CN116879192B - 基于卫星遥感数据的水华预测方法、装置、设备及介质 - Google Patents

基于卫星遥感数据的水华预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN116879192B
CN116879192B CN202311147557.3A CN202311147557A CN116879192B CN 116879192 B CN116879192 B CN 116879192B CN 202311147557 A CN202311147557 A CN 202311147557A CN 116879192 B CN116879192 B CN 116879192B
Authority
CN
China
Prior art keywords
water bloom
frequency component
component
image
multispectral
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
Application number
CN202311147557.3A
Other languages
English (en)
Other versions
CN116879192A (zh
Inventor
周令泉
王宇翔
韩丰泽
王昊
李海潮
廖通逵
刘东升
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.)
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Aerospace Hongtu Information Technology Co Ltd
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 Aerospace Hongtu Information Technology Co Ltd filed Critical Aerospace Hongtu Information Technology Co Ltd
Priority to CN202311147557.3A priority Critical patent/CN116879192B/zh
Publication of CN116879192A publication Critical patent/CN116879192A/zh
Application granted granted Critical
Publication of CN116879192B publication Critical patent/CN116879192B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • 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
    • G01N2021/1793—Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于卫星遥感数据的水华预测方法、装置、设备及介质，包括：获取监测区域的卫星遥感数据和地面监测数据；其中，卫星遥感数据包括全色影像和初始多时序多光谱影像；基于全色影像和初始多时序多光谱影像确定目标多时序多光谱影像和多个水华预测指数，并基于目标多时序多光谱影像、水华预测指数和地面监测数据构造输入数据集；通过预先训练的水华预测模型，将输入数据集中的多通道输入数据融合为单通道输入数据，并基于单通道输入数据对监测区域进行水华预测，得到监测区域对应的水华预测结果。本发明可以显著提高水华预测的准确性、时效性和可行性。

Description

基于卫星遥感数据的水华预测方法、装置、设备及介质
技术领域
本发明涉及水华预测技术领域，尤其是涉及一种基于卫星遥感数据的水华预测方法、装置、设备及介质。
背景技术
水华是指由于大量藻类或蓝藻在水体中异常繁殖而导致水体表面或水柱中出现明显的浓集现象。水华通常发生在富营养化的水体中，这是由于过多的营养物质（如氮、磷等）进入水体，提供了藻类生长的条件。某些蓝藻在水华过程中会产生毒素，这些毒素对人类、动物和其他生物造成威胁。藻类过度繁殖后，会随着它们的死亡和分解导致水体中的溶解氧水平急剧下降，从而危及水体中的鱼类和其他水生生物的生存。水华导致水体变得浑浊、有异味，严重时可能导致水体富营养化、酸化和水中pH值的变化，破坏水生态系统的平衡。
监测和预测水华能够及时识别和应对水华事件，以减少其危害。通过监测水体中的藻类浓度、水质指标和环境因素，可以实时了解水体中藻类的繁殖情况，并预测水华事件的发生概率和可能影响的范围。这有助于采取必要的措施，如减少水体富营养化、控制污染源、加强水体管理，以防止或减轻水华的发生。为了及时预测和应对水华事件，已经提出了多种水华预测技术。然而，现有技术手段在水华预测方面仍存在一些不足之处。
在现有技术手段中，遥感监测虽然能够提供广域尺度的水华信息，但其空间分辨率较低，无法提供细致的水华分布信息，并且受云层和大气干扰影响较大，数据稳定性较差，致使水华预测结果的准确度较低；另外，生物传感器能够实时监测水体中的生物指标，但通常只能监测特定的参数，无法提供全面的水质信息，为改善这一问题，相关技术提出基于传感器网络的实时监测方法，该方法可以提供全面的水质数据，但需要大量的传感器和数据传输设施，成本较高。
发明内容
有鉴于此，本发明的目的在于提供一种基于卫星遥感数据的水华预测方法、装置、设备及介质，可以显著提高水华预测的准确性、时效性和可行性。
第一方面，本发明实施例提供了一种基于卫星遥感数据的水华预测方法，包括：
获取监测区域的卫星遥感数据和地面监测数据；其中，所述卫星遥感数据包括全色影像和初始多时序多光谱影像；
基于所述全色影像和所述初始多时序多光谱影像确定目标多时序多光谱影像和多个水华预测指数，并基于所述目标多时序多光谱影像、所述水华预测指数和所述地面监测数据构造输入数据集；
通过预先训练的水华预测模型，将所述输入数据集中的多通道输入数据融合为单通道输入数据，并基于所述单通道输入数据对所述监测区域进行水华预测，得到所述监测区域对应的水华预测结果。
在一种实施方式中，基于所述全色影像和所述初始多时序多光谱影像确定目标多时序多光谱影像和多个水华预测指数，包括：
对所述全色影像和所述初始多时序多光谱影像进行融合，得到目标多时序多光谱影像；
基于所述目标多时序多光谱影像，分别确定归一化植被指数、浮游藻类指数、虚拟植被指数和缨帽变换分量；
将所述归一化植被指数、所述浮游藻类指数、所述虚拟植被指数和所述缨帽变换分量中的一种或多种作为水华预测指数；其中，所述缨帽变换分量包括亮度分量、绿色分量、湿度分量和噪声分量。
在一种实施方式中，对所述全色影像和所述初始多时序多光谱影像进行融合，得到目标多时序多光谱影像，包括：
对所述初始多时序多光谱影像进行主成分变换，得到多光谱影像分量；
