CN117152636B - 一种基于双波段关系的浅海底质反射率遥感监测方法 - Google Patents
一种基于双波段关系的浅海底质反射率遥感监测方法 Download PDFInfo
- Publication number
- CN117152636B CN117152636B CN202311411295.7A CN202311411295A CN117152636B CN 117152636 B CN117152636 B CN 117152636B CN 202311411295 A CN202311411295 A CN 202311411295A CN 117152636 B CN117152636 B CN 117152636B
- Authority
- CN
- China
- Prior art keywords
- reflectivity
- shallow sea
- remote sensing
- lambda
- substrate
- 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
Links
- 238000002310 reflectometry Methods 0.000 title claims abstract description 242
- 239000000758 substrate Substances 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 193
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 48
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 48
- 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 claims abstract description 48
- 239000013535 sea water Substances 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 239000000463 material Substances 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 230000000875 corresponding effect Effects 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 19
- 235000014653 Carica parviflora Nutrition 0.000 claims description 14
- 241000243321 Cnidaria Species 0.000 claims description 14
- 241001474374 Blennius Species 0.000 claims description 8
- 241000195493 Cryptophyta Species 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims 2
- 230000003595 spectral effect Effects 0.000 abstract description 29
- 238000011002 quantification Methods 0.000 abstract 1
- 230000003287 optical effect Effects 0.000 description 25
- 230000006870 function Effects 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000005855 radiation Effects 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000002834 transmittance Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 102000006463 Talin Human genes 0.000 description 1
- 108010083809 Talin Proteins 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Astronomy & Astrophysics (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种基于双波段关系的浅海底质反射率遥感监测方法，属于卫星遥感技术领域，解决了现有技术在无先验数据基础上无法精准获得多波段浅海底质光谱反射率的问题。该方法包括：构建浅海底质反射率半解析遥感反演模型，输入为遥感反射率、水深、叶绿素浓度，输出为浅海底质反射率；构建浅海水深大面反演模型，输入为遥感反射率，输出为水深；获取目标浅水区的遥感反射率数据集，输入浅海水深大面反演模型中，获得目标浅水区水深；获取不同底质类型对应的实测浅海底质反射率高光谱数据，识别对所有底质类型都适用的强相关的两个波段，并确定这两个波段的浅海底质反射率量化关系式；基于该关系式反演获得目标浅水区的浅海底质反射率分布。
Description
技术领域
本发明涉及卫星遥感技术领域，尤其涉及一种基于双波段关系的浅海底质反射率遥感监测方法。
背景技术
浅海底质，如珊瑚礁、海草床等，是海洋生态环境保护、维护生物多样性和碳储存的重要场所。浅海生态系统的脆弱性较高，易受到自然干扰和人类活动的威胁，近年来呈现加速退化趋势。鉴于浅海水下生态环境的复杂性与重要性，为了保护其健康可持续发展，需加强对浅海底质所在海域的高频监测。
目前，常规的浅海底质研究方法包括：现场底质取样，开展实验室分析；以及，采用多波束声纳，通过其回波特性对海底底质类型进行分类。然而，这些方法消耗时间长，且成本较高，尤其在水深较浅的区域，受船只航行安全的限制，现场测量难度较高，且水下测量和摄影等存在安全风险，严重影响了光学浅水区底质的有效监测。
