CN116797822A - 一种基于多光谱和sar融合遥感数据的海冰分类方法 - Google Patents
一种基于多光谱和sar融合遥感数据的海冰分类方法 Download PDFInfo
- Publication number
- CN116797822A CN116797822A CN202310625290.8A CN202310625290A CN116797822A CN 116797822 A CN116797822 A CN 116797822A CN 202310625290 A CN202310625290 A CN 202310625290A CN 116797822 A CN116797822 A CN 116797822A
- Authority
- CN
- China
- Prior art keywords
- data
- wave band
- sea ice
- month
- index
- 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 25
- 230000008859 change Effects 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000011160 research Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 35
- 230000011218 segmentation Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000003908 quality control method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000003287 optical effect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
一种基于多光谱和SAR融合遥感数据的海冰分类方法，属于卫星遥感图像处理技术领域。本发明提供的一种基于多光谱和SAR融合遥感数据的海冰分类方法，解决了现有目基于遥感的大范围海冰分类研究大多都采用单一数据源，分类精度有限，如何综合多光谱丰富的光学特征以及SAR在探测地物纹理和受天气影响较小的优势提高海冰分类精度等技术问题，采用Sentinel‑1SAR和Sentinel‑2多光谱数据实现了基于多光谱和SAR融合遥感数据快速、准确得到大范围海冰分类结果的目标。该方法应用性强，不仅可用于海冰监测，而且还有助于气候变化研究、极地资源开发、极地科考和北极航道的通航。
Description
技术领域
本发明涉及一种基于多光谱和SAR融合遥感数据的海冰分类方法，属于卫星遥感图像处理技术领域。
背景技术
大范围、准确监测海冰对于气候变化研究、极地资源开发、极地科考和北极航道的通航具有重要意义。遥感影像由于具有大面积、长时间、快速获取地表信息的能力，是大范围海冰监测的主要数据。然而，目前，基于遥感的大范围海冰分类研究大多都采用单一数据源，分类精度有限。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提供了一种基于多光谱和SAR融合遥感数据的海冰分类方法，基于海冰分类所需要的光谱和纹理信息，实现准确提取不同海冰类型。
本发明的技术解决方案是：一种基于多光谱和SAR融合遥感数据的海冰分类方法，包括：
获取关注区域在研究时间所在年份的所有关注卫星数据，以及全球低分辨率海冰漂移产品数据；
对关注卫星数据和海冰漂移数据进行预处理；
基于预处理后的数据,计算和生成原始光谱、水体指数、纹理指数、雪指数、后向散射系数、后向散射系数比值、海冰漂移时间序列数据，并提取逐月分位数特征；
根据研究区特点建立海冰分类系统，并生成逐月训练和验证样本集；
根据逐月训练和验证样本集和分位数特征，生成逐月海冰分类概率图；
根据后向散射系数比值时间序列数据进行变化监测，得到海冰数据时间序列分割结果；
根据海冰数据时间序列分割结果和逐月海冰分类概率图，得到最终的海冰分类结果图。
进一步地，所述关注卫星数据包括Sentinel-1 SAR GRD数据、Sentinel-2 Level-1C数据；
所述预处理包括数据剪裁和拼接、波段提取、像元筛选和重采样；
所述波段提取包括：
Sentinel-1 SAR GRD数据的VV和VH波段，以及Sentinel-2 Level-1C数据的蓝光波段、绿光波段B3、红光波段B4、红边波段B5、红边波段B6、红边波段B7、近红外波段B8、红边波段B8A、远红外波段B11和远红外波段B12波段。
进一步地，所述像元筛选包括：
根据Sentinel-2 Level-1C数据的质量控制波段QA60文件说明，找到云和卷云对应的值；
遍历QA60波段所有像元值，识别云和卷云数值对应的像元，并将像元的所有波段值设置为null。
进一步地，所述计算和生成原始光谱、水体指数、纹理指数、雪指数、后向散射系数、后向散射系数比值、海冰漂移时间序列数据包括：