对所述全色影像进行多级小波变换，得到所述全色影像对应的第一高频分量和全色低频分量；以及对所述多光谱影像分量进行多级小波变换，得到所述多光谱影像分量对应的多光谱高频分量和多光谱低频分量；
通过高通滤波器提取所述全色影像的第二高频分量，并将所述第一高频分量与所述第二高频分量进行融合得到全色高频分量；
对所述全色高频分量和所述多光谱高频分量进行局部梯度优先融合，得到目标高频分量；以及，对所述全色低频分量和所述多光谱低频分量进行平均加权融合，得到目标低频分量；
对所述目标高频分量和所述目标低频分量进行小波变换的逆变换，得到融合后高分辨率多光谱分量，并对所述融合后高分辨率多光谱分量进行主成分变换的逆变换，得到目标多时序多光谱影像。
在一种实施方式中，所述水华预测模型包括串联的通道注意力单元、卷积单元和简单循环单元；通过预先训练的水华预测模型，将所述输入数据集中的多通道输入数据融合为单通道输入数据，并基于所述单通道输入数据对所述监测区域进行水华预测，得到所述监测区域对应的水华预测结果，包括：
通过所述通道注意力单元，对所述输入数据集进行全局平均池处理得到聚合特征，并对所述聚合特征执行一维卷积操作得到所述输入数据集中每个输入数据对应的权重值，基于所述权重值对每个所述输入数据进行融合得到单通道输入数据；
通过所述卷积单元，对所述单通道输入数据执行卷积操作得到特征向量，以为所述监测区域中的像元引入空间临近像元信息；
通过所述简单循环单元，基于所述特征向量对所述监测区域进行水华预测，得到所述监测区域对应的水华预测结果。
在一种实施方式中，所述方法还包括：
根据所述水华预测结果，确定所述监测区域对应的水华面积序列；
基于所述水华面积序列绘制所述监测区域对应的水华折线图；其中，所述水华折线图用于表征所述监测区域内的水华面积和发展趋势。
在一种实施方式中，根据所述水华预测结果，确定所述监测区域对应的水华面积序列，包括：
根据所述水华预测结果，确定每个时刻下所述监测区域中包含的水华像元数和多光谱像元数；
基于所述水华像元数和所述多光谱像元数，确定每个所述时刻下所述监测区域对应的水华面积；
将每个所述时刻下所述监测区域对应的所述水华面积，组合为所述监测区域对应的水华面积序列。
在一种实施方式中，所述方法还包括：
获取所述监测区域内多个采样点对应的水华监测结果数据集；
根据所述水华监测结果数据集的采集时间，从所述水华预测结果中提取所述水华监测结果数据集匹配的目标水华预测结果；
基于所述水华监测结果数据集和所述目标水华预测结果，确定结果评估指标；其中，所述结果评估指标包括模型决定系数、均方根误差、平均绝对误差和平均绝对百分误差中的一种或多种；
根据所述结果评估指标生成所述水华预测结果对应的置信度，和/或，根据所述结果评估指标对所述水华预测结果进行调整。
第二方面，本发明实施例还提供一种基于卫星遥感数据的水华预测装置，包括：
数据获取模块，用于获取监测区域的卫星遥感数据和地面监测数据；其中，所述卫星遥感数据包括全色影像和初始多时序多光谱影像；
数据集构建模块，用于基于所述全色影像和所述初始多时序多光谱影像确定目标多时序多光谱影像和多个水华预测指数，并基于所述目标多时序多光谱影像、所述水华预测指数和所述地面监测数据构造输入数据集；
水华预测模块，用于通过预先训练的水华预测模型，将所述输入数据集中的多通道输入数据融合为单通道输入数据，并基于所述单通道输入数据对所述监测区域进行水华预测，得到所述监测区域对应的水华预测结果。
第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种基于卫星遥感数据的水华预测方法、装置、设备及介质，获取监测区域的地面监测数据以及包含有全色影像和初始多时序多光谱影像的卫星遥感数据；然后基于全色影像和初始多时序多光谱影像确定目标多时序多光谱影像和多个水华预测指数，从而基于目标多时序多光谱影像、水华预测指数和地面监测数据构造输入数据集；最后通过预先训练的水华预测模型，将输入数据集中的多通道输入数据融合为单通道输入数据，并基于单通道输入数据对监测区域进行水华预测，得到监测区域对应的水华预测结果。上述方法在获取地面监测数据、全色影像和初始多时序多光谱影像之后，将基于全色影像和初始多时序多光谱影像确定目标多时序多光谱影像和多个水华预测指数，并结合地面监测数据构建输入数据集，本发明实施例并将水华预测指数、目标多光谱影像和地面监测数据结合作为水华预测模型的输入，从而扩展了水华预测模型特征输入，并充分利用了这些数据的优点，而且还克服了因单独使用指标而存在的难以确定水华划分阈值的问题，进而显著提高了水华预测的准确度；另外，本发明实施例还可以及时对监测区域是否出现水华现象进行预测，因此显著提高了水华预测的时效性；再者，本发明实施例还避免了因使用大量传感器和数据传输设备而导致的成本较高的问题，因此显著提高了水华预测的可行性。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于卫星遥感数据的水华预测方法的流程示意图；
图2为本发明实施例提供的一种水华预测模型的示意图；
图3为本发明实施例提供的一种简单循环单元的结构示意图；
图4为本发明实施例提供的一种基于遥感数据的水华预测装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，在现有技术手段中，遥感监测虽然能够提供广域尺度的水华信息，但其空间分辨率较低，无法提供细致的水华分布信息，并且受云层和大气干扰影响较大，数据不稳定；水体模型可以提供较高的时空分辨率，但需要大量的数据和专业知识来建立和确定模型参数，并且模型的不确定性难以避免；生物传感器能够实时监测水体中的生物指标，但通常只能监测特定的参数，无法提供全面的水质信息；基于传感器网络的实时监测可以提供全面的水质数据，但需要大量的传感器和数据传输设施，成本较高。
基于此，本发明实施提供了一种基于卫星遥感数据的水华预测方法、装置、设备及介质，可以显著提高水华预测的准确性、时效性和可行性。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于卫星遥感数据的水华预测方法进行详细介绍，参见图1所示的一种基于卫星遥感数据的水华预测方法的流程示意图，该方法主要包括以下步骤S102至步骤S106：
步骤S102，获取监测区域的卫星遥感数据和地面监测数据。
其中，卫星遥感数据包括全色影像和初始多时序多光谱影像，地面监测数据包括总磷、总氮、PH（氢离子浓度指数）值、温度、流速、水华情况等。
步骤S104，基于全色影像和初始多时序多光谱影像确定目标多时序多光谱影像和多个水华预测指数，并基于目标多时序多光谱影像、水华预测指数和地面监测数据构造输入数据集。
其中，目标多时序多光谱影像为全色影像与初始多时序多光谱影像融合后得到的影像；水华预测指数可以包括归一化植被指数、浮游藻类指数、虚拟植被指数和缨帽变换分量中的一种或多种，缨帽变换分量包括亮度分量、绿色分量、湿度分量和噪声分量。