浅海底质光谱反射率是浅海底质健康状态的重要指示参数，反映底质结构与物质组成。利用卫星遥感光谱特征提取浅海底质光谱特征可进一步判别底质类型、分布和底质生物健康状况。然而，目前仍缺乏高分辨率及高精度的浅海底质类型分布及变化等监测数据，迫切需要开发基于卫星遥感数据的浅海底质监测方法。
被动光学遥感传感器可接收海面离水辐亮度，在浅海区域，这部分信号会同时包含水体和底质的信号。底质在水面可见，影响离水辐亮度的区域可定义为光学浅水区。传统的基于卫星遥感的浅海底质反射率探测方法需从离水辐亮度中剔除海面之下海底之上的水体光学信号，以提高识别准确率。目前，还没有最佳的方法分离水体光学特性和底质对遥感反射率的影响。现有的浅海底质反射率反演方法主要包括经验模型和半分析模型。然而，经验模型需要获取实测数据等先验知识来校准模型的参数，往往具有局地性，对于无实测数据的区域难以广泛应用。而基于物理机制的半分析模型会更准确且应用更为广泛。常见的半分析模型为基于辐射传输的半解析高光谱优化模型，将遥感反射比表示为水深、海底反照率和水体光学性质的函数，通过非线性优化的方法同时求解。但是该方法依赖于高光谱数据，需要的未知数多，且获得的为海底反照率，难以获得多波段的底质光谱反射率。
此外，近年来多光谱的底质反射率反演方法也得到应用。虽然该方法克服了对高光谱数据的依赖，但是需要假设底质类型和水深条件，且仅获得蓝、绿两个波段的反射率(参见中国专利CN115482470A)。因此，开发一种不依赖于先验知识的高精度多波段的浅海底质反射率遥感反演方法十分必要。该方法将有助于提供准确的浅海底质监测数据，为浅海生态系统的保护和可持续发展提供支持。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种基于双波段关系的浅海底质反射率遥感监测方法，用以解决现有技术在无先验数据基础上无法精准获得多波段浅海底质光谱反射率的问题。
一方面，本发明实施例提供了一种基于双波段关系的浅海底质反射率遥感监测方法，包括如下步骤：
S1.构建浅海底质反射率半解析遥感反演模型，该模型的输入为遥感反射率、水深、叶绿素浓度，输出为浅海底质反射率；
S2.构建基于遥感反射率数据的浅海水深大面反演模型，该模型的输入为遥感反射率，输出为水深；
S3.获取目标浅水区的遥感反射率数据集，输入上述基于遥感反射率数据的浅海水深大面反演模型中，获得目标浅水区各位置的水深；
S4.获取高光谱(专业术语，光谱400～700nm，在可见光区域有几十到数百个波段)的不同底质类型对应的实测浅海底质反射率高光谱数据，进行所述数据的相关性分析，找到对所有底质类型都适用的强相关的两个波段，并对这两个波段的浅海底质反射率建立量化关系式；
S5.基于上述量化关系式，结合上述浅海底质反射率半解析遥感反演模型、水深数据，通过反演获得目标浅水区的浅海底质反射率分布结果。
上述技术方案的有益效果如下：提供了一种无需先验知识的浅海底质反射率遥感反演方法，可应用于遥感技术领域和海底探测技术领域。传统的被动多光谱或者高光谱遥感反演底质反射率需要结合水深、水体光学特性、底质类型等先验知识，未知数多，不确定性大，且难以获得多波段的底质光谱反射率。上述方案建立了浅海底质反射率与遥感反射率、叶绿素浓度和水深的理论关系，进而实现了可实际应用于卫星数据的浅海底质反射率半解析遥感反演模型，模型输入参数为遥感反射率、水深和叶绿素浓度。水深可通过建立的浅海水深大面反演模型获得，可适用于没有现场测量的情况下的光学浅水区水深反演。进一步的，通过建立两波段底质反射率之间的强相关关系，结合浅海底质反射率半解析遥感反演模型和浅海水深大面反演模型，构建了浅海底质光谱反射率大面遥感反演模型，可以不依赖先验知识，反演获得大面底质光谱反射率。通过结合本发明提出的一系列模型算法，最终可以实现仅输入高分辨率卫星影像的遥感反射率，反演获得大面浅海底质光谱反射率，为浅海底质探测提供有效的遥感观测产品。该方法可望广泛应用于全球浅水一类水体海域，特别是全球海草床和珊瑚礁区域的底部光谱的反演，具有较高的实用性。相比于单波段的底质反射率，该方法所反演的底质光谱反射率为多波段产品，可为后续识别底质类型、了解其健康状况和估算碳储量提供方法支撑。
基于上述方法的进一步改进，所述底质类型包括海草、白沙、藻类、健康珊瑚、白化珊瑚中的至少一种。
进一步，步骤S1构建的浅海底质反射率半解析遥感反演模型为不需要先验知识的模型，且该模型进一步包括：
Kd(λ)＝Kdw(λ)+χ(λ)chle(λ)，
Rw(λ)＝f(chl,H)，
式中，Rw(λ)为水体反射率，Rb(λ)为浅海底质反射率，Kd(λ)为漫衰减系数，Kdw(λ)为纯水的漫衰减系数，H为水深，λ为波段，Rrs(λ)为遥感反射率，Q为水体光场分布系数，M(λ)为中间变量，chl为叶绿素浓度，χ(λ)、e(λ)为经验系数，f()为拟合函数。
进一步，对于浅海清洁一类水体，在假设水体均匀、不考虑荧光和水体非弹性散射、水深在设定值以下且底质反射率为0的条件下，浅海底质反射率半解析遥感反演模型中的拟合函数f()为：
式中，p1(λ)、p2(λ)、p3(λ)、p4(λ)均为经验系数。
进一步，步骤S2进一步包括：
S21.获取不同底质类型、不同叶绿素浓度、不同水深下的遥感反射率数据，建立包括所有所述遥感反射率数据的模拟数据集；
S22.通过下面公式构建基于遥感反射率数据的浅海水深大面反演模型，该模型的输入为遥感反射率，输出为水深，
Rrs(λ)＝g[Rb(λ),chl,H]，
式中，g()为拟合函数；
S23.根据上述模拟数据集确定基于遥感反射率数据的浅海水深大面反演模型中的拟合函数g()，完成基于遥感反射率数据的浅海水深大面反演模型的构建。
进一步，对于底质类型为底质类型i和底质类型j的混合底质，步骤S22中，浅海底质反射率Rb(λ)满足下面关系式：
Rb(λ)＝BiRbi(λ)+BjRbj(λ),Bi+Bj＝1，式中，Bi和Bj分别为底质类型i和底质类型j的占比，Rbi(λ)和Rbj(λ)分别为底质类型i和底质类型j的底质反射率。
进一步，步骤S4中两个波段的浅海底质反射率的量化关系式包括：
式中，λ1、λ2为对所有底质类型都适用的浅海底质反射率强相关的两个波段，ε1、ε2、ε3均为经验系数。
