其中，Chlainsitu表示垂向叶绿素a浓度的观测值；ChlaRF表示垂向叶绿素a浓度的模型值，即基于所述随机森林模型获取的预测值；
表示垂向叶绿素a浓度的观测值均值。
可选的，所述预先构建的叶绿素反演模型为采用随机森林方法所构建的模型，用于当样本对数据中的部分参数值存在空值时，仍可以执行模型训练，从而提高了样本对数据于模型训练中的利用率。
具体的，于所述样本数据集中提取多个训练集，并构建大量的分类树和回归类树来拟合训练数据；于一具体实施方式中，树的个数为300颗，树的最大深度为16，树的节点数为340038个。
于构建回归树时，随机选择输入变量的子集，根据最小化的基尼系数，确定每个节点的最优分割；在最终的预测过程中，通过整合所有回归树的分类结果，获取最终分类结果，并将最终分类结果作为模型的模型输出值。
需要注意的是，于其他实施例中，所述预先构建的叶绿素反演模型还包括：采用多层感知机方法所构建的模型，即通过监督训练，调整多层感知机网络中的各连接权重，使其以任意精度逼近集合上任何函数。
S700，基于训练后的所述叶绿素反演模型，获取监测区内叶绿素a浓度的三维分布信息。
请参阅图2，示出为本发明提供的所述海洋叶绿素a浓度三维分布反演方法于另一实施例中的流程示意图；如图2所示，所述方法于图1示出步骤的基础上，在执行步骤S300之前，还包括：
S200，对所述剖面观测数据和所述遥感观测数据分别进行预处理，以基于预处理后的剖面观测数据和遥感观测数据执行后续步骤；
具体的，对所述剖面观测数据进行预处理，包括：
对所述剖面观测数据中的垂向叶绿素a浓度信息进行校正，为：
Chlaargo＇＝(Chlaargo-0.019)/2.32
式中，Chlaargo为原始垂向叶绿素a浓度；Chlaargo＇为校正后的垂向叶绿素a浓度。
以及，对所述遥感观测数据进行预处理，包括：将所述遥感观测数据中的噪声值进行剔除。
可选的，所述对所述剖面观测数据进行预处理，还包括：
对各所述剖面观测数据进行滤波处理，以剔除所述剖面观测数据中的噪声信息；
于本实施例中，采用滑窗方法，对任意采样点对应的各所述剖面观测数据执行滤波处理，包括：
1)获取当前滑窗，将位于当前滑窗中心的剖面观测数据作为当前的目标观测数据；基于该目标观测数据，确定与其相邻的上观测数据和下观测数据；
2)获取所述目标观测、所述上观测数据和所述下观测数据对应要素值的均值，将该要素值均值确定为所述目标观测数据的新要素值；
3)移动滑窗，以实现对下一剖面观测数据的滤波处理。
于一具体实施方式中，所述滑窗大小为3×1。
于另一实施例中，所述遥感观测数据中还包括遥感叶绿素a浓度，并且于海洋表层的剖面观测数据(即采样深度为0处的剖面观测数据)中未包含所述垂向叶绿素a浓度时，则所述海洋叶绿素a浓度三维分布反演方法，在执行步骤S300时，所述基于各所述剖面观测数据和与其对应的目标遥感观测数据构建样本数据集，包括：
基于各采样点对应的所述遥感叶绿素a浓度，更新该采样点对应的海洋表层剖面观测数据中的垂向叶绿素a浓度，以基于更新后的海洋表层剖面观测数据构建样本数据集。
于本实施例中，当海洋表层剖面观测数据中未包含垂向叶绿素a浓度信息或包含的垂向叶绿素a浓度信息为空时；例如，BGC-Argo数据于海洋表层的垂向叶绿素a浓度为空值；则提取所述遥感观测数据中的遥感叶绿素a浓度；
以及，对于各采样点，将采样点对应的遥感叶绿素a浓度，替换/补充为该采样点于海洋表层剖面观测数据中的垂向叶绿素a浓度，以获得更加完整的新的海洋表层剖面观测数据；将该新的海洋表层剖面观测数据替换/补充原海洋表层剖面观测数据，并将该新的海洋表层剖面观测数据和其对应的目标遥感观测数据，构建一样本数据对。
进一步的，所述基于所述遥感叶绿素a浓度，更新海洋表层剖面观测数据的垂向叶绿素a浓度，包括：
获取各采样点的混合层垂向叶绿素a浓度，和获取各采样点对应遥感观测数据中的遥感叶绿素a浓度；检测所述混合层垂向叶绿素a浓度与所述遥感叶绿素a浓度之间的相关性大小，当相关性数值大于等于阈值时，则将所述遥感叶绿素a浓度替换/补充为采样点海洋表层剖面数据的垂向叶绿素a浓度；当相关性数值小于阈值时，则对所述遥感叶绿素a浓度进行校正，并将校正后的遥感叶绿素a浓度替换/补充为采样点海洋表层剖面数据的垂向叶绿素a浓度。
于一具体实施方式中，所述对所述遥感叶绿素a浓度进行校正，为：
Chlasat＇＝-0.37×Chlasat+0.832
式中，Chlasat为校正前的遥感观测叶绿素浓度；Chlasat＇为校正后的遥感观测叶绿素浓度。
其中，所述混合层垂向叶绿素a浓度为海洋混合层深度(Mixed layer depth；MLD)中的叶绿素a浓度信息；所述混合层深度为海气通量变化和风浪搅拌作用下使海洋近表层形成的深度一定、水温均一的海水层。
具体的，所述混合层深度的计算公式，为：
Δσθ＝σMLD-σ10
Δσθ＝σθ(T10+ΔT,S10,P0)-σθ(T10,S10,P0)
MLD＝D(σMLD)
式中，σMLD为混合层深度处的位势密度；σ10为海表10m深处的位势密度；Δσθ为所述海表10m深处的位势密度和所述混合层深度处位势密度的差值；σθ为海水的位势密度；T10和S10分别为海表10m深处的温度和盐度值；P0表示海表的压力值，ΔT位温度的增加量；D(σMLD)为位势密度为σMLD时所对应的深度；MLD为混合层深度。