在一种实施方式中，可以将全色影像与初始多时序多光谱影像融合为目标多时序多光谱影像；再基于目标多时序多光谱影像分别确定归一化植被指数、浮游藻类指数、虚拟植被指数和缨帽变换分量，并将上述指数作为水华预测指数；然后对目标多时序多光谱影像、水华预测指数和地面监测数据进行归一化处理，并进行连接形成输入数据集。
步骤S106，通过预先训练的水华预测模型，将输入数据集中的多通道输入数据融合为单通道输入数据，并基于单通道输入数据对监测区域进行水华预测，得到监测区域对应的水华预测结果。
其中，水华预测结果可以为监测区域中可能发生水华现象的像元点及该像元点发生水华现象的概率。
在一种实施方式中，输入数据集中每一个输入数据（也即上述归一化处理后的数据）对应一个输入通道，对每个输入数据进行融合即可得到单通道输入数据；对单通道输入数据进行卷积操作得到特征向量，以为监测区域中的像元引入空间临近像元信息；基于特征向量确定出监测区域中每个像元点出现水华现象的概率，基于预设概率阈值从像元点中筛选出可能发生水华现象的像元点，从而得到水华预测结果。
本发明实施例提供的基于卫星遥感数据的水华预测方法，在获取地面监测数据、全色影像和初始多时序多光谱影像之后，将基于全色影像和初始多时序多光谱影像确定目标多时序多光谱影像和多个水华预测指数，并结合地面监测数据构建输入数据集，本发明实施例并将水华预测指数、目标多光谱影像和地面监测数据结合作为水华预测模型的输入，从而扩展了水华预测模型特征输入，并充分利用了这些数据的优点，而且还克服了因单独使用指标而存在的难以确定水华划分阈值的问题，进而显著提高了水华预测的准确度；另外，本发明实施例还可以及时对监测区域是否出现水华现象进行预测，因此显著提高了水华预测的时效性；再者，本发明实施例还避免了因使用大量传感器和数据传输设备而导致的成本较高的问题，因此显著提高了水华预测的可行性。
为便于理解，本发明实施例提供了一种基于卫星遥感数据的水华预测方法的具体实施方式。
对于前述步骤S102，可以获取监测区域的初始多时序多光谱数据、全色数据，以及获取总磷、总氮、PH值、温度、流速、水华情况等地面监测数据。
对于前述步骤S104，本发明实施例提供了一种基于全色影像和初始多时序多光谱影像确定目标多时序多光谱影像和多个水华预测指数的实施方式，具体参见如下步骤1至步骤3：
步骤1，对全色影像和初始多时序多光谱影像进行融合，得到目标多时序多光谱影像，具体可按照如下步骤1.1至步骤1.5执行数据融合的步骤：
步骤1.1，对初始多时序多光谱影像进行主成分变换，得到多光谱影像分量。
其中，主成分变换可以在不损失原始数据的信息情况下，对数据尽可能进行压缩，减少数据存储空间，同时消除原始数据之间的空间相关性，减少信息之间的冗余，将大部分信息集中在一个分量中，有利于数据的融合。主成分变换的工作步骤如下：
1）设多光谱数据为，可以表示为：
；
2)对多光谱数据为进行标准化处理，减少数据差异性太大给主成分变换带来的困扰，建立标准化矩阵Z，具体如下式所示：
；
其中，，/>。
3)建立标准化矩阵Z的相关系数矩阵R，具体如下式所示：
；
4)计算R的特征方程，解式如下式所示：
；
最终得到p个分量，其中含有最多信息量的分量为/>，因此将分量/>作为多光谱影像分量。
步骤1.2，对全色影像进行多级小波变换，得到全色影像对应的第一高频分量和全色低频分量；以及对多光谱影像分量进行多级小波变换，得到多光谱影像分量对应的多光谱高频分量和多光谱低频分量。
其中，小波是一种小区域、长度有限且均值为0的波形，小波变换就是使用适当的基本小波函数，通过平移、伸缩形成一系列的小波，这簇小波作为基可以构成一系列嵌套的子空间，然后将待变换的信号投影到各个大小不同的子空间中，以观察相应的特性。对于能量有限的信号f(t)，其小波变换的表达式如下式所示：
；
其中，为尺度，用来控制小波函数的伸缩，/>为平移量，用来描述小波函数的平移尺度，尺度的倒数与频率成正比，平移量对应时间，/>为基本的小波函数。
基于二维离散小波变换在图像处理上的应用，可以分别在水平和垂直方向进行滤波的方法实现二维小波多分辨率分解，将图像信息一层层剥离开来，以获取不同频率的信息，离散小波变换用到了两组函数：尺度函数和小波函数，它们分别与低通滤波器和高通滤波器相对应。具体如下式所示：
；
；
每次小波变换后，图像被分解为2倍下采样的子区域，分别包含相应频带的小波系数，LL是低频系数，表征原图的近似信号，HL、LH、HH分别表示水平高频系数、垂直高频系数、对角高频系数，代表图像的噪声和边缘细节信息。
基于此，可以分别对全色影像进行N级小波变换，得到全色影像对应的第一高频分量和全色低频分量；以及对多光谱影像分量进行N级小波变换，得到多光谱影像分量/>对应的多光谱高频分量和多光谱低频分量。
步骤1.3，通过高通滤波器提取全色影像的第二高频分量，并将第一高频分量与第二高频分量进行融合得到全色高频分量。
在实际应用中，由于小波变换对低频部分有着进一步分解，但是对于高频部分不予考虑，为了更好的图像融合质量，采用高通滤波器提取全色影像的第二高频分量；与小波变换后的第一高频分量进行融合得到全色高频分量，能够有效地保留全色图像的高频信息，有利于水华反演时地物特征的提取。高斯滤波器具体公式如下式所示：
；
；
其中，为高斯滤波图像；/>为全色影像；/>为输出图像（也即第二高频分量）；p、q为高斯滤波窗口行列号；/>为3/>3高斯滤波模板，其表达式为：
。
步骤1.4，对全色高频分量和多光谱高频分量进行局部梯度优先融合，得到目标高频分量；以及，对全色低频分量和多光谱低频分量进行平均加权融合，得到目标低频分量。
在一种实施方式中，基于融合规则分别对全色影像的高频部分（也即全色高频分量）、低频部分（也即，全色低频分量），与多光谱影像分量的高频部分（也即，多光谱高频分量）、低频部分（也即，多光谱低频分量）分别融合，得到融合后的高频部分（也即，目标高频分量）与低频部分（也即，目标低频分量）。
其中，融合规则为：低频分量采取平均加权融合方法，高频分量采用局部梯度优先的加权法融合方法。
为便于理解，本发明实施例分别提供了低频分量、高频分量各自的融合方法，具体参见如下方式一至方式二：
方式一，低频分量采取平均加权融合方法：
；
为多光谱影像分量/>的多光谱低频分量，/>为全色影像的全色低频分量，/>为目标低频分量。
方式二，高频分量各自的融合方法：
首先对同一级相应方向的高频系数进行分块，也即小波变换将影像分解为N级，每一级有HH、HL、LH、LL四个方向，每个方向进行分块，每一块的大小选取为 3x3。然后计算两幅图像高频信息对应块的平均梯度，通过平均梯度决定各方向高频系数的融合权值。假设多光谱影像分量第k级高频分量的第i方向的第j块的多光谱高频分量为/>，全色影像第k级高频分量的第i方向的第j块的全色高频分量为/>，则，其中/>为为第k级、第i方向、第j块的融合后高频分量，/>为第k级高频分量第i方向的第j块的融合权值。权值计算如下式所示：
；
其中 T为对应的阈值，，一般选取其值为 0.4~0.9，/>为第j块的平均梯度。
通过上式可以得到各分量的融合系数，然后对各融合系数进行逆变换得到每一级各方向的高频融合系数。
