CN116379935A - 基于多光谱影像的岛礁浅海水深预测方法、装置以及设备 - Google Patents
基于多光谱影像的岛礁浅海水深预测方法、装置以及设备 Download PDFInfo
- Publication number
- CN116379935A CN116379935A CN202310174556.1A CN202310174556A CN116379935A CN 116379935 A CN116379935 A CN 116379935A CN 202310174556 A CN202310174556 A CN 202310174556A CN 116379935 A CN116379935 A CN 116379935A
- Authority
- CN
- China
- Prior art keywords
- water depth
- water
- data
- multispectral
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000013535 sea water Substances 0.000 title claims abstract description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 326
- 238000005259 measurement Methods 0.000 claims abstract description 43
- 238000001228 spectrum Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000002310 reflectometry Methods 0.000 claims description 35
- 238000012937 correction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 210000000746 body region Anatomy 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000000701 chemical imaging Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/03—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring coordinates of points
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
- G01J5/485—Temperature profile
-
- 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
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明涉及地理信息技术领域,特别涉及一种基于多光谱影像的岛礁浅海水深预测方法,包括:获取目标区域在预设测量时间的水深数据;根据测量时间,获取目标区域在测量时间前后的预设若干个时期的多光谱影像;从多光谱影像中,提取浅水区域对应的水体影像;根据若干个水深点位对应的坐标数据,对水体影像进行地理配准,获取地理配准后的水体影像,并获取地理配准后的水体影像中各个水深点位对应的光谱数据;将每个水深点位对应的水深值与各个时期下每个水深点位对应的光谱数据进行组合,构建数据集;根据数据集对预设的水深预测模型进行训练,获取训练好的水深预测模型,实现了岛礁浅海区的浅水区的水深数据的准确测量。
Description
技术领域
本发明涉及地理信息技术领域,特别涉及是一种基于多光谱影像的岛礁浅海水深预测方法、装置、设备以及存储介质。
背景技术
目前,对于岛礁浅海区的水深测量主要是依靠搭载了测深仪的无人船在岛礁浅海区进行实地测量,但由于不清楚水深和岛礁的限制,部分浅水区的水深无法测量或者会对无人船造成损伤,效率低下并且测量的结果不够精确。
发明内容
基于此,本发明的目的在于,提供一种基于多光谱影像的岛礁浅海水深预测方法、装置、设备以及存储介质,基于获取的岛礁浅海区的浅水区的水深数据以及光谱数据,对水深预测模型进行训练,实现了岛礁浅海区的浅水区的水深数据的准确测量,而且测量方式高效和快捷。