根据Sentinel-2 Level-1C数据的B2波段、B3波段、B4波段、B5波段、B6波段、B7波段、B8波段、B8A波段、B11波段和B12波段，计算水体指数和雪指数；
根据Sentinel-1 SAR GRD数据的VV、VH以及比值数据，以及Sentinel-2 Level-1C数据的B2波段、B3波段、B4波段、B5波段、B6波段、B7波段、B8波段、B8A波段、B11波段、B12波段、水体指数和雪指数数据，计算纹理指数；
将后向散射VV和VH和比值数据，原始光谱数据B2波段、B3波段、B4波段、B5波段、B6波段、B7波段、B8波段、B8A波段、B11波段、B12波段，生成的水体指数、雪指数和纹理指数以及海冰漂移数据按照月份分组；
将上述每个波段每月数据叠加在一起形成月时间序列数据。
进一步地，所述提取逐月分位数特征包括：
将每一个波段逐月时间序列数据中的每个像元进行升序排序；
根据排序结果，提取最小值、中位数和最大值分位数特征。
进一步地，所述根据后向散射系数比值时间序列数据进行变化监测，得到海冰数据时间序列分割结果包括：根据后向散射系数比值时间序列数据，采用分位数逐步归回模型进行变化监测，得到时间序列分割结果。
进一步地，所述根据后向散射系数比值时间序列数据，采用分位数逐步归回模型进行变化监测，得到时间序列分割结果，包括：
以每个像元后向散射比值全年时间序列数据作为输入数据，采用逐步回归分位数回归模型，得到地物变化时间点；
根据地物变化时间点，将每个像元的后向散射比值时间序列分成不同的片段。
进一步地，所述根据逐月训练样本集和分位数数据，生成逐月海冰分类概率图，包括：
提取训练样本点的后向散射VV和VH和比值数据，原始光谱数据B2波段、B3波段、B4波段、B5波段、B6波段、B7波段、B8波段、B8A波段、B11波段、B12波段，生成的水体指数、雪指数和纹理指数以及海冰漂移数据逐月分位数特征；
将训练样本数据输入随机森林机器学习方法，生成海冰逐月分类概率图。
进一步地，所述根据海冰数据时间序列分割结果和逐月海冰分类概率图，得到最终的海冰分类结果图，包括：
遍历每个像元的时间序列分割结果和逐月分类概率结果；
对每个像元在每个时间序列内的每个类别的概率进行加权平均；
加权平均概率最大的类别为像元的最终类别，形成最终的10m海冰分类结果图。
进一步地，所述水体指数包括自动水体计算指数、归一化水体指数和改进的归一化水体指数；所述纹理指数包括方差、均一性和角二阶距；所述雪指数包括归一化主成分雪指数。
本发明与现有技术相比的优点在于：
本发明提供的一种基于多光谱和SAR融合遥感数据的海冰分类方法，解决了现有目基于遥感的大范围海冰分类研究大多都采用单一数据源，分类精度有限，如何综合多光谱丰富的光学特征以及SAR在探测地物纹理和受天气影响较小的优势提高海冰分类精度等技术问题，采用Sentinel-1 SAR和Sentinel-2多光谱数据实现了基于多光谱和SAR融合遥感数据快速、准确得到大范围海冰分类结果的目标。该方法应用性强，不仅可用于海冰监测，而且还有助于气候变化研究、极地资源开发、极地科考和北极航道的通航。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明中海冰分类流程图。
图2是本发明中逐月分位数特征提取的流程图。
图3是本发明中基于时间序列分割结果和逐月海冰分类概率图生成最终海冰分类结果的流程图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
以下结合说明书附图对本申请实施例所提供的一种基于多光谱和SAR融合遥感数据的海冰分类方法做进一步详细的说明，具体实现方式可以包括(如图1～3所示)：
步骤1：获取关注区域在研究时间所在年份的所有Sentinel-1 SAR GRD数据、Sentinel-2 Level-1C数据，以及全球低分辨率海冰漂移产品数据；
步骤2：对Sentinel-1 SAR GRD、Sentinel-2 Level-1C和海冰漂移数据进行预处理；
步骤3：基于预处理后的数据,计算和生成原始光谱、水体指数、纹理指数、雪指数、后向散射系数、后向散射系数比值、海冰漂移时间序列数据，并提取逐月分位数特征；
步骤4：基于步骤3生成的数据，根据研究区特点建立海冰分类系统，并生成逐月训练和验证样本集；
步骤5：根据逐月训练样本集和分位数数据，采用随机森林模型生成逐月海冰分类概率图；
步骤6：根据后向散射系数比值时间序列数据，采用分位数逐步归回模型进行变化监测，得到时间序列分割结果；
步骤7：根据时间序列分割结果和逐月海冰分类概率图，得到最终的10m海冰分类结果图。
进一步，所述对Sentinel-1 SAR GRD、Sentinel-2 Level-1C和海冰漂移数据进行预处理包括数据剪裁和拼接、波段提取、像元筛选和重采样。
进一步，在一种可能实现的方式中，所述波段提取包括Sentinel-1 SAR GRD的VV和VH波段，以及Sentinel-2 Level-1C的蓝光波段(B2)、绿光波段(B3)、红光波段(B4)、红边波段1(B5)、红边波段2(B6)、红边波段3(B7)、近红外波段(B8)、红边波段4(B8A)、远红外波段1(B11)和远红外波段2(B12)波段。