步骤1.5，对目标高频分量和目标低频分量进行小波变换的逆变换，得到融合后高分辨率多光谱分量，并对融合后高分辨率多光谱分量进行主成分变换的逆变换，得到目标多时序多光谱影像。
在一种实施方式中，将目标高频分量和目标低频分量进行小波变换的逆变换，得到融合高分辨率多光谱分量的分量（也即融合后高分辨率多光谱分量）；将融合后的分量/>替换原来的分量/>，进行主成分变换的逆变换，得到经过数据融合的多光谱影像/>（也即，目标多时序多光谱影像）。
步骤2，基于目标多时序多光谱影像，分别确定归一化植被指数、浮游藻类指数、虚拟植被指数和缨帽变换分量。
在一种实施方式中，可以按照如下步骤2.1至步骤2.4分别确定归一化植被指数、浮游藻类指数、虚拟植被指数和缨帽变换分量：
步骤2.1，确定归一化植被质数NDVI，具体的：
归一化植被指数（Normalized Difference Vegetation Index，NDVI）是遥感影像中近红外波段与红外波段的反射值之差与两者之和的比值，可用于识别目标区绿色植被以及覆盖程度的指标，当蓝藻水华在水面聚集形时会改变该水域在红光、近红外、短波红外波段对辐射能量的光谱强吸收特性，这时候水体所呈现的光谱特征与植被的极其相似， NDVI可用于内陆湖泊蓝藻水华信息的提取。计算公式为：
；
其中、/>分别为红光、近红波段的反射率。
步骤2.2，确定浮游藻类质数FAI，具体的：
纯净水体的光谱反射率较稳定，蓝藻在湖面聚集可使水体反射率在红光、近红外、短波红外处发生改变，利用这些波谱特征，通过代数关系组合红光波段、近红外波段、短波红外波段映射到遥感平台的相应波段，形成浮游藻类指数FAI(Floating Algae Index)，该指数对环境的敏感性低，公式中的短波红外波段有大气校正效果，可消除滇池上空薄云的影响。具体公式如下：
；
；
、/>、/>分别代表红光、近红外、短波红外波段的反射率；/>、/>、/>分别表示对应Landsat-8 OLI传感器相应波段的中心波长。
步骤2.3，确定虚拟植被指数（VB-FAH），具体的：
虚拟植被指数（Virtual-Baseline Floating macroalgae Height，VB-FAH）也是一种虚拟基线浮游藻类高度指数，以绿带和红带为基线来测量近红外（NIR）反射率的高度，红色波段被人为地重新定位以表示 SWIR 波段，进而达到识别蓝藻水华的目的。计算公式为：
；
其中、/>、/>分别为红光、近红、绿光波段反射率；/>、/>、/>分别为红光、近红和绿光波段的中心波长。
步骤2.4，确定缨帽变换分量，具体的：
缨帽变换对于植被信息的提取很有效，漂浮在水面上的绿色大型蓝藻在可见光和近红外波段具有与陆地植被相似的光谱特征，具有典型的红边信号，而缨帽变换恰好增强了这种信号，将其与周围水体区分开来。
；
其中，、/>、/>和/>分别是蓝色、绿色、红色和 NIR 波段的 DN(遥感影像像元亮度值，记录地物的灰度值)值，TCB、TCG、TCW 和 TCN 是源自缨帽变换的四个分量，分别代表亮度、绿色、湿度和噪声。
步骤3，将归一化植被指数、浮游藻类指数、虚拟植被指数和缨帽变换分量中的一种或多种作为水华预测指数；其中，缨帽变换分量包括亮度分量、绿色分量、湿度分量和噪声分量。
在确定上述水华预测指数之后，可以构造输入数据集，输入数据集包括前面计算的指数（FAI、NDVI、VB-FAH、TCG、TCB、TCW和TCN等）、目标多时序多光谱数据、地面监测数据（总磷、总氮、PH值、流速、水华强度和其他数据等），对以上数据进行归一化处理，并进行连接形成数据集，H、W为高和宽，C为通道数量（包括指数、降维的多光谱数据、地面监测数据），T为时序数量。
对于前述步骤S104，本发明实施例提供了一种通过预先训练的水华预测模型，将输入数据集中的多通道输入数据融合为单通道输入数据，并基于单通道输入数据对监测区域进行水华预测，得到监测区域对应的水华预测结果的实施方式，本发明实施例通过构建和训练基于SRU（简单循环单元）的神经网络模型（也即，上述水华预测模型），通过长时序多源遥感数据（也即，上述输入数据集）输入，预测未来水华分布及强度。
具体的，参见图2所示的一种水华预测模型的示意图，图2示意出水华预测模型包括串联的通道注意力单元、卷积单元和简单循环单元。本发明实施例中的网络结构以简单循环单元SRU为基础，在SRU之前串联通道注意力单元和卷积单元，目的是考虑通道重要性和周围临近空间信息的影响，使预测结果更加准确。
在上述图2的基础上，本发明实施例对水华预测模型进一步解释说明，参见如下（一）至（五）：
（一）输入层：在模型训练阶段，输入层输入的数据是中的提取的训练集，确定T=N，则表示训练集是N个时序数据集；在模型应用阶段，输出层输入的数据则为前述步骤S104构造的输入数据集。
（二）通道注意力单元：在模型应用阶段，通过通道注意力单元，对输入数据集进行全局平均池处理得到聚合特征，并对聚合特征执行一维卷积操作得到输入数据集中每个输入数据对应的权重值，基于权重值对每个输入数据进行融合得到单通道输入数据。
具体的，模型串联通道注意力单元，该单元通过全局平均池（GAP）方法计算输入数据聚合特征，然后通过执行核大小为k的一维卷积获得每个通道的权重。图1中σ代表Sigmoid 激活函数。其中，通过以下公式确定k值：
；
其中表示最接近t的奇数，/>设置为2，b设置为1，C为通道数量，b和γ用于改变通道数C和卷积核大小k和之间的比例。
为降低数据量，利用计算得到的权重对各通道数据进行融合，处理为单通道输入数据。
（三）卷积单元：通过卷积单元，对单通道输入数据执行卷积操作得到特征向量，以为监测区域中的像元引入空间临近像元信息。
在一种实施方式中，卷积单元也即卷积层，卷积层将单通道数据进行卷积操作，为像素引入周围空间信息，本发明实施例采用3x3卷积核，亦可采用5x5或7x7卷积核。
（四）简单循环单元：通过简单循环单元，基于特征向量对监测区域进行水华预测，得到监测区域对应的水华预测结果。
其中，简单循环单元SRU是LSTM（Long Short-Term Memory，时间循环神经网络）的一种变体，它们的共同点是每个神经元都是一个处理单元， 每个处理单元里都含有若干门限，门限用于控制信息流。与其他循环神经网络不同，简单循环单元SRU解除了LSTM模型中对/>，使得所有时间步的矩阵相乘可以批次处理，这可以明显提升计算效率和GPU（graphics processing unit，图形处理器）的使用。
参见图3所示的一种简单循环单元的结构示意图，简单循环单元SRU的公式如下：
；
；
；
；
；
式中，t表示时间步长，标识t时刻的输入，/>、/>、/>分别代表t时刻的遗忘门、重置门、最后输出。式中的σ代表 Sigmoid 激活函数，g代表Tanh激活函数，/>和/>分别为当前细胞状态何前一期细胞状态，/>代表对应元素间的矩阵操作，/>、/>、/>是矩阵参数，/>、/>为偏置向量。
