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。
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。