第一方面,本申请实施例提供了一种基于多光谱影像的岛礁浅海水深预测方法,包括以下步骤:
通过无人机获取目标区域的热红外图像、气象数据、各个地类类型对应的建筑高度数据以及建筑面积数据,其中,所述热红外图像包括若干个地类类型,所述气象数据包括气温数据以及风速数据;
将所述热红外图像转换为地表温度图像,从所述地表温度图像中提取各个所述地类类型对应的若干个样本数据;
根据所述温度数据、气象数据、各个所述地类类型对应的建筑高度数据以及建筑面积数据,构建地表温度测量模型;
响应于测量指令,所述测量指令包括待分类区域的热红外图像、气象数据、各个所述地类类型对应的建筑高度数据以及建筑面积数据,根据所述待分类区域的热红外图像、气象数据、各个所述地类类型对应的建筑高度数据以及建筑面积数据,输入至所述地表温度测量模型,获取待分类区域的地表温度测量结果。
第二方面,本申请实施例提供了一种基于多光谱影像的岛礁浅海水深预测装置,包括:
水深数据获取模块,用于获取目标区域在预设测量时间的水深数据,其中,所述水深数据包括若干个水深点位的坐标数据以及所述若干个水深点位对应的水深值;
多光谱影像获取模块,用于根据所述测量时间,获取所述目标区域在所述测量时间前后的预设若干个时期的多光谱影像,其中,所述多光谱影像包括陆地区域以及水体区域,所述水体区域包括浅水区域以及深水区域;
光谱数据获取模块,用于从所述多光谱影像中,提取浅水区域对应的水体影像;根据所述若干个水深点位对应的坐标数据,对所述水体影像进行地理配准,获取地理配准后的水体影像,并获取所述地理配准后的水体影像中各个水深点位对应的光谱数据,其中,所述光谱数据包括蓝、绿、红波段及近红外波段对应的反射率;
训练模块,用于将每个水深点位对应的水深值与各个时期下每个水深点位对应的光谱数据进行组合,构建数据集;根据所述数据集对预设的水深预测模型进行训练,获取训练好的水深预测模型;
预测模块,用于获取待测岛礁浅海区域在预设若干个时期的多光谱影像,将所述待测岛礁浅海区域的多光谱影像输入至训练好的水深预测模型,获取所述待测岛礁浅海区域的水深预测数据结果。
第三方面,本申请实施例提供了一种计算机设备,包括:处理器、存储器以及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;所述计算机程序被所述处理器执行时实现如第一方面所述基于多光谱影像的岛礁浅海水深预测方法的步骤。
第四方面,本申请实施例提供了一种存储介质,所述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时实现如第一方面所述的基于多光谱影像的岛礁浅海水深预测方法的步骤。
在本申请实施例中,提供一种基于多光谱影像的岛礁浅海水深预测方法、装置、设备以及存储介质,基于获取的岛礁浅海区的浅水区的水深数据以及光谱数据,对水深预测模型进行训练,实现了岛礁浅海区的浅水区的水深数据的准确测量,而且测量方式高效和快捷。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本申请第一实施例提供的基于多光谱影像的岛礁浅海水深预测方法的流程示意图;
图2为本申请第二实施例提供的基于多光谱影像的岛礁浅海水深预测方法的流程示意图;
图3为本申请第一实施例提供的基于多光谱影像的岛礁浅海水深预测方法中S3的流程示意图;
图4为本申请第一实施例提供的基于多光谱影像的岛礁浅海水深预测方法中S301的流程示意图;
图5为本申请第一实施例提供的基于多光谱影像的岛礁浅海水深预测方法中S302的流程示意图;
图6为本申请第三实施例提供的基于多光谱影像的岛礁浅海水深预测方法的流程示意图;
图7为本申请第三实施例提供的基于多光谱影像的岛礁浅海水深预测方法中S302的流程示意图;
图8为本申请第四实施例提供的基于多光谱影像的岛礁浅海水深预测装置的结构示意图;
图9为本申请第五实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1,图1为本申请第一实施例提供的基于多光谱影像的岛礁浅海水深预测方法的流程示意图,所述方法包括如下步骤:
S1:获取目标区域在预设测量时间的水深数据。
所述基于多光谱影像的岛礁浅海水深预测方法的执行主体为基于多光谱影像的岛礁浅海水深预测方法的预测设备(以下简称预测设备),该预测设备可以通过软件和/或硬件的方式实现,可以通过软件和/或硬件的方式实现基于多光谱影像的岛礁浅海水深预测方法,该预测设备可以是两个或多个物理实体构成,也可以是一个物理实体构成。预测设备所指向的硬件,本质上均是指计算机设备,例如,预测设备可以是电脑、手机、平板或交互平板等设备。在一个可选的实施例中,所述预测设备具体也可以是服务器,或是多台计算机设备联合而成的服务器机群。