在此基础上，可以利用简单虚幻单元SRU基于特征向量对监测区域进行水华预测，确定监测区域内每个像元点对应的概率值，并利用预设概率阈值对像元点进行筛选，将概率值大于预设概率阈值的像元点作为可能出现水华现象的像元点，从而得到监测区域对应的水华预测结果，水华预测结果也即未来N个时序水华预测结果。
（五）输出层：输出未来N个时序水华预测结果。
在实际应用中，为使水华预测模型具有较高的预测精度，需要预先对水华预测模型进行训练，可以将训练集M中60%为训练数据，20%为验证数据,20%作为测试数据，进行模型训练。在训练过程中，可以选用自适应动量加倍估计算法（Nadam）优化模型参数，该算法类似于含有Nesteov动量项的Adam，算法融合了牛顿动量Nesteov和自适应学习率Adam算法的优势，能够对不同参数计算适应性学习率，并且占用的存储资源较少。该算法计算梯度公式如下：
；
式中是梯度SGD完全依赖于当前batch的梯度，/>为第t-1时刻对梯度的一阶动量，/>为待优化参数，/>为初始学习率，/>为t-1时刻二阶动量。
在一种实施方式中，在确定水华预测结果之后，可以进一步对水华预测结果进行分析，分析过程可参见如下步骤一至步骤二：
步骤一，根据水华预测结果，确定监测区域对应的水华面积序列。
在具体实现时，首先根据水华预测结果，确定每个时刻下监测区域中包含的水华像元数和多光谱像元数；然后基于水华像元数和多光谱像元数，确定每个时刻下监测区域对应的水华面积；最后将每个时刻下监测区域对应的水华面积，组合为监测区域对应的水华面积序列。
示例性的，根据预测结果，t时刻预测水华像素数为,多光谱像元为/>米，则t时刻水华面积为：
；
针对每个时刻水华进行计算得到水华面积序列S{|t=1,...,N}。
步骤二，基于水华面积序列绘制监测区域对应的水华折线图。其中，水华折线图用于表征监测区域内的水华面积和发展趋势。在实际应用中，可以据水华面积序列S，绘制折线图，直观反应水华面积和发展趋势。
在一种实施方式中，在确定水华预测结果之后，还可以生成水华预测结果对应的置信度或对水华预测结果进行调整，具体可参见如下（a）至（d）：
（a）获取监测区域内多个采样点对应的水华监测结果数据集。
（b）根据水华监测结果数据集的采集时间，从水华预测结果中提取水华监测结果数据集匹配的目标水华预测结果。
在具体实现时，在监测范围内，选择部分采样点进行地面检测，获得地面水华监测结果数据集，与相应时间点模型预测结果进行对比评估，根据评估指标确定置信度水平，亦可对预测结果进行调整。
（c）基于水华监测结果数据集和目标水华预测结果，确定结果评估指标；其中，结果评估指标包括模型决定系数、均方根误差、平均绝对误差和平均绝对百分误差中的一种或多种。
为便于理解，本发明实施例提供了确定模型决定系数、均方根误差、平均绝对误差和平均绝对百分误差的实施方式，参见如下（c1）至（c4）：
（c1）模型决定系数：
该指标是用来测量模型测试集中的解释变量的平方和占被解释变量总体变化的比例。的取值区间在0到1之间，当/>的值越接近1时，说明模型的预测效果越好；当/>的值越接近0时，说明模型的预测效果越差。
；
式中，为真实值（也即水华监测结果），/>为模型预测值（也即目标水华预测结果），/>为真实值均值。
（c2）均方根误差：
该指标是用来检测模型测量的精密度，当RMSE越小时，表示模型的测量精度越高；当RMSE越大时，模型的测量精度越低，m为地面采样点数量。
。
（c3）平均绝对误差：
；
式中为第i个真值，/>表示第i个预测值，m为地面采样点数量。
（c4）平均绝对百分误差：
；
式中为第i个真值，/>表示第i个预测值，m为地面采样点数量。
（d）根据结果评估指标生成水华预测结果对应的置信度，和/或，根据结果评估指标对水华预测结果进行调整。
在一例中，将模型决定系数、均方根误差、平均绝对误差和平均绝对百分误差直接作为水华预测结果对应的置信度。
综上所述，本发明实施例提供的基于卫星遥感数据的水华预测方法，至少具有以下特点：
（1）本发明实施例计算等对水华相关指标，并将这些指标和多光谱数据结合作为神经网络模型的输入，从而扩展了模型特征输入，并充分利用了这些指标的有点。另外克服了单独使用指标存在的确定划分阈值困难的问题。
（2）本发明实施例串联通道注意力模型、卷积层和SRU构建神经网络模型。通过通道注意力模型对水华相关指标数据、多光谱数据和地面监测数据的重要性进行评估，为每类数据确定最佳权重。通过增加卷积层，为特定像元的水华预测引入空间临近像元信息，体现水华空间连续性。采用SRU模块，时间步的矩阵相乘可以批次处理，可以明显提升计算效率和GPU的使用。
（3）通过遥感反演预测水华可以对大范围水域进行水华监测，但是遥感数据易受云层和大气干扰影响较大，可能存在反演预测结果不稳定的情况，为确定遥感反演成果的效果，本发明实施例增加地面采样和评估的步骤，并最终生成置信度，提示数据使用者数据可信度，并可以根据地面检测结果对反演结果进行调整，使其更接近真实值。
（4）本发明实施例采用主成分分析和小波变换结合的方法进行多光谱数据融合。通过主成分分析有效减少数据维度、降低数据复杂度，同时保留最重要信息，小波变换作为频域转换方法，能够把数据中细微差异放大，采用高斯高通滤波提取高频分量，能够弥补小波变换在高频信息方面的局限。通过数据融合有效提高数据质量、提高反演预测准确性、加快反演预测速度。
对于前述实施例提供的基于卫星遥感数据的水华预测方法，本发明实施例提供了一种基于卫星遥感数据的水华预测装置，参见图4所示的一种基于遥感数据的水华预测装置的结构示意图，该装置主要包括以下部分：
数据获取模块402，用于获取监测区域的卫星遥感数据和地面监测数据；其中，卫星遥感数据包括全色影像和初始多时序多光谱影像；
数据集构建模块404，用于基于全色影像和初始多时序多光谱影像确定目标多时序多光谱影像和多个水华预测指数，并基于目标多时序多光谱影像、水华预测指数和地面监测数据构造输入数据集；
水华预测模块406，用于通过预先训练的水华预测模型，将输入数据集中的多通道输入数据融合为单通道输入数据，并基于单通道输入数据对监测区域进行水华预测，得到监测区域对应的水华预测结果。
本发明实施例提供的基于卫星遥感数据的水华预测装置，在获取地面监测数据、全色影像和初始多时序多光谱影像之后，将基于全色影像和初始多时序多光谱影像确定目标多时序多光谱影像和多个水华预测指数，并结合地面监测数据构建输入数据集，本发明实施例并将水华预测指数、目标多光谱影像和地面监测数据结合作为水华预测模型的输入，从而扩展了水华预测模型特征输入，并充分利用了这些数据的优点，而且还克服了因单独使用指标而存在的难以确定水华划分阈值的问题，进而显著提高了水华预测的准确度；另外，本发明实施例还可以及时对监测区域是否出现水华现象进行预测，因此显著提高了水华预测的时效性；再者，本发明实施例还避免了因使用大量传感器和数据传输设备而导致的成本较高的问题，因此显著提高了水华预测的可行性。
在一种实施方式中，数据集构建模块404还用于：
对全色影像和初始多时序多光谱影像进行融合，得到目标多时序多光谱影像；
基于目标多时序多光谱影像，分别确定归一化植被指数、浮游藻类指数、虚拟植被指数和缨帽变换分量；