于一具体实施方式中，ΔT为-0.5℃。
于获取各采样点对应的混合层深度后，基于该混合层深度，获取各所述剖面观测数据对应的混合层垂向叶绿素a浓度；
具体的，对单个采样点，提取采样点对应的所述剖面观测数据中，深度位于所述混合层深度范围内的各剖面观测数据；将其对应的所述垂向叶绿素a浓度取均值，将该垂向叶绿素a浓度均值作为所述采样点对应的混合层垂向叶绿素a浓度；
通过计算所述混合层垂向叶绿素a浓度与所述遥感叶绿素a浓度之间的相关性大小，和检测该相关性数值是否大于预设的相关性阈值，如是，则将该遥感叶绿素a浓度替换/补充为海洋表层剖面观测数据中的垂向叶绿素a浓度；然后，将海洋表层剖面观测数据和其对应的遥感观测数据作为一样本对；如否，则对所述遥感叶绿素a浓度进行校准后，再将校准后的遥感叶绿素a浓度替换/补充为海洋表层剖面观测数据中的垂向叶绿素a浓度，并将替换/补充后的海洋表层剖面观测数据和其对应的遥感观测数据作为一样本对，从而可以提高海洋表层剖面观测数据中垂向叶绿素a浓度的准确性，使其更加贴合实际的分布特征，而且可以使表层的剖面观测数据作为样本数据，参与至模型训练中，进一步提高了海洋叶绿素a浓度三维分布反演模型的准确性和适用性。
为进一步证明本发明所述方法的有益效果，基于本发明提供的所述海洋叶绿素a浓度三维分布反演方法，对北印度洋的阿拉伯海，赤道中部区域和孟加拉湾区域的海洋叶绿素a浓度三维分布反演模型进行训练；其区域范围为40°-100°E,10°S-30°N。
其中，剖面观测数据选取更新频率为24小时的BGC-Argo数据，所选取的深度范围为0-200m，剖面数据的垂向分辨率为0.2-5m；所述遥感观测数据所选取的卫星遥感数据的空间分辨率为4km，时间分辨率为每天观测一次研究区域，且所有卫星遥感数据均为经过大气校正和地理坐标映射的3级产品。
预先构建的模型为随机森林模型，其模型输入分为四个维度的特征，分别为：1)时间维度的特征：时间信息；2)空间维度的特征：位置信息；3)垂向信息维度的特征：深度、温度剖面、盐度剖面和混合层深度(MLD)；3)表层信息维度的特征：海表温度、海表有效光合辐照度、遥感反射率、漫衰减系数、海面高度异常和风速(u和v分量)。模型输出的北印度洋三维叶绿素a浓度产品结果请参见图3；其空间分辨率为0.25°×0.25°，垂向分辨率为0-200m，共计32组，分别为：
0,1,2,3,4,5,7,8,10,12,14,17,19,23,27,31,36,41,47,54,61,69,78,87,97,108,120,133,147,163,181和200m。
随机选择训练数据集中80％的数据用于训练随机森林模型，剩余的20％数据用于测试模型效果；随机森林反演北印度洋叶绿素a浓度三维分布模型的整体训练结果请参见图4和图5；其中，图4为训练数据集对模型于北印度洋的叶绿素a浓度三维分布的检验结果，图5为测试数据集对模型于北印度洋的叶绿素a浓度三维分布的检验结果。如图4和图5所示，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0.96；由此可见，基于本发明方法所获得的海洋叶绿素a浓度三维分布反演模具有较高的反演精度。
为解决现有技术中存在的问题，本发明于第二方面还提供一种终端，请参阅6，示出了本发明所述终端的结构示意图；如图6所示，所述终端5包括相互连接的存储器51和处理器52；存储器51用于存储计算机程序，处理器52用于执行存储器存储的计算机程序，以使终端执行时可实现如上所述海洋叶绿素a浓度三维分布反演方法中的步骤。
可选的，所述存储器的数量均可以是一个或多个，所述处理器的数量可以是一个或多个，图6中均以一个为例。
可选的，所述终端中的处理器按照如上所述海洋叶绿素a浓度三维分布反演方法中的步骤，将一个或多个以应用程序进程对应的指令加载到存储器上中，并由处理器运行存储于存储器中的应用程序，从而实现如上所述海洋叶绿素a浓度三维分布反演方法中的各功能，在此不在对其进行赘述。
需要说明的是，存储器包括但不限于随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。同理处理器也可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器调用时实现所述海洋叶绿素a浓度三维分布反演方法。
其中，计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备。
这里所描述的计算机可读程序可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
综上所述，本发明提供的所述海洋叶绿素a浓度三维分布反演方法、终端及计算机存储介质，通过结合利用剖面观测数据和遥感观测数据，即融合海洋深度环境信息和表层环境信息，通过训练预设的叶绿素反演模型，构建了反演高精度海洋叶绿素a浓度三维分布模型；以基于训练好的叶绿素反演模型，可以有效地获得监测区的叶绿素a浓度三维分布特征，从而突破了水色卫星资料仅限于表层信息的局限性，提高了海洋叶绿素a浓度三维分布反演结果的准确性，继而更好地服务于海洋碳循环，生态环境变化监测及科学研究。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (11)