在一种可能实现的方式中，像元筛选包括如下步骤：
(1)根据Sentinel-2 Level-1C的质量控制波段QA60文件说明，找到云和卷云对应的值；
(2)遍历QA60波段所有像元值，识别云和卷云数值对应的像元，并将像元的所有波段值设置为null。
在一种可能实现的方式中，所述水体指数包括自动水体计算指数(AWEI_nsh、AWEI_sh)、归一化水体指数(NDWI)和改进的归一化水体指数(MNDWI)。
在一种可能实现的方式中，所述纹理指数包括方差(Variance)、均一性(Homogeneity)和角二阶距(Angular second moment,ASM)。
进一步，在一种可能实现的方式中，所述雪指数包括归一化主成分雪指数(NDPCSI)。
在一种可能实现的方式中，所述计算后向散射比值数据包括如下步骤：
(1)读取Sentinel-1 SAR GRD的VV和VH波段数据；
(2)计算每个像元的VV和VH值之比。
进一步地，所述计算和生成原始光谱、水体指数、纹理指数、雪指数、后向散射系数、后向散射系数比值、海冰漂移时间序列数据包括：
(1)根据Sentinel-2 Level-1C的B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段，计算水体指数和雪指数；
(2)根据Sentinel-1 SAR GRD的VV、VH以及比值数据，以及Sentinel-2Level-1C的B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12、水体指数和雪指数数据，计算纹理指数；
(3)将后向散射(VV和VH)和比值数据，原始光谱数据(B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12)，生成的水体指数、雪指数和纹理指数以及海冰漂移数据按照月份分组；
(4)将上述每个波段每月数据叠加在一起形成月时间序列数据。
在一种可能实现的方式中，所述提取逐月分位数特征包括如下步骤：
(1)将每一个波段逐月时间序列数据中的每个像元进行升序排序；
(2)根据排序结果，提取最小值、中位数和最大值分位数特征。
在一种可能实现的方式中，所述根据后向散射系数比值时间序列数据，采用分位数逐步归回模型进行变化监测，得到时间序列分割结果包括如下步骤：
(1)以每个像元后向散射比值全年时间序列数据作为输入数据，采用逐步回归分位数回归模型，得到地物变化时间点；
(2)根据地物变化时间点，将每个像元的后向散射比值时间序列分成不同的片段。
进一步，在一种可能实现的方式中，所述根据逐月训练样本集和分位数数据，采用随机森林模型生成逐月海冰分类概率图包括：
(1)提取训练样本点的后向散射(VV和VH)和比值数据，原始光谱数据(B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12)，生成的水体指数、雪指数和纹理指数以及海冰漂移数据逐月分位数特征；
(2)将以上步骤得到的训练样本数据输入随机森林机器学习方法，生成海冰逐月分类概率图。
在一种可能实现的方式中，所述根据时间序列分割结果和逐月海冰分类概率图，得到最终的10m海冰分类结果图包括：
(1)遍历每个像元的时间序列分割结果和逐月分类概率结果；
(2)对每个像元在每个时间序列内的每个类别的概率进行加权平均；
(3)加权平均概率最大的类别为像元的最终类别，形成最终的10m海冰分类结果图。
在本申请实施例所提供的方案中，具体包括：
步骤1：获取关注区域在研究时间所在年份的所有Sentinel-1 SAR GRD数据、Sentinel-2 Level-1 C数据，以及全球低分辨率海冰漂移产品数据，具体步骤如下：
(1)基于ArcGIS软件，根据格陵兰东北部的海岸线矢量文件，生成30km缓冲区域，作为研究区；
(2)将研究区矢量文件导入数据下载页面，获取研究区2022年所有Sentinel-2Level-1C数据、Sentinel-1 SAR GRD数据和全球低分辨率海冰漂移产品数据；
步骤2：对Sentinel-1 SAR GRD、Sentinel-2 Level-1C和海冰漂移数据进行预处理，具体步骤如下：
(1)将研究区数据、Sentinel-2 Level-1C、Sentinel-1 SAR GRD和海冰漂移数据加载进ENVI软件中进行剪裁和拼接；
(2)提取Sentinel-1 SAR GRD的VV和VH波段，以及Sentinel-2 Level-1C的蓝光波段(B2)、绿光波段(B3)、红光波段(B4)、红边波段1(B5)、红边波段2(B6)、红边波段3(B7)、近红外波段(B8)、红边波段4(B8A)、远红外波段1(B11)和远红外波段2(B12)波段；
(3)根据Sentinel-2 Level-1C的质量控制波段QA60文件说明，找到云和卷云对应的值；