所述水深数据用于反映该目标区域内的水体区域的水深,其中,所述水深数据包括若干个水深点位的坐标数据以及所述若干个水深点位对应的水深值,所述水深点位为预先设置的采样点。
在本实施例中,预测设备根据预先设置的测量时间以及采样点,采用测深仪,获取所述测量时间对应的目标区域的水深数据。
S2:根据所述测量时间,获取所述目标区域在所述测量时间前后的预设若干个时期的多光谱影像。
在本实施例中,预测设备根据所述预先设置的测量时间,通过无人机,获取测量时间前后的预设若干个时期的目标区域的多光谱影像,其中,所述多光谱影像包括陆地区域以及水体区域,所述水体区域包括浅水区域以及深水区域;
具体地,以所述测量时间为时间起点,获取该时间起点前后半年范围内,以月份为单位,获取每一时期的多光谱影像,并对每一时期影像设置编码,最早一期的影像编码为1,下一期影像的编码为2,以此类推。
请参阅图2,图2为本申请第二实施例提供的基于多光谱影像的岛礁浅海水深预测方法的流程示意图,包括步骤S6,所述步骤S6在步骤S3之前,具体如下:
S6:对所述多光谱影像进行预处理,获取预处理后的多光谱影像,其中,所述预处理步骤包括辐射校正、几何校正以及几何配准。
在本实施例中,预测设备对所多光谱影像进行辐射校正、几何校正以及几何配准处理,获取处理后的多光谱影像,用于将无人机采集的目标区域的多光谱影像进行校正,提高光谱数据的准确性,其中,所述光谱数据包括蓝、绿、红波段及近红外波段对应的反射率。
S3:从所述多光谱影像中,提取浅水区域对应的水体影像;根据所述若干个水深点位对应的坐标数据,对所述水体影像进行地理配准,获取地理配准后的水体影像,并获取所述地理配准后的水体影像中各个水深点位对应的光谱数据。
由于无人机在获取各个时期的目标区域的多光谱影像的过程中,会出现位置的偏差,不能保证每个时期的多光谱影像的相对位置都是一致的;
为了解决上述问题,且降低运算的复杂性,提高光谱数据获取的效率,在本实施例中,预测设备从所述多光谱影像中,提取浅水区域对应的水体影像,根据所述若干个水深点位对应的坐标数据,对所述水体影像进行地理配准,获取地理配准后的水体影像,并获取所述地理配准后的水体影像中各个水深点位对应的光谱数据。
请参阅图3,图3为本申请第一实施例提供的基于多光谱影像的岛礁浅海水深预测方法中S3的流程示意图,包括步骤S301~S302,具体如下:
S301:剔除所述多光谱影像中的陆地区域,获取所述多光谱影像的水体区域对应的水体影像。
在本实施例中,预测设备剔除所述多光谱影像中的陆地区域,获取所述多光谱影像的水体区域对应的水体影像。
S302:剔除所述多光谱影像的水体区域对应的水体影像中的深水区域,获取所述多光谱影像的浅水区域对应的水体影像。
在本实施例中,预测设备剔除所述多光谱影像的水体区域对应的水体影像中的深水区域,获取所述多光谱影像的浅水区域对应的水体影像。
请参阅图4,图4为本申请第一实施例提供的基于多光谱影像的岛礁浅海水深预测方法中S301的流程示意图,包括步骤S3011~S3012,具体如下:
S3011:获取所述多光谱影像中各个像元对应的近红外波段反射率、绿波段反射率,根据所述近红外波段反射率、绿波段反射率以及预设的归一化水分指数计算算法,获取所述多光谱影像中各个像元对应的归一化水分指数。
所述归一化水分指数计算算法为:
式中,NDWI为所述归一化水分指数,p(GREEN)为所述绿波段反射率,p(NIR)为所述近红外波段反射率;
在本实施例中,预测设备根据所述多光谱影像,获取所述多光谱影像中各个像元对应的近红外波段反射率、绿波段反射率,根据所述近红外波段反射率、绿波段反射率以及预设的归一化水分指数计算算法,获取所述多光谱影像中各个像元对应的归一化水分指数。
S3012:根据所述多光谱影像中各个像元对应的归一化水分指数以及预设的第一阈值,从所述多光谱影像中的像元提取若干个第一目标像元,进行组合,获取所述多光谱影像的水体区域对应的水体影像。
所述水体影像是包括水体区域的多光谱影像,记录图像内包括深水区域以及浅水区域的光谱数据,所述第一阈值用于区分所述多光谱影像中的水体区域以及陆地区域,在本实施例中,预测设备将所述多光谱影像中各个像元对应的归一化水分指数分别与所述第一阈值进行对比,当所述像元对应的归一化水分指数大于第一阈值,将所述像元设置为第一目标像元,即水体像元,当所述像元对应的归一化水分指数小于或等于第一阈值,将所述像元设置为陆地像元,并将所述第一目标像元进行提取、组合,获取所述多光谱影像的水体区域对应的水体影像。