1.一种海洋叶绿素a浓度三维分布反演方法，其特征在于，包括：
获取监测区内各采样点于各深度的剖面观测数据，和监测区的遥感观测数据；所述剖面观测数据包括各深度的垂向叶绿素a浓度信息，和其对应的采集时间和采集位置；
基于各所述剖面观测数据的采集时间和采集位置，于所述遥感观测数据中提取与所述剖面观测数据对应的目标遥感观测数据；并基于各所述剖面观测数据和与其对应的目标遥感观测数据，构建样本数据集；
基于所述样本数据集，对预先构建的叶绿素反演模型进行训练，获得训练后的叶绿素反演模型；以及，
基于训练后的所述叶绿素反演模型，获取监测区内叶绿素a浓度的三维分布信息。
2.根据权利要求1所述的海洋叶绿素a浓度三维分布反演方法，其特征在于，所述基于各所述剖面观测数据的采集时间和采集位置，于所述遥感观测数据中提取与所述剖面观测数据对应的目标遥感观测数据，包括：
根据所述剖面观测数据的采集时间，于各所述遥感观测数据中筛选出与该采集时间之间满足预设时间要求的遥感观测数据作为第一遥感观测数据；
和基于所述剖面观测数据的采集位置，采集空间配准方法，于所述第一遥感观测数据中提取与该采集位置之间的距离小于预设距离的像元点作为匹配像元点；基于所述匹配像元点对应的遥感观测数据，获取为与该剖面观测数据对应的目标遥感观测数据。
3.根据权利要求1所述的海洋叶绿素a浓度三维分布反演方法，其特征在于，在提取与所述剖面观测数据对应的目标遥感观测数据之前，还包括：对所述剖面观测数据进行预处理，包括：
对所述剖面观测数据中的所述垂向叶绿素a浓度信息进行校正，为：
Chlaargo＇＝(Chlaargo-0.019)/2.32
式中，Chlaargo为原始垂向叶绿素a浓度；Chlaargo＇为校正后的垂向叶绿素a浓度。
4.根据权利要求1所述的海洋叶绿素a浓度三维分布反演方法，其特征在于，在提取与所述剖面观测数据对应的目标遥感观测数据之前，还包括：
对所述剖面观测数据进行预处理，包括：
采用滑窗方法，对任意采样点对应的各所述剖面观测数据执行滤波处理，包括：
获取当前滑窗，将位于当前滑窗中心的剖面观测数据作为当前的目标观测数据；基于该目标观测数据，确定与其相邻的上观测数据和下观测数据；
获取所述目标观测、所述上观测数据和所述下观测数据对应要素值的均值，将该要素值的均值确定为所述目标观测数据的新要素值；
移动滑窗，以实现对下一剖面观测数据的滤波处理。
5.根据权利要求1所述的海洋叶绿素a浓度三维分布反演方法，其特征在于，所述遥感观测数据包括遥感叶绿素a浓度，则所述基于各所述剖面观测数据和与其对应的目标遥感观测数据，构建样本数据集，包括：
基于各采样点对应的所述遥感叶绿素a浓度，更新该采样点的海洋表层剖面观测数据中的垂向叶绿素a浓度，以基于更新后的海洋表层剖面观测数据构建样本数据集。
6.根据权利要求5所述的海洋叶绿素a浓度三维分布反演方法，其特征在于，所述基于各采样点对应的所述遥感叶绿素a浓度，更新该采样点的海洋表层剖面观测数据中的垂向叶绿素a浓度，包括：
获取各采样点对应的混合层垂向叶绿素a浓度，和获取各采样点对应遥感观测数据中的遥感叶绿素a浓度；
检测所述混合层垂向叶绿素a浓度与所述遥感叶绿素a浓度之间的相关性大小，当相关性数值大于等于阈值时，则将所述遥感叶绿素a浓度替换/补充为采样点海洋表层剖面数据的垂向叶绿素a浓度；当相关性数值小于阈值时，则对所述遥感叶绿素a浓度进行校正，并将校正后的遥感叶绿素a浓度替换/补充为采样点海洋表层剖面数据的垂向叶绿素a浓度。
7.根据权利要求6所述的海洋叶绿素a浓度三维分布反演方法，其特征在于，所述获取各采样点对应的混合层垂向叶绿素a浓度，包括：
获取各采样点对应的混合层深度；
对于各采样点，提取采样点对应的所述剖面观测数据中，深度位于所述混合层深度范围内的各剖面观测数据；
将其对应的所述垂向叶绿素a浓度取均值，将该垂向叶绿素a浓度均值作为所述采样点对应的混合层垂向叶绿素a浓度。
8.根据权利要求7所述的海洋叶绿素a浓度三维分布反演方法，其特征在于，所述混合层深度的获取方式，包括：
Δσθ＝σMLD-σ10
Δσθ＝σθ(T10+AT,S10，P0)-σθ(T10，S10，P0)
MLD＝D(σMLD)
式中，σMLD为混合层深度处的位势密度；σ10为海表10m深处的位势密度；Δσθ为所述海表10m深处的位势密度和所述混合层深度处位势密度的差值；σθ为海水的位势密度；T10和S10分别为海表10m深处的温度和盐度值；P0表示海表的压力值，ΔT位温度的增加量；D(σMLD)为位势密度为σMLD时所对应的深度；MLD为混合层深度。
9.根据权利要求6所述的海洋叶绿素a浓度三维分布反演方法，其特征在于，所述对所述遥感叶绿素a浓度进行校正，包括：
Chlasat′＝-0.37×Chlasat+0.832
式中，Chlasat为校正前的遥感观测叶绿素浓度；Chlasat′为校正后的遥感观测叶绿素浓度。