将归一化植被指数、浮游藻类指数、虚拟植被指数和缨帽变换分量中的一种或多种作为水华预测指数；其中，缨帽变换分量包括亮度分量、绿色分量、湿度分量和噪声分量。
在一种实施方式中，数据集构建模块404还用于：
对初始多时序多光谱影像进行主成分变换，得到多光谱影像分量；
对全色影像进行多级小波变换，得到全色影像对应的第一高频分量和全色低频分量；以及对多光谱影像分量进行多级小波变换，得到多光谱影像分量对应的多光谱高频分量和多光谱低频分量；
通过高通滤波器提取全色影像的第二高频分量，并将第一高频分量与第二高频分量进行融合得到全色高频分量；
对全色高频分量和多光谱高频分量进行局部梯度优先融合，得到目标高频分量；以及，对全色低频分量和多光谱低频分量进行平均加权融合，得到目标低频分量；
对目标高频分量和目标低频分量进行小波变换的逆变换，得到融合后高分辨率多光谱分量，并对融合后高分辨率多光谱分量进行主成分变换的逆变换，得到目标多时序多光谱影像。
在一种实施方式中，水华预测模型包括串联的通道注意力单元、卷积单元和简单循环单元；水华预测模块406还用于：
通过通道注意力单元，对输入数据集进行全局平均池处理得到聚合特征，并对聚合特征执行一维卷积操作得到输入数据集中每个输入数据对应的权重值，基于权重值对每个输入数据进行融合得到单通道输入数据；
通过卷积单元，对单通道输入数据执行卷积操作得到特征向量，以为监测区域中的像元引入空间临近像元信息；
通过简单循环单元，基于特征向量对监测区域进行水华预测，得到监测区域对应的水华预测结果。
在一种实施方式中，还包括折线图绘制模块，用于：
根据水华预测结果，确定监测区域对应的水华面积序列；
基于水华面积序列绘制监测区域对应的水华折线图；其中，水华折线图用于表征监测区域内的水华面积和发展趋势。
在一种实施方式中，折线图绘制模块还用于：
根据水华预测结果，确定每个时刻下监测区域中包含的水华像元数和多光谱像元数；
基于水华像元数和多光谱像元数，确定每个时刻下监测区域对应的水华面积；
将每个时刻下监测区域对应的水华面积，组合为监测区域对应的水华面积序列。
在一种实施方式中，还包括结果评估模块，用于：
获取监测区域内多个采样点对应的水华监测结果数据集；
根据水华监测结果数据集的采集时间，从水华预测结果中提取水华监测结果数据集匹配的目标水华预测结果；
基于水华监测结果数据集和目标水华预测结果，确定结果评估指标；其中，结果评估指标包括模型决定系数、均方根误差、平均绝对误差和平均绝对百分误差中的一种或多种；
根据结果评估指标生成水华预测结果对应的置信度，和/或，根据结果评估指标对水华预测结果进行调整。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法 。
图5为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器50，存储器51，总线52和通信接口53，所述处理器50、通信接口53和存储器51通过总线52连接；处理器50用于执行存储器51中存储的可执行模块，例如计算机程序。
其中，存储器51可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatilememory），例如至少一个磁盘存储器。通过至少一个通信接口53（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器51用于存储程序，所述处理器50在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中，或者由处理器50实现。
处理器50可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51，处理器50读取存储器51中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。
所述功能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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种基于卫星遥感数据的水华预测方法，其特征在于，包括：
获取监测区域的卫星遥感数据和地面监测数据；其中，所述卫星遥感数据包括全色影像和初始多时序多光谱影像；
基于所述全色影像和所述初始多时序多光谱影像确定目标多时序多光谱影像和多个水华预测指数，并基于所述目标多时序多光谱影像、所述水华预测指数和所述地面监测数据构造输入数据集；
通过预先训练的水华预测模型，将所述输入数据集中的多通道输入数据融合为单通道输入数据，并基于所述单通道输入数据对所述监测区域进行水华预测，得到所述监测区域对应的水华预测结果；
基于所述全色影像和所述初始多时序多光谱影像确定目标多时序多光谱影像和多个水华预测指数，包括：
对所述全色影像和所述初始多时序多光谱影像进行融合，得到目标多时序多光谱影像；
基于所述目标多时序多光谱影像，分别确定归一化植被指数、浮游藻类指数、虚拟植被指数和缨帽变换分量；
将所述归一化植被指数、所述浮游藻类指数、所述虚拟植被指数和所述缨帽变换分量中的一种或多种作为水华预测指数；其中，所述缨帽变换分量包括亮度分量、绿色分量、湿度分量和噪声分量；
对所述全色影像和所述初始多时序多光谱影像进行融合，得到目标多时序多光谱影像，包括：
对所述初始多时序多光谱影像进行主成分变换，得到多光谱影像分量；
对所述全色影像进行多级小波变换，得到所述全色影像对应的第一高频分量和全色低频分量；以及对所述多光谱影像分量进行多级小波变换，得到所述多光谱影像分量对应的多光谱高频分量和多光谱低频分量；
通过高通滤波器提取所述全色影像的第二高频分量，并将所述第一高频分量与所述第二高频分量进行融合得到全色高频分量；
对所述全色高频分量和所述多光谱高频分量进行局部梯度优先融合，得到目标高频分量；以及，对所述全色低频分量和所述多光谱低频分量进行平均加权融合，得到目标低频分量；
对所述目标高频分量和所述目标低频分量进行小波变换的逆变换，得到融合后高分辨率多光谱分量，并对所述融合后高分辨率多光谱分量进行主成分变换的逆变换，得到目标多时序多光谱影像。
2.根据权利要求1所述的基于卫星遥感数据的水华预测方法，其特征在于，所述水华预测模型包括串联的通道注意力单元、卷积单元和简单循环单元；通过预先训练的水华预测模型，将所述输入数据集中的多通道输入数据融合为单通道输入数据，并基于所述单通道输入数据对所述监测区域进行水华预测，得到所述监测区域对应的水华预测结果，包括：
通过所述通道注意力单元，对所述输入数据集进行全局平均池处理得到聚合特征，并对所述聚合特征执行一维卷积操作得到所述输入数据集中每个输入数据对应的权重值，基于所述权重值对每个所述输入数据进行融合得到单通道输入数据；
通过所述卷积单元，对所述单通道输入数据执行卷积操作得到特征向量，以为所述监测区域中的像元引入空间临近像元信息；