进一步，波段λ1、λ2，以及经验系数ε1、ε2、ε3满足如下关系式：
λ1＝443nm，
λ2＝490nm，
ε1＝0.0078，
ε2＝1.1624，
ε3＝0.0045。
进一步，步骤S5进一步包括：
S51.获取目标浅水区的波段λ1对应的遥感反射率Rrs(λ1)、波段λ2对应的遥感反射率Rrs(λ2)；
S52.根据上述遥感反射率Rrs(λ1)、Rrs(λ2)，通过下面方程组得出波段λ1对应的浅海底质反射率Rb(λ1)、波段λ2对应的浅海底质反射率Rb(λ2)，以及目标浅水区的叶绿素浓度chl，
Kd(λ)＝Kdw(λ)+χ(λ)chle(λ)，
S53.将上述叶绿素浓度chl，以及目标浅水区各位置的水深H、目标浅水区的各波段遥感反射率Rrs(λ)，输入构建的浅海底质反射率半解析遥感反演模型中，获得目标浅水区的浅海底质反射率分布结果。
进一步，对于浅海清洁一类水体，叶绿素浓度chl的范围为0～5mg/m3，水深H的范围为0～10m，波段λ的范围为400～700nm。
提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本发明的重要特征或必要特征，也无意限制本发明的范围。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了实施例1浅海底质反射率监测方法步骤示意图；
图2示出了实施例3基于该方法的卫星数据应用流程图；
图3示出了实施例3基于Sentinel-2卫星影像的浅海底质光谱反射率反演结果。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的实施例，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
实施例1
本发明的一个实施例，公开了一种基于双波段关系的浅海底质反射率遥感监测方法，如图1所示，该方法包括如下步骤：
S1.构建浅海底质反射率半解析遥感反演模型，该模型的输入为遥感反射率、水深、叶绿素浓度，输出为浅海底质反射率；
需说明的是，步骤S1为了将上述理论模型拓展至卫星遥感的大面应用，除了遥感反射率外，须获得浅水的水深和叶绿素浓度；
S2.构建基于遥感反射率数据的浅海水深大面反演模型，该模型的输入遥感反射率，输出为水深；
需说明的是，步骤S2构建的模型可实现输入浅海区域的遥感反射率，获得步骤S1中浅海区域的水深，用于步骤S5；
S3.获取目标浅水区的遥感反射率数据集，输入步骤S2的上述基于遥感反射率数据的浅海水深大面反演模型中，获得目标浅水区各位置的水深；
需说明的是，步骤S3可实现获得目标浅水区各位置的水深；
S4.获取大量的不同底质类型对应的实测浅海底质反射率高光谱数据，对可见光波段的遥感反射率的数据进行相关性分析，找到对所有底质类型都适用的强相关的两个波段，并对这两个波段的浅海底质反射率建立量化关系式；
需说明的是，步骤S4进一步构建了两波段底质反射率之间的强相关关系，用于通过步骤S1的浅海底质反射率半解析遥感反演模型，反演获得叶绿素浓度；
S5.基于上述量化关系式，结合步骤S1的上述浅海底质反射率半解析遥感反演模型、水深数据，通过反演获得目标浅水区的浅海底质反射率分布结果。
与现有技术相比，本实施例提供了一种无需先验知识的浅海底质反射率遥感反演方法，可应用于遥感技术领域和海底探测技术领域。传统的被动多光谱或者高光谱遥感反演底质反射率需要结合水深、水体光学特性、底质类型等先验知识，未知数多，不确定性大，且难以获得多波段的底质光谱反射率。上述方案建立了浅海底质反射率与遥感反射率、叶绿素浓度和水深的理论关系，进而实现了可实际应用于卫星数据的浅海底质反射率半解析遥感反演模型，模型输入参数为遥感反射率、水深和叶绿素浓度。水深可通过建立的浅海水深大面反演模型获得，可适用于没有现场测量的情况下的光学浅水区水深反演。进一步的，通过建立两波段底质反射率之间的强相关关系，结合浅海底质反射率半解析遥感反演模型和浅海水深大面反演模型，构建了浅海底质光谱反射率大面遥感反演模型，可以不依赖先验知识，反演获得大面底质光谱反射率。通过结合本发明提出的一系列模型算法，最终可以实现仅输入高分辨率卫星影像的遥感反射率，反演获得大面浅海底质光谱反射率，为浅海底质探测提供有效的遥感观测产品。该方法可望广泛应用于全球浅水一类水体海域，特别是全球海草床和珊瑚礁区域的底部光谱的反演，具有较高的实用性。相比于单波段的底质反射率，该方法所反演的底质光谱反射率为多波段产品，可为后续识别底质类型、了解其健康状况和估算碳储量提供方法支撑。
实施例2
在实施例1的基础上进行改进，底质类型包括海草、白沙、藻类、健康珊瑚、白化珊瑚中的至少一种，支持两种以上的组合，也可不局限于所述的这几种。
步骤S1旨在构建浅海底质反射率半解析遥感反演模型。
根据水下辐射传输过程，下行辐照度会经过水体反射，多次散射衰减以及底质反射，最后以上行辐照度的形式出射水面，返回到大气中。根据两流辐射传输理论，建立如下的辐射传输方程，恰好位于海表面下的向上辐照度Eu(0－)可以表示为：
式中，Eu(0－)、Ed(0－)为分别为恰在海面以下的向上辐照度及向下辐照度，Rw(λ)为水体反射率，Rb(λ)为浅海底质反射率，Td为由于下行漫射衰减造成的透过率，Tu为由于上行漫射衰减造成的透过率。因此，恰在水面下的辐照度反射比R(0－)即Eu(0－)与Ed(0－)的比值可以简化为式(2)所示。其中，透过率可以表达为与漫衰减系数Kd(λ)相关的形式，H为水深，λ为波段。同时，恰在水面下的辐照度反射比R(0－)与海表的遥感反射率Rrs(λ)存在如式(2)所示的关系。
优选地，步骤S1构建的浅海底质反射率半解析遥感反演模型为不需要先验知识的模型，且该模型进一步包括：
Td＝Tu＝exp(-Kd(λ)·H)，
上述公式构建的浅海底质反射率半解析遥感反演模型为不需要先验知识的模型，浅海底质反射率Rb(λ)求解可进一步化简为：
其中，
Kd(λ)＝Kdw(λ)+χ(λ)chle(λ)，