10.一种终端，其特征在于，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以执行如权利要求1至9中任一项所述的海洋叶绿素a浓度三维分布反演方法。
11.一种计算机存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行如权利要求1至9中任一项所述的海洋叶绿素a浓度三维分布反演方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211578507.6A CN116008267A (zh) | 2022-12-09 | 2022-12-09 | 海洋叶绿素a浓度三维分布反演方法、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211578507.6A CN116008267A (zh) | 2022-12-09 | 2022-12-09 | 海洋叶绿素a浓度三维分布反演方法、终端及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116008267A true CN116008267A (zh) | 2023-04-25 |
Family
ID=86022240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211578507.6A Pending CN116008267A (zh) | 2022-12-09 | 2022-12-09 | 海洋叶绿素a浓度三维分布反演方法、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116008267A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117491301A (zh) * | 2023-12-29 | 2024-02-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种高坝水库水环境垂向监测方法、系统及设备 |
| CN117688847A (zh) * | 2024-02-02 | 2024-03-12 | 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 |
| 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 (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120324986A1 (en) * | 2009-12-04 | 2012-12-27 | The Trustees Of Columbia University In The City Of | Spectral and temporal laser fluorescence analysis such as for natural aquatic environments |
| US20190072377A1 (en) * | 2017-09-01 | 2019-03-07 | Zhaohua Sun | Device for in-situ observation of apparent spectrum of water body |
| CN112070234A (zh) * | 2020-09-04 | 2020-12-11 | 中国科学院南京地理与湖泊研究所 | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 |
| CN112131746A (zh) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | 叶绿素a浓度反演方法及系统 |
| CN112504979A (zh) * | 2020-11-12 | 2021-03-16 | 内蒙古工业大学 | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 |
| CN113758885A (zh) * | 2021-09-09 | 2021-12-07 | 中国科学院合肥物质科学研究院 | 一种水体内叶绿体色素浓度的测算方法及其系统 |
| CN114239422A (zh) * | 2022-02-23 | 2022-03-25 | 中国海洋大学 | 基于机器学习提高海洋叶绿素a浓度预报准确度的方法 |
| CN114819150A (zh) * | 2022-06-28 | 2022-07-29 | 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 |
| CN114994042A (zh) * | 2022-06-09 | 2022-09-02 | 中国海洋大学 | 一种基于深度残差神经网络的海表面叶绿素a浓度遥感反演方法 |
-
2022