通过所述简单循环单元，基于所述特征向量对所述监测区域进行水华预测，得到所述监测区域对应的水华预测结果。
3.根据权利要求1所述的基于卫星遥感数据的水华预测方法，其特征在于，所述方法还包括：
根据所述水华预测结果，确定所述监测区域对应的水华面积序列；
基于所述水华面积序列绘制所述监测区域对应的水华折线图；其中，所述水华折线图用于表征所述监测区域内的水华面积和发展趋势。
4.根据权利要求3所述的基于卫星遥感数据的水华预测方法，其特征在于，根据所述水华预测结果，确定所述监测区域对应的水华面积序列，包括：
根据所述水华预测结果，确定每个时刻下所述监测区域中包含的水华像元数和多光谱像元数；
基于所述水华像元数和所述多光谱像元数，确定每个所述时刻下所述监测区域对应的水华面积；
将每个所述时刻下所述监测区域对应的所述水华面积，组合为所述监测区域对应的水华面积序列。
5.根据权利要求1所述的基于卫星遥感数据的水华预测方法，其特征在于，所述方法还包括：
获取所述监测区域内多个采样点对应的水华监测结果数据集；
根据所述水华监测结果数据集的采集时间，从所述水华预测结果中提取所述水华监测结果数据集匹配的目标水华预测结果；
基于所述水华监测结果数据集和所述目标水华预测结果，确定结果评估指标；其中，所述结果评估指标包括模型决定系数、均方根误差、平均绝对误差和平均绝对百分误差中的一种或多种；
根据所述结果评估指标生成所述水华预测结果对应的置信度，和/或，根据所述结果评估指标对所述水华预测结果进行调整。
6.一种基于卫星遥感数据的水华预测装置，其特征在于，包括：
数据获取模块，用于获取监测区域的卫星遥感数据和地面监测数据；其中，所述卫星遥感数据包括全色影像和初始多时序多光谱影像；
数据集构建模块，用于基于所述全色影像和所述初始多时序多光谱影像确定目标多时序多光谱影像和多个水华预测指数，并基于所述目标多时序多光谱影像、所述水华预测指数和所述地面监测数据构造输入数据集；
水华预测模块，用于通过预先训练的水华预测模型，将所述输入数据集中的多通道输入数据融合为单通道输入数据，并基于所述单通道输入数据对所述监测区域进行水华预测，得到所述监测区域对应的水华预测结果；
数据集构建模块还用于：
对所述全色影像和所述初始多时序多光谱影像进行融合，得到目标多时序多光谱影像；
基于所述目标多时序多光谱影像，分别确定归一化植被指数、浮游藻类指数、虚拟植被指数和缨帽变换分量；
将所述归一化植被指数、所述浮游藻类指数、所述虚拟植被指数和所述缨帽变换分量中的一种或多种作为水华预测指数；其中，所述缨帽变换分量包括亮度分量、绿色分量、湿度分量和噪声分量；
数据集构建模块还用于：
对所述初始多时序多光谱影像进行主成分变换，得到多光谱影像分量；
对所述全色影像进行多级小波变换，得到所述全色影像对应的第一高频分量和全色低频分量；以及对所述多光谱影像分量进行多级小波变换，得到所述多光谱影像分量对应的多光谱高频分量和多光谱低频分量；
通过高通滤波器提取所述全色影像的第二高频分量，并将所述第一高频分量与所述第二高频分量进行融合得到全色高频分量；
对所述全色高频分量和所述多光谱高频分量进行局部梯度优先融合，得到目标高频分量；以及，对所述全色低频分量和所述多光谱低频分量进行平均加权融合，得到目标低频分量；
对所述目标高频分量和所述目标低频分量进行小波变换的逆变换，得到融合后高分辨率多光谱分量，并对所述融合后高分辨率多光谱分量进行主成分变换的逆变换，得到目标多时序多光谱影像。
7.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至5任一项所述的方法。
8.一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存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至5任一项所述的方法。
CN202311147557.3A 2023-09-07 2023-09-07 基于卫星遥感数据的水华预测方法、装置、设备及介质 Active CN116879192B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311147557.3A CN116879192B (zh) 2023-09-07 2023-09-07 基于卫星遥感数据的水华预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311147557.3A CN116879192B (zh) 2023-09-07 2023-09-07 基于卫星遥感数据的水华预测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116879192A CN116879192A (zh) 2023-10-13
CN116879192B true CN116879192B (zh) 2023-12-12

Family

ID=88272119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311147557.3A Active CN116879192B (zh) 2023-09-07 2023-09-07 基于卫星遥感数据的水华预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116879192B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118457A (zh) * 2018-09-30 2019-01-01 中国科学院遥感与数字地球研究所 遥感影像处理方法及装置
CN113066037A (zh) * 2021-03-31 2021-07-02 山东师范大学 基于图注意力机制的多光谱与全色图像融合方法及系统
CN113989673A (zh) * 2021-10-29 2022-01-28 中国科学院空天信息研究院海南研究院 基于国产高分数据和深度学习模型的海岸线自动提取方法
CN114112945A (zh) * 2021-12-31 2022-03-01 安徽大学 一种新型巢湖蓝藻水华监测系统
WO2022083202A1 (zh) * 2020-10-20 2022-04-28 山东科技大学 基于U-net神经网络的精细水体提取方法
KR20220122381A (ko) * 2021-02-26 2022-09-02 창원대학교 산학협력단 드론을 이용한 수질현황 모니터링 방법 및 시스템
CN115082309A (zh) * 2022-06-06 2022-09-20 大地新亚(北京)技术有限公司 一种太湖蓝藻水华的多源卫星高时空分辨率监测方法
CN115661634A (zh) * 2022-09-21 2023-01-31 上海市园林科学规划研究院 城市生态网络空间要素精准识别方法
CN115656057A (zh) * 2022-12-05 2023-01-31 中国水利水电科学研究院 基于多源数据融合的水华精准协同监测方法