请参阅图5,图5为本申请第一实施例提供的基于多光谱影像的岛礁浅海水深预测方法中S302的流程示意图,包括步骤S3021~S3022,具体如下:
S3021:获取所述多光谱影像的水体区域对应的水体影像中各个像元对应的蓝波段反射率。
在本实施例中,预测设备根据所述多光谱影像,获取所述多光谱影像中各个像元对应的蓝波段反射率。
S3022:根据所述蓝波段反射率以及预设的第二阈值,从所述多光谱影像的水体区域对应的水体影像中的像元提取若干个第二目标像元,进行组合,获取所述多光谱影像的浅水区域对应的水体影像。
所述第二阈值用于区分所述多光谱影像中的深水区域以及浅水区域,在一个可选的实施例中,预测设备通过获取用户输入的若干个深水区域采样点的坐标数据,预测设备根据所述若干个深水区域采样点的坐标数据,从所述多光谱影像的水体区域对应的水体影像中,获取所述若干个深水区域采样点对应的蓝波段反射率,根据所述若干个深水区域采样点对应的蓝波段反射率,计算蓝波段反射率的平均值以及标准差,输入至预设的第二阈值计算算法,获取所述第二阈值,其中,所述第二阈值计算算法为:
在本实施例中,预测设备将所述多光谱影像中各个像元对应的蓝波段反射率分别与所述第二阈值进行对比,当所述像元对应的蓝波段反射率大于第二阈值,将所述像元设置为第二目标像元,即浅水像元,当所述像元对应的蓝波段反射率小于或等于第二阈值,将所述像元设置为深水像元,并将所述第二目标像元进行提取、组合,获取所述多光谱影像的浅水区域对应的水体影像。
请参阅图6,图6为本申请第三实施例提供的基于多光谱影像的岛礁浅海水深预测方法的流程示意图,包括步骤S7,所述步骤S7在步骤S4之前,具体如下:
S7:获取所述测量时间前后的各个时期的目标区域的潮汐数据,根据所述潮汐数据,对所述各个水深点位对应的水深值进行校正处理,获取校正处理后的各个水深点位对应的水深值。
所述潮汐数据包括第一潮汐数据以及第二潮汐数据,所述第一潮汐数据为在所述测量时间对应的目标区域的潮汐高度,所述潮汐高度是基于无人机拍摄的影像数量决定的,在一个可选的实施例中,预测设备可以通过无人机在所述测量时间内,若拍摄到N张影像,则将所述潮汐高度设置为N米;
所述第二潮汐数据为在所述测量时间前后各个时期对应的目标区域的潮汐高度,在一个可选的实施例中,预测设备基于所述测量时间,通过查询潮汐表,获取所述测量时间前后的各个时期的目标区域的潮汐高度,作为所述第二潮汐数据。
请参阅图7,图7为本申请第三实施例提供的基于多光谱影像的岛礁浅海水深预测方法中S302的流程示意图,包括步骤S701,具体如下:
S701:根据所述第一潮汐数据、第二潮汐数据以及预设的校正公式,对所述各个水深点位对应的水深值进行校正处理,获取校正处理后的各个水深点位对应的水深值。
所述校正公式为:
Deepcorrect=Deep-(Tide1-Tide2)
式中,Deepcorrect为所述校正处理后的水深值,Deep为校正处理前的水深值,Tide1为所述第一潮汐数据,Tide2为所述第二潮汐数据。
在本实施例中,预测设备根据所述第一潮汐数据、第二潮汐数据以及预设的校正公式,对所述各个水深点位对应的水深值进行校正处理,获取校正处理后的各个水深点位对应的水深值,以后续提高获取光谱数据的准确性。
S4:将每个水深点位对应的水深值与各个时期下每个水深点位对应的光谱数据进行组合,构建数据集;根据所述数据集对预设的水深预测模型进行训练,获取训练好的水深预测模型。
所述水深预测模型为随机森林模型,在本实施例中,预测设备将同一时期下,水深点位对应的水深值作为因变量,水深点对应的光谱数据作为自变量,构建所述水深预测模型。
预测设备将每个水深点位对应的水深值与各个时期下每个水深点位对应的光谱数据进行组合,构建数据集;根据所述数据集对预设的水深预测模型进行训练,获取训练好的水深预测模型,根据所述数据集,按照7:3的比例进行分层抽样得到训练集以及测试集,将所述测试集输入至水深预测模型中,采用随机森林算法进行训练,再利用测试集对所述水深预测模型进行测试,分析和评价模型精度,从而获取所述训练好的水深预测模型。
S5:获取待测岛礁浅海区域在预设若干个时期的多光谱影像,将所述待测岛礁浅海区域的多光谱影像输入至训练好的水深预测模型,获取所述待测岛礁浅海区域的水深预测数据结果。