- 2022-12-09 CN CN202211578507.6A patent/CN116008267A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120324986A1 (en) * | 2009-12-04 | 2012-12-27 | The Trustees Of Columbia University In The City Of | Spectral and temporal laser fluorescence analysis such as for natural aquatic environments |
| US20190072377A1 (en) * | 2017-09-01 | 2019-03-07 | Zhaohua Sun | Device for in-situ observation of apparent spectrum of water body |
| CN112070234A (zh) * | 2020-09-04 | 2020-12-11 | 中国科学院南京地理与湖泊研究所 | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 |
| CN112131746A (zh) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | 叶绿素a浓度反演方法及系统 |
| CN112504979A (zh) * | 2020-11-12 | 2021-03-16 | 内蒙古工业大学 | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 |
| CN113758885A (zh) * | 2021-09-09 | 2021-12-07 | 中国科学院合肥物质科学研究院 | 一种水体内叶绿体色素浓度的测算方法及其系统 |
| CN114239422A (zh) * | 2022-02-23 | 2022-03-25 | 中国海洋大学 | 基于机器学习提高海洋叶绿素a浓度预报准确度的方法 |
| CN114994042A (zh) * | 2022-06-09 | 2022-09-02 | 中国海洋大学 | 一种基于深度残差神经网络的海表面叶绿素a浓度遥感反演方法 |
| CN114819150A (zh) * | 2022-06-28 | 2022-07-29 | 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 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117491301A (zh) * | 2023-12-29 | 2024-02-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种高坝水库水环境垂向监测方法、系统及设备 |
| CN117491301B (zh) * | 2023-12-29 | 2024-03-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种高坝水库水环境垂向监测方法、系统及设备 |
| CN117688847A (zh) * | 2024-02-02 | 2024-03-12 | 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Massari et al. | Exploiting satellite-based surface soil moisture for flood forecasting in the Mediterranean area: State update versus rainfall correction | |
| CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
| Verron et al. | The benefits of the Ka-band as evidenced from the SARAL/AltiKa altimetric mission: Scientific applications | |
| Konomi et al. | Adaptive Bayesian nonstationary modeling for large spatial datasets using covariance approximations | |
| US11681839B2 (en) | Systems and methods for modeling water quality | |
| CN111738347B (zh) | 海浪方向谱订正方法、装置、存储介质和电子设备 | |
| Lyashevska et al. | Mapping species abundance by a spatial zero‐inflated P oisson model: a case study in the W adden S ea, the N etherlands | |
| CN113255961B (zh) | 基于时序多源光谱遥感数据的湖泊水环境监测站点优化布局方法 | |