CN116580318A (zh) * 2023-05-11 2023-08-11 中山大学 作物覆盖区域的土壤养分反演方法、装置、设备及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140119639A1 (en) * 2012-10-31 2014-05-01 Microsoft Corporation Water-body classification
US11402362B2 (en) * 2017-06-19 2022-08-02 Nanjing Institute Of Geography Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118457A (zh) * 2018-09-30 2019-01-01 中国科学院遥感与数字地球研究所 遥感影像处理方法及装置
WO2022083202A1 (zh) * 2020-10-20 2022-04-28 山东科技大学 基于U-net神经网络的精细水体提取方法
KR20220122381A (ko) * 2021-02-26 2022-09-02 창원대학교 산학협력단 드론을 이용한 수질현황 모니터링 방법 및 시스템
CN113066037A (zh) * 2021-03-31 2021-07-02 山东师范大学 基于图注意力机制的多光谱与全色图像融合方法及系统
CN113989673A (zh) * 2021-10-29 2022-01-28 中国科学院空天信息研究院海南研究院 基于国产高分数据和深度学习模型的海岸线自动提取方法
CN114112945A (zh) * 2021-12-31 2022-03-01 安徽大学 一种新型巢湖蓝藻水华监测系统
CN115082309A (zh) * 2022-06-06 2022-09-20 大地新亚(北京)技术有限公司 一种太湖蓝藻水华的多源卫星高时空分辨率监测方法
CN115661634A (zh) * 2022-09-21 2023-01-31 上海市园林科学规划研究院 城市生态网络空间要素精准识别方法
CN115656057A (zh) * 2022-12-05 2023-01-31 中国水利水电科学研究院 基于多源数据融合的水华精准协同监测方法
CN116580318A (zh) * 2023-05-11 2023-08-11 中山大学 作物覆盖区域的土壤养分反演方法、装置、设备及介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Deeplab _V3+网络在遥感影像中 城市水体的提取方法;张永洪 等;《西安文理学院学报（自然科学版）》;第26卷(第02期);93-101 *
Study on the temporal and spatial distribution of chlorophyll a in Erhai Lake based on multispectral data from environmental satellites;Xingmin Wang et al;《Ecological Informatics 》;第61卷;101201(1-13) *
基于PCNN 的小波变换多光谱与全色遥感影像融合算法;段延超 等;《科技风》;第21卷;79-81 *
高分系列卫星影像特征及其在太湖生态环境监测中的应用;侍昊 等;《南京林业大学学报(自然科学版)》;第40卷(第06期);63-70 *

Also Published As

Publication number Publication date
CN116879192A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN111738124B (zh) 基于Gabor变换和注意力的遥感图像云检测方法
CN111007021A (zh) 基于一维卷积神经网络的高光谱水质参数反演系统及方法
Zhao et al. An attention encoder-decoder network based on generative adversarial network for remote sensing image dehazing
CN110991430B (zh) 基于遥感图像的地物识别及覆盖率计算方法及系统
CN113191489B (zh) 二值神经网络模型的训练方法、图像处理方法和装置
CN113344045B (zh) 一种结合hog特征提高sar船只分类精度的方法
CN115439654B (zh) 动态约束下的弱监督农田地块精细化分割方法及系统
CN112215525A (zh) 一种湖库水质反演及可视化评价方法
CN113011397A (zh) 基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法
CN114494821A (zh) 基于特征多尺度感知与自适应聚合的遥感影像云检测方法
CN107680081B (zh) 基于卷积神经网络的高光谱图像解混方法
CN112288744B (zh) 基于整型推理量化cnn的sar图像变化检测方法
CN114037891A (zh) 基于u型注意力控制网络的高分辨率遥感影像建筑物提取方法及装置
CN113591608A (zh) 一种基于深度学习的高分辨率遥感影像不透水面提取方法
CN116994071A (zh) 一种基于自适应光谱残差的多光谱激光雷达点云分类方法
CN116879192B (zh) 基于卫星遥感数据的水华预测方法、装置、设备及介质
CN116977311A (zh) 一种洪涝灾害区域检测方法、系统、电子设备及存储介质
CN116310851A (zh) 遥感图像变化检测方法
CN115546638A (zh) 基于暹罗级联差分神经网络的变化检测方法
CN114169646A (zh) 水华预测方法、装置、电子设备及计算机可读存储介质
CN113743373A (zh) 基于深度学习的高分遥感影像耕地变化检测装置及方法
CN113657351A (zh) 基于深度学习的高分遥感影像林草变化检测装置及方法
Kumar et al. An empirical review on image dehazing techniques for change detection of land cover
Cadez et al. Modeling of inhomogeneous markov random fields with applications to cloud screening
CN117115669B (zh) 双条件质量约束的对象级地物样本自适应生成方法及系统

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