预测设备获取待测岛礁浅海区域在预设若干个时期的多光谱影像,将所述待测岛礁浅海区域的多光谱影像输入至训练好的水深预测模型,获取所述训练好的水深预测模型输出的各个时期的多光谱影像的浅水区域的各个像元对应的水深值,作为所述待测岛礁浅海区域的水深预测数据结果。
在一个可选的实施例中,预测设备基于同一个像元,对各个时期的多光谱影像的各个像元对应的水深值进行分析,计算各个像元对应的水深值的平均值和标准差,并根据所述水深值的平均值和标准差设置水深阈值区间,当所述像元对应的水深值位于所述水深阈值区间内,则将所述像元对应的水深值设置为目标水深值,作为所述待测岛礁浅海区域的水深预测数据结果;当所述像元对应的水深值不位于所述水深阈值区间内,则将所述像元对应的水深值设置为异常水深值,进行剔除,从而获取所述待测岛礁浅海区域的水深预测数据结果。
请参考图8,图8为本申请第四实施例提供的基于多光谱影像的岛礁浅海水深预测装置的结构示意图,该装置可以通过软件、硬件或两者的结合实现基于多光谱影像的岛礁浅海水深预测装置的全部或一部分,该装置8包括:
水深数据获取模块81,用于获取目标区域在预设测量时间的水深数据,其中,所述水深数据包括若干个水深点位的坐标数据以及所述若干个水深点位对应的水深值;
多光谱影像获取模块82,用于根据所述测量时间,获取所述目标区域在所述测量时间前后的预设若干个时期的多光谱影像,其中,所述多光谱影像包括陆地区域以及水体区域,所述水体区域包括浅水区域以及深水区域;
光谱数据获取模块83,用于从所述多光谱影像中,提取浅水区域对应的水体影像;根据所述若干个水深点位对应的坐标数据,对所述水体影像进行地理配准,获取地理配准后的水体影像,并获取所述地理配准后的水体影像中各个水深点位对应的光谱数据,其中,所述光谱数据包括蓝、绿、红波段及近红外波段对应的反射率;
训练模块84,用于将每个水深点位对应的水深值与各个时期下每个水深点位对应的光谱数据进行组合,构建数据集;根据所述数据集对预设的水深预测模型进行训练,获取训练好的水深预测模型;
预测模块85,用于获取待测岛礁浅海区域在预设若干个时期的多光谱影像,将所述待测岛礁浅海区域的多光谱影像输入至训练好的水深预测模型,获取所述待测岛礁浅海区域的水深预测数据结果。
在本申请实施例中,通过水深数据获取模块,获取目标区域在预设测量时间的水深数据,其中,所述水深数据包括若干个水深点位的坐标数据以及所述若干个水深点位对应的水深值;通过多光谱影像获取模块,根据所述测量时间,获取所述目标区域在所述测量时间前后的预设若干个时期的多光谱影像,其中,所述多光谱影像包括陆地区域以及水体区域,所述水体区域包括浅水区域以及深水区域;通过光谱数据获取模块,从所述多光谱影像中,提取浅水区域对应的水体影像;根据所述若干个水深点位对应的坐标数据,对所述水体影像进行地理配准,获取地理配准后的水体影像,并获取所述地理配准后的水体影像中各个水深点位对应的光谱数据,其中,所述光谱数据包括蓝、绿、红波段及近红外波段对应的反射率;通过训练模块,将每个水深点位对应的水深值与各个时期下每个水深点位对应的光谱数据进行组合,构建数据集;根据所述数据集对预设的水深预测模型进行训练,获取训练好的水深预测模型;通过预测模块,获取待测岛礁浅海区域在预设若干个时期的多光谱影像,将所述待测岛礁浅海区域的多光谱影像输入至训练好的水深预测模型,获取所述待测岛礁浅海区域的水深预测数据结果。基于获取的岛礁浅海区的浅水区的水深数据以及光谱数据,对水深预测模型进行训练,实现了岛礁浅海区的浅水区的水深数据的准确测量,而且测量方式高效和快捷。
请参考图9,图9为本申请第五实施例提供的计算机设备的结构示意图,计算机设备9包括:处理器91、存储器92以及存储在存储器92上并可在处理器91上运行的计算机程序93;计算机设备可以存储有多条指令,指令适用于由处理器91加载并执行上述第一、第二以及第三实施例的方法步骤,具体执行过程可以参见第一、第二以及第三实施例的具体说明,在此不进行赘述。
其中,处理器91可以包括一个或多个处理核心。处理器91利用各种接口和线路连接服务器内的各个部分,通过运行或执行存储在存储器92内的指令、程序、代码集或指令集,以及调用存储器92内的数据,执行基于多光谱影像的岛礁浅海水深预测装置8的各种功能和处理数据,可选的,处理器91可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programble Logic Array,PLA)中的至少一个硬件形式来实现。处理器91可集成中央处理器91(Central Processing Unit,CPU)、图像处理器91(Graphics Processing Unit,GPU)和调制解调器等中的一个或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器91中,单独通过一块芯片进行实现。