Rw(λ)＝f(chl,H) (4)式中，R(0－)为恰在水面下的辐照度反射比；Eu(0－)为恰在海面以下的向上辐照度；Ed(0－)为恰在海面以下的向下辐照度；Rw(λ)为水体反射率，Rb(λ)为浅海底质反射率；Td为由于下行漫射衰减造成的透过率；Tu为由于上行漫射衰减造成的透过率；Kd(λ)为水体的漫衰减系数；Kdw(λ)为纯水的漫衰减系数；H为水深；λ为波段；Rrs(λ)为遥感反射率；Lw(λ)为离水辐亮度；Ed(0+,λ)为恰在海面以上的向下辐照度；Q为水体光场分布系数，对于典型遥感器-像元-太阳的相对几何关系，Q在4左右变化；M(λ)为中间变量；chl为叶绿素浓度；χ(λ)、e(λ)为经验系数；f()为拟合函数。
对于浅水一类水体，水体光学特性主要有叶绿素浓度chl来决定，因此Kd(λ)与chl之间存在如式(4)所示的关系。若已知某个波段λ的Kd(λ)，可以得到叶绿素浓度和全波段的Kd(λ)。若已知叶绿素浓度，可以得到全波段的Kd(λ)。
Rw(λ)代表了由于水体不同组分吸收衰减之后的反射量，主要由水深和叶绿素浓度决定。因此再综合式(4)，此时求解底质反射率的未知数为叶绿素浓度和水深。
优选地，对于浅海清洁一类水体，在假设水体均匀、不考虑荧光和水体非弹性散射、水深在设定值以下且底质反射率为0的条件下，基于Hydrolight辐射传输模拟，浅海底质反射率半解析遥感反演模型中的拟合函数f()为：
式中，p1(λ)、p2(λ)、p3(λ)、p4(λ)均为经验系数。
具体地，量化式(5)并构建水体反射率查找表的过程为，利用Hydrolight建立不同深度和叶绿素浓度下的模拟数据。水体模型选择“New case1”，即浅海清洁一类水体，叶绿素浓度设置范围为0～5mg/m3，水深设置范围为0～10m，波长设置为400～700nm。在此条件下共随机生成500组数据。其余具体假设如下：
1)水体是均匀的，叶绿素浓度和水体下行漫衰减系数均匀分布；
2)不考虑荧光和水体非弹性散射；
3)水体有限深度，但底部反射为0；
在此条件下生成的模拟数据包含水深、叶绿素浓度和遥感反射率数据。基于遥感反射率得到恰在水面下的辐照度反射比R(0-)，由于底质反射率为0，则R(0-)与Rw(λ)相等。基于500条模拟数据，利用多元非线性拟合针对每个特定的波段(400～700nm，10nm间隔)，确定Rw(λ)与chl和H之间的关系，并确定经验系数查找表，得到的关系式如式(5)所示。
步骤S2旨在构建基于Hydrolight模拟数据和机器学习方法的浅海水深大面反演模型。考虑不同水深、水体光学特性和底质类型，生成大量遥感反射率模拟数据，建立基于模拟数据的浅海水深反演模型。
建立模拟数据集的方法如下：在清洁光学浅水下，遥感反射率包含来自底质、水深及水体固有光学特性(IOPs)的贡献，又由于该水体光学条件下IOPs由叶绿素浓度所决定，因此可简化表达为式(6)的形式。优选地，步骤S2进一步包括：
S21.获取不同的底质类型、不同叶绿素浓度、不同水深下的遥感反射率数据，建立包括所有所述遥感反射率数据的模拟数据集；
S22.通过下面公式构建基于遥感反射率数据的浅海水深大面反演模型，该模型的输入为遥感反射率，输出为水深，
Rrs(λ)＝g[Rb(λ),chl,H] (6)式中，g()为拟合函数；对于浅海清洁一类水体，模拟数据的参数设置范围为：叶绿素浓度chl的范围为0.01～5mg/m3之间对数随机分布，水深H的范围为0.01～10m之间线性随机分布，波段λ的范围为400～700nm；
S23.根据上述模拟数据集，基于机器学习算法或其他算法确定基于遥感反射率数据的浅海水深大面反演模型中的拟合函数g()，完成基于遥感反射率数据(模拟数据)的浅海水深大面反演模型的构建。
优选地，Hydrolight辐射传输模拟软件中提供了多种底质类型光谱，可以将两种不同的底质光谱线性组合来获得更多的底质光谱，对于底质类型为底质类型i和底质类型j的混合底质，步骤S22中，浅海底质反射率Rb(λ)满足下面关系式：
Rb(λ)＝Birbi(λ)+BjRbj(λ), Bi+Bj＝1 (7)式中，Bi和Bj分别为底质类型i和底质类型j的占比，Rbi(λ)和Rbj(λ)分别为底质类型i和底质类型j的底质反射率，混合得到的底质光谱为Rb(λ)。
叶绿素浓度范围设置为0.01mg/m3～5mg/m3对数随机分布，水深范围设置为0.01m～10m之间线性随机分布，最终生成40000组输入数据集，得到各种水体和底质条件下的遥感反射率和对应的水深。
由于遥感反射率与水深之间的关系是复杂且非线性的，传统的统计模型难以解决此类复杂的非线性问题，因此选择随机森林算法(Breiman,2001)进行模型构建。不同遥感反射率的波段组合形式为模型输入，水深为模型输出，并将模拟数据集随机分成了80％的训练数据和20％的验证数据。波段组合形式选择了单波段、波段比值和波段归一化差值。波段归一化差值BD的计算形式如式(8)所示，其中bi和bh分别为两个不同的波段的遥感反射率的值。基于40,000组模拟数据集分别分析多种波段形式与水深之间的相关性，确定相关系数较高的波段输入特征。基于最大相关最小冗余算法(Peng et al.,2005)对特征进行选择，通过特征重要度排序方法进一步确定输入模型的波段组合，最终进行模型训练与验证，通过决定系数(R2)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)等精度评价指标确定精度高的浅海水深大面反演模型。
步骤S4旨在构建两波段底质反射率恒定关系式。
通过收集大量底质反射率实测高光谱数据，底质类型包括海草、白沙、藻类、健康珊瑚、白化珊瑚等多种底质。根据卫星遥感影像在可见光范围内的波段，分析各波段底质反射率之间的相关性，找到相关性最高的两个波段，即可近似认为这两个波段底质反射率之间存在一个适用于所有底质类型的恒定关系。对该关系式进行量化，明确这一关系式的具体形式。此处，波段组合的常见形式为波段比值、波段差值、归一化波段指数，常见的函数形式选择了对数、幂函数、指数函数等。通过非线性拟合和多次遍历寻优，精度评价指标为决定系数(R2)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)，最终确定关系式。
优选地，步骤S4中两个波段的浅海底质反射率的量化关系式包括：
式中，λ1、λ2为对所有底质类型都适用(所述底质类型包括如海草、白沙、藻类、健康珊瑚、白化珊瑚等底质类型中的至少一种)的浅海底质反射率强相关的两个波段，Rb(λ1)为λ1处的底质反射率值，Rb(λ2)为λ2处的底质反射率值，ε1、ε2、ε3均为经验系数。