| CN112733394A (zh) | 一种大气参数反演方法及装置 | |
| Green et al. | Estimation of tephra volumes from sparse and incompletely observed deposit thicknesses | |
| CN116008267A (zh) | 海洋叶绿素a浓度三维分布反演方法、终端及介质 | |
| Griffith | Approximation of Gaussian spatial autoregressive models for massive regular square tessellation data | |
| APAYDIN et al. | Evaluation of air temperature with machine learning regression methods using Seoul City meteorological data | |
| Wang et al. | Forest above ground biomass estimation from remotely sensed imagery in the mount tai area using the RBF ANN algorithm | |
| Erena et al. | Bathymetry time series using high spatial resolution satellite images | |
| Yang et al. | Utilizing satellite surface soil moisture data in calibrating a distributed hydrological model applied in humid regions through a multi-objective Bayesian hierarchical framework | |
| Galoie et al. | Converting daily rainfall data to sub-daily—introducing the MIMD method | |
| Kundu et al. | Detection and prediction of sundarban reserve forest using the CA-Markov chain model and remote sensing data | |
| Bu et al. | Glows-net: A deep learning framework for retrieving global sea surface wind speed using spaceborne gnss-r data | |
| Hu et al. | Applying a wavelet transform technique to optimize general fitting models for SM analysis: A case study in downscaling over the Qinghai–Tibet Plateau | |
| Dehkordi et al. | Machine learning-based estimation of suspended sediment concentration along Missouri River using remote sensing imageries in Google Earth Engine | |
| Limsupavanich et al. | Application of RNN on GNSS Reflectometry Sea level monitoring | |
| Teng et al. | Satbird: a dataset for bird species distribution modeling using remote sensing and citizen science data | |
| Hussan et al. | Application of soft computing models with input vectors of snow cover area in addition to hydro-climatic data to predict the sediment loads | |
| Liu et al. | Evaluation of the effectiveness of multiple machine learning methods in remote sensing quantitative retrieval of suspended matter concentrations: A case study of Nansi Lake in North China |
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 |