其中,存储器92可以包括随机存储器92(Random Access Memory,RAM),也可以包括只读存储器92(Read-Only Memory)。可选的,该存储器92包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器92可用于存储指令、程序、代码、代码集或指令集。存储器92可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器92可选的还可以是至少一个位于远离前述处理器91的存储装置。
本申请实施例还提供了一种存储介质,所述存储介质可以存储有多条指令,所述指令适用于由处理器加载并执行上述第一、第二以及第三实施例的方法步骤,具体执行过程可以参见第一、第二以及第三实施例的具体说明,在此不进行赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (10)
1.一种基于多光谱影像的岛礁浅海水深预测方法,其特征在于,包括以下步骤:
获取目标区域在预设测量时间的水深数据,其中,所述水深数据包括若干个水深点位的坐标数据以及所述若干个水深点位对应的水深值;
根据所述测量时间,获取所述目标区域在所述测量时间前后的预设若干个时期的多光谱影像,其中,所述多光谱影像包括陆地区域以及水体区域,所述水体区域包括浅水区域以及深水区域;
从所述多光谱影像中,提取浅水区域对应的水体影像;根据所述若干个水深点位对应的坐标数据,对所述水体影像进行地理配准,获取地理配准后的水体影像,并获取所述地理配准后的水体影像中各个水深点位对应的光谱数据,其中,所述光谱数据包括蓝、绿、红波段及近红外波段对应的反射率;
将每个水深点位对应的水深值与各个时期下每个水深点位对应的光谱数据进行组合,构建数据集;根据所述数据集对预设的水深预测模型进行训练,获取训练好的水深预测模型;
获取待测岛礁浅海区域在预设若干个时期的多光谱影像,将所述待测岛礁浅海区域的多光谱影像输入至训练好的水深预测模型,获取所述待测岛礁浅海区域的水深预测数据结果。
2.根据权利要求1所述的基于多光谱影像的岛礁浅海水深预测方法,其特征在于,所述从所述多光谱影像中,提取浅水区域对应的水体影像之前,包括步骤:
对所述多光谱影像进行预处理,获取预处理后的多光谱影像,其中,所述预处理步骤包括辐射校正、几何校正以及几何配准。
3.根据权利要求1所述的基于多光谱影像的岛礁浅海水深预测方法,其特征在于,所述从所述多光谱影像中,提取浅水区域对应的水体影像,包括步骤:
剔除所述多光谱影像中的陆地区域,获取所述多光谱影像的水体区域对应的水体影像;
剔除所述多光谱影像的水体区域对应的水体影像中的深水区域,获取所述多光谱影像的浅水区域对应的水体影像。
4.根据权利要求3所述的基于多光谱影像的岛礁浅海水深预测方法,其特征在于,所述剔除所述多光谱影像中的陆地区域,获取所述多光谱影像的水体区域对应的水体影像,包括步骤:
获取所述多光谱影像中各个像元对应的近红外波段反射率以及绿波段反射率,根据所述近红外波段反射率、绿波段反射率以及预设的归一化水分指数计算算法,获取所述多光谱影像中各个像元对应的归一化水分指数,其中,所述归一化水分指数计算算法为:
式中,NDWI为所述归一化水分指数,p(GREEN)为所述绿波段反射率,p(NIR)为所述近红外波段反射率;
根据所述多光谱影像中各个像元对应的归一化水分指数以及预设的第一阈值,从所述多光谱影像中的像元提取若干个第一目标像元,进行组合,获取所述多光谱影像的水体区域对应的水体影像。
5.根据权利要求3或4所述的基于多光谱影像的岛礁浅海水深预测方法,其特征在于,所述剔除所述多光谱影像的水体区域对应的水体影像中的深水区域,获取所述多光谱影像的浅水区域对应的水体影像,包括步骤:
获取所述多光谱影像的水体区域对应的水体影像中各个像元对应的蓝波段反射率;
根据所述蓝波段反射率以及预设的第二阈值,从所述多光谱影像的水体区域对应的水体影像中的像元提取若干个第二目标像元,进行组合,获取所述多光谱影像的浅水区域对应的水体影像。
6.根据权利要求1所述的基于多光谱影像的岛礁浅海水深预测方法,其特征在于,所述将同一时期下,各个深点位对应的水深值以及光谱数据进行组合之前,包括步骤:
获取所述测量时间前后的各个时期的目标区域的潮汐数据,根据所述潮汐数据,对所述各个水深点位对应的水深值进行校正处理,获取校正处理后的各个水深点位对应的水深值。
7.根据权利要求1所述的基于多光谱影像的岛礁浅海水深预测方法,其特征在于:
所述潮汐数据包括第一潮汐数据以及第二潮汐数据,所述第一潮汐数据为在所述测量时间对应的目标区域的潮汐高度,所述第二潮汐数据为在所述测量时间前后各个时期对应的目标区域的潮汐高度;
所述根据所述潮汐数据,对所述各个水深点位对应的水深值进行校正处理,获取校正处理后的各个水深点位对应的水深值,包括步骤:
根据所述第一潮汐数据、第二潮汐数据以及预设的校正公式,对所述各个水深点位对应的水深值进行校正处理,获取校正处理后的各个水深点位对应的水深值,其中,所述校正公式为:
Deepcorrect=Deep-(Tide1-Tide2)
式中,Deepcorrect为所述校正处理后的水深值,Deep为校正处理前的水深值,Tide1为所述第一潮汐数据,Tide2为所述第二潮汐数据。
8.一种基于多光谱影像的岛礁浅海水深预测装置,其特征在于,包括:
水深数据获取模块,用于获取目标区域在预设测量时间的水深数据,其中,所述水深数据包括若干个水深点位的坐标数据以及所述若干个水深点位对应的水深值;
多光谱影像获取模块,用于根据所述测量时间,获取所述目标区域在所述测量时间前后的预设若干个时期的多光谱影像,其中,所述多光谱影像包括陆地区域以及水体区域,所述水体区域包括浅水区域以及深水区域;
光谱数据获取模块,用于从所述多光谱影像中,提取浅水区域对应的水体影像;根据所述若干个水深点位对应的坐标数据,对所述水体影像进行地理配准,获取地理配准后的水体影像,并获取所述地理配准后的水体影像中各个水深点位对应的光谱数据,其中,所述光谱数据包括蓝、绿、红波段及近红外波段对应的反射率;
训练模块,用于将每个水深点位对应的水深值与各个时期下每个水深点位对应的光谱数据进行组合,构建数据集;根据所述数据集对预设的水深预测模型进行训练,获取训练好的水深预测模型;
预测模块,用于获取待测岛礁浅海区域在预设若干个时期的多光谱影像,将所述待测岛礁浅海区域的多光谱影像输入至训练好的水深预测模型,获取所述待测岛礁浅海区域的水深预测数据结果。
9.一种计算机设备,其特征在于,包括:处理器、存储器以及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;所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于多光谱影像的岛礁浅海水深预测方法的步骤。
10.一种存储介质,其特征在于:所述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时实现如权利要求1至7任一项所述的基于多光谱影像的岛礁浅海水深预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310174556.1A CN116379935A (zh) | 2023-02-24 | 2023-02-24 | 基于多光谱影像的岛礁浅海水深预测方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310174556.1A CN116379935A (zh) | 2023-02-24 | 2023-02-24 | 基于多光谱影像的岛礁浅海水深预测方法、装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116379935A true CN116379935A (zh) | 2023-07-04 |
Family
ID=86975882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310174556.1A Pending CN116379935A (zh) | 2023-02-24 | 2023-02-24 | 基于多光谱影像的岛礁浅海水深预测方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116379935A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523321A (zh) * | 2024-01-03 | 2024-02-06 | 自然资源部第二海洋研究所 | 基于被动遥感光谱图像应用神经网络的光学浅水分类方法 |