(4)遍历QA60波段所有像元值，识别云和卷云数值对应的像元，并将像元的所有波段(B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12)值设置为null；
步骤3：基于预处理后的数据,计算和生成原始光谱、水体指数、纹理指数、雪指数、后向散射系数、后向散射系数比值、海冰漂移时间序列数据，并提取逐月分位数特征，具体步骤如下；
(1)将预处理后的Sentinel-2数据导入ENVI中，计算AWEInsh、AWEIsh、NDWI和MNDWI等水体指数，以及NDPCSI等雪指数，计算公式如下：
AWEInsh＝4×(ρGreen-ρSWIR1)-(0.25×ρNIR+2.75×ρSWIR2) (公式1)
AWEIsh＝ρblue+2.5×ρGreen-1.5×(ρNIR+ρSWIR1)-0.25×ρSWIR2 (公式2)
其中，ρblue、ρGreen、ρNIR、ρSWIR1和ρSWIR2是Sentinel-2的蓝光波段(B2)、绿光波段(B3)、近红外波段(B8)、远红外波段1(B11)和远红外波段2(B12)波段的反射率，PCbrightest和PCdarkest是采用Sentinel-2的B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段反射率进行主成分分析后的主成分1和主成分2；
(2)读取Sentinel-1 SAR GRD的VV和VH波段数据，计算每个像元的VV和VH值之比；
(3)计算Sentinel-2的B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段，AWEInsh、AWEIsh、NDWI和MNDWI等水体指数，NDPCSI等雪指数，Sentinel-1的VV、VH波段以及比值数据用于表征两个像元同时出现概率的灰度共生矩阵(GLCM)，用于计算方差(Variance)、均一性(Homogeneity)和角二阶距(Angular second moment,ASM)三个纹理指数，计算公式如下：
其中，p(i,j)表示给定的相邻两个像元的相对频率，一个像元的强度值为i，另一个像元的强度值为j；pd,θ(i,j)表示在一个特定的偏移距离d和一个特定的角度θ，灰度值为i和j的两个像元的二阶统计概率值得变化；μ为参考像元灰度值，Ng是计算纹理的窗口大小；
(4)将Sentinel-2的所有波段、生成的水体指数和雪指数数据，Sentinel-1的两个后向散射波段和比值数据，以及生成的纹理指数数据以及海冰漂移数据按照月份分组；
(5)将每一个波段逐月时间序列数据中的每个像元进行升序排序；
(6)根据排序结果，提取最小值、中位数和最大值分位数特征；
步骤4：基于步骤3生成的数据，根据研究区特点建立海冰分类系统，并生成逐月训练和验证样本集，具体步骤如下：
(1)建立格陵兰东北部海冰分类系统，包括固定冰、初生冰、一年冰和多年冰；
(2)根据不同类别海冰的解译标志，选取逐月训练和验证样本集；
步骤5：根据逐月训练样本集和分位数数据，采用随机森林模型生成逐月海冰分类概率图，具体步骤如下：
(1)提取所有海冰类型逐月训练样本的Sentinel-2的所有波段、生成的水体指数和雪指数数据，Sentinel-1的两个后向散射波段和比值数据，生成的纹理指数数据和海冰漂移逐月分位数特征；
(2)将(1)中得到的训练样本数据特征对随机森林机器学习模型进行训练，对所有图像的所有波段逐月特征值作为输入数据，得到逐月海冰分类概率图；
步骤6：根据后向散射系数比值时间序列数据，采用分位数逐步归回模型进行变化监测，得到时间序列分割结果，具体步骤如下：
(1)提取每一个像元的后向散射比值时间序列数据；
(2)采用逐步回归函数计算像元后向散射比值时间序列中位数逐步回归结果；
(3)根据逐步回归得到的海冰类型变化时间点得到时间序列分割片段；
步骤7：根据时间序列分割结果和逐月海冰分类概率图，得到最终的10m海冰分类结果图，具体步骤如下：
(1)遍历每个像元的时间序列分割结果和逐月分类概率结果；
(2)对每个像元在每个时间序列内的每个类别的概率进行加权平均；
(3)加权平均概率最大的类别为像元的最终类别，形成最终的10m海冰分类结果图。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (10)
1.一种基于多光谱和SAR融合遥感数据的海冰分类方法，其特征在于，包括：
获取关注区域在研究时间所在年份的所有关注卫星数据，以及全球低分辨率海冰漂移产品数据；
对关注卫星数据和海冰漂移数据进行预处理；
基于预处理后的数据,计算和生成原始光谱、水体指数、纹理指数、雪指数、后向散射系数、后向散射系数比值、海冰漂移时间序列数据，并提取逐月分位数特征；
根据研究区特点建立海冰分类系统，并生成逐月训练和验证样本集；
根据逐月训练和验证样本集和分位数特征，生成逐月海冰分类概率图；
根据后向散射系数比值时间序列数据进行变化监测，得到海冰数据时间序列分割结果；
根据海冰数据时间序列分割结果和逐月海冰分类概率图，得到最终的海冰分类结果图。