优选地，波段λ1、λ2，以及经验系数ε1、ε2、ε3满足如下关系式：
λ1＝443nm，
λ2＝490nm，
ε1＝0.0078，
ε2＝1.1624，
ε3＝0.0045 (10)
步骤S5旨在实现浅海底质光谱反射率大面反演。
优选地，步骤S5进一步包括：
S51.获取目标浅水区的波段λ1对应的遥感反射率Rrs(λ1)、波段λ2对应的遥感反射率Rrs(λ2)；在波长分别为443nm和490nm下，获得遥感反射率Rrs(443nm)、Rrs(490nm)；
S52.根据上述遥感反射率Rrs(λ1)、Rrs(λ2)，(对上述过程和模型进一步整合)通过下面方程组得出波段λ1对应的浅海底质反射率Rb(λ1)、波段λ2对应的浅海底质反射率Rb(λ2)，以及目标浅水区的叶绿素浓度chl，
Kd(λ)＝Kdw(λ)+χ(λ)chle(λ)，
S53.将上述叶绿素浓度chl，以及目标浅水区各位置的水深H、目标浅水区的各波段遥感反射率Rrs(λ)，输入构建的浅海底质反射率半解析遥感反演模型中，获得目标浅水区的浅海底质反射率分布结果。
上述可以根据式(11)，基于遥感反射率和浅海水深大面反演模型获得水深，在波长分别为443nm和490nm下，获得遥感反射率Rrs(443nm)、Rrs(490nm)，进而得到Rb(443nm)和Rb(490nm)，求解出叶绿素浓度。然后，基于求解得到的叶绿素浓度，获得各波段的Kd(λ)、Rw(λ)，再将值输入至浅海底质反射率半解析遥感反演模型中，结合水深反演结果，获得各波段的Rb(λ)。由于遥感反射率逐像元大面分布，因此可以得到光学浅水区底质光谱反射率的大面分布结果。
与现有技术相比，本实施例提供的基于双波段关系的浅海底质反射率遥感监测方法具有如下有益效果：
1、为了从遥感反射率中提取准确的底质反射率，基于水下光辐射传输过程，构建了底质反射率与遥感反射率、水深和水体叶绿素浓度的理论关系式，校正水体信号对底质反射率的影响。相比目前大多数方法依赖水深、水体光学特性、底质类型等先验知识，或者对邻近水深的假设，未知数多，不确定性大，该方法是一种无需先验知识的浅海底质(光谱)反射率遥感反演方法。
2、相比常见的经验模型具有局地性，难以推广至其他地区，构建了可以广泛应用的浅海底质光谱反射率反演模型，不受限于不同地点、时间或影像，弥补了难以开展实测的近岸或浅海区域底质类型分布及变化等高分辨率监测信息的空白。
3、相比常见的浅海底质反射率反演算法只能获得海底反照率或蓝、绿波段的底质反射率，难以获得多波段的底质反射率，该方法可获得多波段的底质反射率，可以反映出不同底质类型的特征峰、特征谷，有利于进一步划分底质类型。由于水体组分在不同波段的吸收和散射性质存在差异，需要考虑多个波段的变化特点，可获得多波段的底质光谱反射率。
4、由于模型输入参数中水深和水体漫衰减系数(叶绿素浓度)无法直接从遥感反射率获得，因此需要进一步细化处理。相比现有的基于卫星数据的水深反演技术多基于实测数据进行模型参数的校准，难以推广至其他地区，该方法建立了考虑多种底质类型、水体条件的浅海水深反演算法，提高模型的可移植性。相比现有叶绿素浓度的遥感反演算法不适用于光学浅水区，该区域底质的存在会导致遥感反射率偏高，造成叶绿素浓度偏高，该方法建立了考虑底质影响的叶绿素浓度反演算法，进而准确求解浅海底质反射率。
5、针对浅水且水质较清洁的一类水体，基于两流辐射传输理论和Hydrolight辐射传输模拟，构建底质反射率与遥感反射率、水深和水体漫衰减系数(或叶绿素浓度)的理论关系式，并进一步基于Hydrolight模拟建立水体反射率查找表，最终建立不需要先验知识的浅海底质反射率半解析遥感反演模型。该模型可以实现在已知遥感反射率、水深和水体叶绿素浓度的条件下，求解底质反射率。
6、通过Hydrolight辐射传输模拟，构建大量不同水体条件和底质类型下的遥感反射率和水深的对应数据集。对数据集进行分析，选择波段指征因子及机器学习模型进行模型构建。实现仅输入遥感反射率即可反演光学浅水区的水深。
7、收集大量实测底质光谱，对可见光波段反射率数据进行相关性分析，找到两个强相关的波段，并对这两个波段建立量化关系式。该关系式可近似认为对所有底质类型都成立，因此，结合已建立的底质光谱半解析遥感反演模型、基于浅海水深反演模型获得的水深数据，可以反演出获得大面浅海底质反射率。
实施例3
实施例1或实施例2方法可以实现浅海底质光谱反射率大面反演，可具体应用至多光谱/高光谱遥感影像，应用过程如图2所示。下面为详细过程，以欧空局哨兵2号(Sentienl-2)影像为例，该卫星影像空间分辨率为10米，重访周期为5天，共13个光谱波段，分别为Band1(b1,443nm)、Band2(b2,490nm)、Band3(b3,560nm)、Band4(b4,665nm)、Band5(b5,705nm)、Band6(b6,740nm)、Band7(b7,783nm)、Band8(b8,842nm)、Band8a(b8a,865nm)、Band9(b9,945nm)、Band10(b10,1375nm)、Band11(b11,1610nm)、Band12(b12,2190nm)，在可见光范围内(400～700nm)存在4个波段。对获得的浅海区域的遥感影像进行预处理，主要包含陆地掩膜、云掩膜、大气校正、耀斑校正等图像预处理，以上图像预处理可在ACOLITE大气校正处理器中(由比利时皇家自然科学研究所RBINS开发)进行处理，获得晴空水体的遥感反射率数据。
接着，对光学浅水区进行提取，掩膜光学深水区。近红外波段遥感反射率的比值可用来进行光学浅水区的提取。定义Log-ratioOSWs为光学浅水区与深水区的分割指标，计算过程如下式所示,Rrs(705nm)和Rrs(783nm)分别为哨兵2号在705nm和783nm的遥感反射率的值。基于该关系式得到研究区所有水体像元的值的直方图，基于直方图所在的突变点确定研究区每景影像的最佳阈值，得到光学浅水区的范围：
其次，获取光学浅水区的水深。若该区域已有准同步的实测的高空间分辨率的水深实测数据，可将实测水深直接输入至建立的浅海底质光谱反射率半解析模型中。若没有实测数据，可通过建立的浅海水深大面反演模型获取。在基于Hydrolight模拟数据和随机森林方法的水深反演模型中，经过特征重要性排序和模型精度评价(如决定系数R2和均方根误差RMSE)，模型在建模数据集和验证数据集上R2均达到了0.98以上，RMSE小于0.35m。将大气校正后的光学浅水区的遥感反射率应用至该模型中，得到光学浅水区的大面水深分布结果。