-
2023
- 2023-02-24 CN CN202310174556.1A patent/CN116379935A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523321A (zh) * | 2024-01-03 | 2024-02-06 | 自然资源部第二海洋研究所 | 基于被动遥感光谱图像应用神经网络的光学浅水分类方法 |
CN117523321B (zh) * | 2024-01-03 | 2024-04-09 | 自然资源部第二海洋研究所 | 基于被动遥感光谱图像应用神经网络的光学浅水分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roth et al. | Predicting cover crop biomass by lightweight UAS-based RGB and NIR photography: an applied photogrammetric approach | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
CN108414455B (zh) | 用于农业保险理赔的农作物雹灾遥感监测方法 | |
CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
CN111380836A (zh) | 基于遥感影像的黑臭水定位方法、装置及其相关设备 | |
US11334986B2 (en) | System and method for processing images of agricultural fields for remote phenotype measurement | |
CN114219847B (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
CN114612896B (zh) | 基于遥感图像的水稻产量预测方法、装置以及设备 | |
CN109870419B (zh) | 一种采用航空高光谱数据预测黑土氮磷钾含量的方法 | |
CN112364681B (zh) | 基于二维表的植被覆盖度估算方法及装置 | |
CN113378747B (zh) | 一种小麦条锈病遥感预测方法及装置 | |
CN107274441A (zh) | 一种高光谱图像的波段校准方法和系统 | |
Zhang et al. | A mixed radiometric normalization method for mosaicking of high-resolution satellite imagery | |
CN110675448A (zh) | 基于民航客机的地面灯光遥感监测方法、系统及存储介质 | |
CN116379935A (zh) | 基于多光谱影像的岛礁浅海水深预测方法、装置以及设备 | |
CN111474117B (zh) | 作物病害监测的方法及装置 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
Qian et al. | A smartphone-based apple yield estimation application using imaging features and the ANN method in mature period | |
CN115494007A (zh) | 基于随机森林的土壤有机质高精度快速检测方法及装置 | |
CN112446397A (zh) | 基于遥感和随机森林的产草量估算方法、装置及存储介质 | |
CN113920143A (zh) | 基于无人机遥感影像的亚田块边界提取方法及装置 | |
CN110415130B (zh) | 农业保险理赔方法、装置、设备及计算机可读存储介质 | |
CN113469127B (zh) | 河流敏感性等级划分方法、装置、设备及存储介质 | |
CN117557897A (zh) | 目标农作物的倒伏监测方法、装置、电子设备及存储介质 | |
CN117058522A (zh) | 一种融合光谱神经网络和叶面积指数的遥感地表生态变化检测方法 |
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 |