2.根据权利要求1所述的一种基于多光谱和SAR融合遥感数据的海冰分类方法，其特征在于，所述关注卫星数据包括Sentinel-1SAR GRD数据、Sentinel-2Level-1C数据；
所述预处理包括数据剪裁和拼接、波段提取、像元筛选和重采样；
所述波段提取包括：
Sentinel-1SAR GRD数据的VV和VH波段，以及Sentinel-2Level-1C数据的蓝光波段、绿光波段B3、红光波段B4、红边波段B5、红边波段B6、红边波段B7、近红外波段B8、红边波段B8A、远红外波段B11和远红外波段B12波段。
3.根据权利要求2所述的一种基于多光谱和SAR融合遥感数据的海冰分类方法，其特征在于，所述像元筛选包括：
根据Sentinel-2Level-1C数据的质量控制波段QA60文件说明，找到云和卷云对应的值；
遍历QA60波段所有像元值，识别云和卷云数值对应的像元，并将像元的所有波段值设置为null。
4.根据权利要求1所述的一种基于多光谱和SAR融合遥感数据的海冰分类方法，其特征在于，所述计算和生成原始光谱、水体指数、纹理指数、雪指数、后向散射系数、后向散射系数比值、海冰漂移时间序列数据包括：
根据Sentinel-2Level-1C数据的B2波段、B3波段、B4波段、B5波段、B6波段、B7波段、B8波段、B8A波段、B11波段和B12波段，计算水体指数和雪指数；
根据Sentinel-1SAR GRD数据的VV、VH以及比值数据，以及Sentinel-2Level-1C数据的B2波段、B3波段、B4波段、B5波段、B6波段、B7波段、B8波段、B8A波段、B11波段、B12波段、水体指数和雪指数数据，计算纹理指数；
将后向散射VV和VH和比值数据，原始光谱数据B2波段、B3波段、B4波段、B5波段、B6波段、B7波段、B8波段、B8A波段、B11波段、B12波段，生成的水体指数、雪指数和纹理指数以及海冰漂移数据按照月份分组；
将上述每个波段每月数据叠加在一起形成月时间序列数据。
5.根据权利要求2所述的一种基于多光谱和SAR融合遥感数据的海冰分类方法，其特征在于，所述提取逐月分位数特征包括：
将每一个波段逐月时间序列数据中的每个像元进行升序排序；
根据排序结果，提取最小值、中位数和最大值分位数特征。
6.根据权利要求2所述的一种基于多光谱和SAR融合遥感数据的海冰分类方法，其特征在于，所述根据后向散射系数比值时间序列数据进行变化监测，得到海冰数据时间序列分割结果包括：根据后向散射系数比值时间序列数据，采用分位数逐步归回模型进行变化监测，得到时间序列分割结果。
7.根据权利要求6所述的一种基于多光谱和SAR融合遥感数据的海冰分类方法，其特征在于，所述根据后向散射系数比值时间序列数据，采用分位数逐步归回模型进行变化监测，得到时间序列分割结果，包括：
以每个像元后向散射比值全年时间序列数据作为输入数据，采用逐步回归分位数回归模型，得到地物变化时间点；
根据地物变化时间点，将每个像元的后向散射比值时间序列分成不同的片段。
8.根据权利要求2所述的一种基于多光谱和SAR融合遥感数据的海冰分类方法，其特征在于，所述根据逐月训练样本集和分位数数据，生成逐月海冰分类概率图，包括：
提取训练样本点的后向散射VV和VH和比值数据，原始光谱数据B2波段、B3波段、B4波段、B5波段、B6波段、B7波段、B8波段、B8A波段、B11波段、B12波段，生成的水体指数、雪指数和纹理指数以及海冰漂移数据逐月分位数特征；
将训练样本数据输入随机森林机器学习方法，生成海冰逐月分类概率图。
9.根据权利要求2所述的一种基于多光谱和SAR融合遥感数据的海冰分类方法，其特征在于，所述根据海冰数据时间序列分割结果和逐月海冰分类概率图，得到最终的海冰分类结果图，包括：
遍历每个像元的时间序列分割结果和逐月分类概率结果；
对每个像元在每个时间序列内的每个类别的概率进行加权平均；
加权平均概率最大的类别为像元的最终类别，形成最终的10m海冰分类结果图。
10.根据权利要求2所述的一种基于多光谱和SAR融合遥感数据的海冰分类方法，其特征在于，所述水体指数包括自动水体计算指数、归一化水体指数和改进的归一化水体指数；所述纹理指数包括方差、均一性和角二阶距；所述雪指数包括归一化主成分雪指数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310625290.8A CN116797822A (zh) | 2023-05-30 | 2023-05-30 | 一种基于多光谱和sar融合遥感数据的海冰分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310625290.8A CN116797822A (zh) | 2023-05-30 | 2023-05-30 | 一种基于多光谱和sar融合遥感数据的海冰分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116797822A true CN116797822A (zh) | 2023-09-22 |