已知Rb(443nm)和Rb(490nm)之间存在式(9)的稳定关系。通过输入Rrs(443nm)和Rrs(490nm)，基于建立的浅海底质反射率半解析遥感反演模型和水深数据得到Rb(443nm)和Rb(490nm)，再通过该关系式，可以求解得到叶绿素浓度。
在已知叶绿素浓度和水深的条件下，结合光学浅水区各波段的遥感反射率数据，基于建立的浅海底质反射率半解析遥感反演模型，最终获得各波段的浅海底质反射率。
以某地域为例，该区域为典型珊瑚礁区域，获得了2020年2月24日过境的Sentinel-2影像。Sentinel-2在可见光有4个波段，分别为443nm，490nm，560nm和665nm。基于上述步骤，对应得到的四个波段的浅海底质光谱反射率反演结果如图3所示。图3中的(a)表示443nm波段的浅海底质光谱反射率反演结果，图3中的(b)表示490nm波段的浅海底质光谱反射率反演结果，图3中的(c)表示560nm波段的浅海底质光谱反射率反演结果，图3中的(d)表示665nm波段的浅海底质光谱反射率反演结果。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对现有技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种基于双波段关系的浅海底质反射率遥感监测方法，其特征在于，包括如下步骤：
S1.构建浅海底质反射率半解析遥感反演模型，该模型的输入为遥感反射率、水深、叶绿素浓度，输出为浅海底质反射率；
S2.构建基于遥感反射率数据的浅海水深大面反演模型，该模型的输入为遥感反射率，输出为水深；
S3.获取目标浅水区的遥感反射率数据集，输入上述基于遥感反射率数据的浅海水深大面反演模型中，获得目标浅水区各位置的水深；
S4.获取不同底质类型对应的实测浅海底质反射率高光谱数据，进行所述数据的相关性分析，找到对所有底质类型都适用的强相关的两个波段，并对这两个波段的浅海底质反射率建立量化关系式；
S5.基于上述量化关系式，结合上述浅海底质反射率半解析遥感反演模型、水深数据，通过反演获得目标浅水区的浅海底质反射率分布结果；其中，
步骤S4中两个波段的浅海底质反射率的量化关系式包括：
式中，λ1、λ2为对所有底质类型都适用的浅海底质反射率强相关的两个波段，ε1、ε2、ε3均为经验系数，Rb(λ1)为波段λ1对应的浅海底质反射率，Rb(λ2)为波段λ2对应的浅海底质反射率；
步骤S5进一步包括：
S51.获取目标浅水区的波段λ1对应的遥感反射率Rrs(λ1)、波段λ2对应的遥感反射率Rrs(λ2)；
S52.根据上述遥感反射率Rrs(λ1)、Rrs(λ2)，通过下面方程组得出波段λ1对应的浅海底质反射率Rb(λ1)、波段λ2对应的浅海底质反射率Rb(λ2)，以及目标浅水区的叶绿素浓度chl，
Kd(λ)＝Kdw(λ)+χ(λ)chle(λ)，
式中，Rw(λ)为水体反射率，Rb(λ)为浅海底质反射率，Kd(λ)为漫衰减系数，Kdw(λ)为纯水的漫衰减系数，H为水深，λ为波段，Rrs(λ)为遥感反射率，Q为水体光场分布系数，M(λ)为中间变量，chl为叶绿素浓度，χ(λ)、e(λ)为经验系数，p1(λ)、p2(λ)、p3(λ)、p4(λ)均为经验系数；
S53.将上述叶绿素浓度chl，以及目标浅水区各位置的水深H、目标浅水区的各波段遥感反射率Rrs(λ)，输入构建的浅海底质反射率半解析遥感反演模型中，获得目标浅水区的浅海底质反射率分布结果。
2.根据权利要求1所述的基于双波段关系的浅海底质反射率遥感监测方法，其特征在于，所述底质类型包括海草、白沙、藻类、健康珊瑚、白化珊瑚中的至少一种。
3.根据权利要求2所述的基于双波段关系的浅海底质反射率遥感监测方法，其特征在于，步骤S1构建的浅海底质反射率半解析遥感反演模型为不需要先验知识的模型，且该模型进一步包括：
Kd(λ)＝Kdw(λ)+χ(λ)chle(λ)，
Rw(λ)＝f(chl,H)，
式中，Rw(λ)为水体反射率，Rb(λ)为浅海底质反射率，Kd(λ)为漫衰减系数，Kdw(λ)为纯水的漫衰减系数，H为水深，λ为波段，Rrs(λ)为遥感反射率，Q为水体光场分布系数，M(λ)为中间变量，chl为叶绿素浓度，χ(λ)、e(λ)为经验系数，f()为拟合函数。
4.根据权利要求3所述的基于双波段关系的浅海底质反射率遥感监测方法，其特征在于，对于浅海清洁一类水体，在假设水体均匀、不考虑荧光和水体非弹性散射、水深在设定值以下且底质反射率为0的条件下，浅海底质反射率半解析遥感反演模型中的拟合函数f()为：
式中，p1(λ)、p2(λ)、p3(λ)、p4(λ)均为经验系数。
5.根据权利要求4所述的基于双波段关系的浅海底质反射率遥感监测方法，其特征在于，步骤S2进一步包括：
S21.获取不同底质类型、不同叶绿素浓度、不同水深下的遥感反射率数据，建立包括所有所述遥感反射率数据的模拟数据集；
S22.通过下面公式构建基于遥感反射率数据的浅海水深大面反演模型，该模型的输入为遥感反射率，输出为水深，
Rrs(λ)＝g[Rb(λ),chl,H]，
式中，g()为拟合函数；
S23.根据上述模拟数据集确定基于遥感反射率数据的浅海水深大面反演模型中的拟合函数g()，完成基于遥感反射率数据的浅海水深大面反演模型的构建。
6.根据权利要求5所述的基于双波段关系的浅海底质反射率遥感监测方法，其特征在于，对于底质类型为底质类型i和底质类型j的混合底质，步骤S22中，浅海底质反射率Rb(λ)满足下面关系式：
Rb(λ)＝BiRbi(λ)+BjRbj(λ),Bi+Bj＝1，
式中，Bi和Bj分别为底质类型i和底质类型j的占比，Rbi(λ)和Rbj(λ)分别为底质类型i和底质类型j的底质反射率。
7.根据权利要求6所述的基于双波段关系的浅海底质反射率遥感监测方法，其特征在于，波段λ1、λ2，以及经验系数ε1、ε2、ε3满足如下关系式：
λ1＝443nm，
λ2＝490nm，
ε1＝0.0078，
ε2＝1.1624，
ε3＝0.0045。