Family
ID=88040663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310625290.8A Pending CN116797822A (zh) | 2023-05-30 | 2023-05-30 | 一种基于多光谱和sar融合遥感数据的海冰分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116797822A (zh) |
-
2023
- 2023-05-30 CN CN202310625290.8A patent/CN116797822A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852225B (zh) | 基于深度卷积神经网络的遥感影像红树林提取方法及系统 | |
| CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
| Liu et al. | Object-based shadow extraction and correction of high-resolution optical satellite images | |
| CN111767801A (zh) | 一种基于深度学习的遥感影像水域自动提取方法及系统 | |
| Hormese et al. | Automated road extraction from high resolution satellite images | |
| CN111666900B (zh) | 基于多源遥感影像的土地覆盖分类图的获取方法和装置 | |
| CN114898097B (zh) | 图像识别方法及系统 | |
| Yuan et al. | A method for the evaluation of image quality according to the recognition effectiveness of objects in the optical remote sensing image using machine learning algorithm | |
| CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
| CN115761038B (zh) | 一种基于图像光谱技术的隧道掌子面地质素描方法及系统 | |
| CN107895136B (zh) | 一种煤矿区域识别方法及系统 | |
| CN115995005B (zh) | 基于单期高分辨率遥感影像的农作物的提取方法和装置 | |
| CN111398176A (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
| CN111079807A (zh) | 一种地物分类方法及装置 | |
| CN115690385A (zh) | 一种基于多光谱图像的水质预测方法、系统、设备及介质 | |
| CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
| Carneiro et al. | Grapevine variety identification through grapevine leaf images acquired in natural environment | |
| CN113627292A (zh) | 基于融合网络的遥感图像识别方法及装置 | |
| CN110298347B (zh) | 一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法 | |
| Huang et al. | Research on crop planting area classification from remote sensing image based on deep learning | |
| Andreev et al. | Cloud detection from the Himawari-8 satellite data using a convolutional neural network | |
| Haburaj et al. | Evaluating the potential of semi-automated image analysis for delimiting soil and sediment layers | |
| CN116797822A (zh) | 一种基于多光谱和sar融合遥感数据的海冰分类方法 | |
| CN115410074B (zh) | 遥感影像云检测方法及装置 | |
| CN112580504B (zh) | 基于高分辨率卫星遥感影像的树种分类计数方法及装置 |
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 |