8.根据权利要求7所述的基于双波段关系的浅海底质反射率遥感监测方法，其特征在于，对于浅海清洁一类水体，叶绿素浓度chl的范围为0～5mg/m3，水深H的范围为0～10m，波段λ的范围为400～700nm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311411295.7A CN117152636B (zh) | 2023-10-29 | 2023-10-29 | 一种基于双波段关系的浅海底质反射率遥感监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311411295.7A CN117152636B (zh) | 2023-10-29 | 2023-10-29 | 一种基于双波段关系的浅海底质反射率遥感监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117152636A CN117152636A (zh) | 2023-12-01 |
| CN117152636B true CN117152636B (zh) | 2024-03-15 |
Family
ID=88904627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311411295.7A Active CN117152636B (zh) | 2023-10-29 | 2023-10-29 | 一种基于双波段关系的浅海底质反射率遥感监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152636B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117975255B (zh) * | 2024-04-02 | 2024-06-21 | 国家海洋信息中心 | 一种多光谱遥感影像浅海底质类型识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010034393A (ja) * | 2008-07-30 | 2010-02-12 | Tokyo Electron Ltd | 基板処理制御方法及び記憶媒体 |
| CN104181515A (zh) * | 2013-05-21 | 2014-12-03 | 时春雨 | 一种基于蓝-黄波段高光谱数据的浅海水深反演方法 |
| CN105930304A (zh) * | 2016-04-13 | 2016-09-07 | 中测新图(北京)遥感技术有限责任公司 | 基于半分析模型的多光谱遥感水深反演方法及装置 |
| CN108458993A (zh) * | 2018-04-12 | 2018-08-28 | 中国科学院南海海洋研究所 | 海底底质反射率测量装置及测量方法 |
| CN109059796A (zh) * | 2018-07-20 | 2018-12-21 | 国家海洋局第三海洋研究所 | 无水深控制点区域的浅海水深多光谱卫星遥感反演方法 |
| CN109406457A (zh) * | 2018-11-08 | 2019-03-01 | 北京航空航天大学 | 一种基于半分析模型的沉水植被光谱水体影响校正方法 |
| CN116645593A (zh) * | 2023-07-20 | 2023-08-25 | 南京信息工程大学 | 监测海草床分布的遥感方法、装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110261873A (zh) * | 2019-05-29 | 2019-09-20 | 电子科技大学 | 一种基于分段统计的大气气溶胶反演方法 |
-
2023
- 2023-10-29 CN CN202311411295.7A patent/CN117152636B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010034393A (ja) * | 2008-07-30 | 2010-02-12 | Tokyo Electron Ltd | 基板処理制御方法及び記憶媒体 |
| CN104181515A (zh) * | 2013-05-21 | 2014-12-03 | 时春雨 | 一种基于蓝-黄波段高光谱数据的浅海水深反演方法 |
| CN105930304A (zh) * | 2016-04-13 | 2016-09-07 | 中测新图(北京)遥感技术有限责任公司 | 基于半分析模型的多光谱遥感水深反演方法及装置 |
| CN108458993A (zh) * | 2018-04-12 | 2018-08-28 | 中国科学院南海海洋研究所 | 海底底质反射率测量装置及测量方法 |
| CN109059796A (zh) * | 2018-07-20 | 2018-12-21 | 国家海洋局第三海洋研究所 | 无水深控制点区域的浅海水深多光谱卫星遥感反演方法 |
| CN109406457A (zh) * | 2018-11-08 | 2019-03-01 | 北京航空航天大学 | 一种基于半分析模型的沉水植被光谱水体影响校正方法 |
| CN116645593A (zh) * | 2023-07-20 | 2023-08-25 | 南京信息工程大学 | 监测海草床分布的遥感方法、装置 |
Non-Patent Citations (3)
| Title |
|---|
| Satellite retrieval of benthic reflectance by combining lidar and passive high-resolution imagery: Case-I water;Yuxin Wang et al.;《Remote Sensing of Environment》;第1-18页 * |
| Satellite-Derived Bottom Depth for Optically Shallow Waters Based on Hydrolight Simulations;Yuxin Wang et al.;《remote sensing 》;第1-19页 * |
| 基于有/无水深控制点的光学浅海水深遥感反演方法研究;叶莉;《中国优秀硕士学位论文全文数据库 基础科学辑 》;A010-69 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117152636A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117152636B (zh) | 一种基于双波段关系的浅海底质反射率遥感监测方法 | |
| Qin et al. | Hyperspectral and multispectral imaging for evaluating food safety and quality | |
| Brewin et al. | Regional ocean-colour chlorophyll algorithms for the Red Sea | |
| CN110132862B (zh) | 小麦赤霉病检测专属病情指数构建方法及其应用 | |
| Jiang et al. | Newly-developed three-band hyperspectral vegetation index for estimating leaf relative chlorophyll content of mangrove under different severities of pest and disease | |
| CN106679808B (zh) | 基于压缩光谱的关联成像系统及其方法 | |
| CN107688003B (zh) | 一种消除植被冠层结构和地表背景影响的叶片反射率卫星遥感提取方法 | |
| Werther et al. | A Bayesian approach for remote sensing of chlorophyll-a and associated retrieval uncertainty in oligotrophic and mesotrophic lakes | |
| CN104697943A (zh) | 一种油菜水分胁迫的无损检测方法 | |
| CN100365435C (zh) | 一种遥感影像光谱细分方法 | |
| CN116482317B (zh) | 湖泊水体营养状态实时监测方法、系统、设备及介质 | |
| CN114676636A (zh) | 一种综合植被和生境特征的草原区土壤水分快速反演方法 | |
| Yu et al. | Rapid and visual measurement of fat content in peanuts by using the hyperspectral imaging technique with chemometrics | |
| CN116295285A (zh) | 基于区域自适应的浅海水深遥感反演方法 | |
| CN109959621B (zh) | 一种基于中高分辨率时序遥感数据的水环境分析方法 | |
| 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 | |
| Wu et al. | A novel semi-empirical soil multi-factor radiative transfer model for soil organic matter estimation based on hyperspectral imagery | |
| CN104198397B (zh) | 氮磷钾交互作用下温室作物营养含量检测的方法 | |
| Zarco-Tejada et al. | Canopy optical indices from infinite reflectance and canopy reflectance models for forest condition monitoring: Application to hyperspectral CASI data | |
| CN110702228B (zh) | 一种航空高光谱影像的边缘辐射校正方法 | |
| CN106525729A (zh) | 一种基于光谱分析技术的物质元素含量信息检测方法 | |
| Martinez-Vicente et al. | Above-water reflectance for the evaluation of adjacency effects in Earth observation data: initial results and methods comparison for near-coastal waters in the Western Channel, UK | |
| CN108240806A (zh) | 一种高光谱水深反演波段选择的方法 | |
| CN114781242A (zh) | 富营养化湖泊真光层内藻总量遥感监测方法 | |
| Zhang et al. | Hyperspectral detection of walnut protein contents based on improved whale optimized algorithm |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: He Xianqiang Inventor after: Wang Yuxin Inventor after: Bai Yan Inventor after: Gong Fang Inventor after: Wang Difeng Inventor before: He Xianqiang Inventor before: Pan Tianfeng Inventor before: Bai Yan Inventor before: Gong Fang Inventor before: Li Teng Inventor before: Wang Difeng |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |