CN117237430B - 一种高精度多时序水深反演方法、计算设备及存储介质 - Google Patents
一种高精度多时序水深反演方法、计算设备及存储介质 Download PDFInfo
- Publication number
- CN117237430B CN117237430B CN202311489467.2A CN202311489467A CN117237430B CN 117237430 B CN117237430 B CN 117237430B CN 202311489467 A CN202311489467 A CN 202311489467A CN 117237430 B CN117237430 B CN 117237430B
- Authority
- CN
- China
- Prior art keywords
- water depth
- water
- photon
- data set
- generating
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 456
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000002310 reflectometry Methods 0.000 claims abstract description 42
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims 1
- 230000009977 dual effect Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种高精度多时序水深反演方法、计算设备及存储介质，涉及遥感测绘技术领域，方法包括：分别获取目标区域单一时序的遥感影像、水面光子数据和水底光子数据，生成水深样本数据集；提取遥感影像的影像反射率，生成水深与反射率数据集；构建至少一种水深反演模型，生成至少一种水深反演结果，并生成水深反演结果数据集；获取每个单一时序的水深反演结果，生成多时序水深反演结果数据集；采用最大离群法剔除误差，生成有效多时序水深反演结果数据集，并生成水深分布直方图；对水深分布直方图进行高斯拟合，生成水深分布曲线；采用最小二乘法拟合水深分布曲线的曲线参数，根据曲线参数，生成目标区域水深值。通过上述方法，改善了反演精度。
Description
技术领域
本发明涉及遥感测绘技术领域，具体而言，涉及一种高精度多时序水深反演方法、计算设备及存储介质。
背景技术
海岸带、岛礁和珊瑚礁等浅水区域为海洋生态系统的生物多样性和可持续发展提供了关键的环境要素，而通过对浅水区域进行水深反演，得到的水深数据可以应用于航行安全、港口规划、海洋工程设计、海洋科学研究和海洋资源开发等领域，所以对浅水区域进行水深反演也至关重要。
在现有技术中，一般采用舰载声学传感器或卫星水深反演方法进行水深反演，但舰载声学传感器，如多波束超声波探测仪或机载LiDAR（激光探测及测距系统）等，会受水深的变浅影响，造成探测效率急剧降低或无法探测问题，导致水深反演的精度低；而卫星水深反演方法的卫星影像往往受时空条件的影响，其影像辐射信息不稳定，导致水深反演的精度也很低。
发明内容
本发明解决的问题是如何改善水深反演的精度。
为解决上述问题，第一方面，本发明提供一种高精度多时序水深反演方法，包括：
S1、分别获取目标区域单一时序的遥感影像、水面光子数据和水底光子数据，根据所述水面光子数据和所述水底光子数据生成水深样本数据集；
S2、根据所述水深样本数据集提取所述遥感影像的影像反射率，生成水深与反射率数据集；
S3、根据所述水深与反射率数据集，构建至少一种水深反演模型，根据所述水深与反射率数据集和至少一种所述水深反演模型，生成至少一种水深反演结果，并根据所述水深反演结果生成水深反演结果数据集；
S4、循环S1-S3，获取每个所述单一时序的所述水深反演结果数据集，生成多时序水深反演结果数据集；
S5、遍历所述多时序水深反演结果数据集，采用最大离群法剔除误差，生成有效多时序水深反演结果数据集，并根据所述有效多时序水深反演结果数据集生成水深分布直方图；
S6、对所述水深分布直方图进行高斯拟合，生成水深分布曲线；
S7、采用最小二乘法拟合所述水深分布曲线的曲线参数，根据所述曲线参数，生成目标区域水深值。
可选地，所述根据所述水面光子数据和所述水底光子数据生成水深样本数据集，包括：
所述水面光子数据包括水面光子高程，所述水底光子数据包括水底光子经度、水底光子纬度以及水底光子高程；
根据所述水面光子高程，采用平均海平面高程公式，生成平均海平面高程，所述平均海平面高程公式包括：
；
其中，为所述平均海平面高程，/>为水面光子的数量，/>为第i个所述水面光子的所述水面光子高程；
根据所述水底光子高程和所述平均海平面高程，生成光子高程；
根据所述水底光子经度、所述水底光子纬度以及所述光子高程，生成所述水深样本数据集。
可选地，所述根据所述水深样本数据集提取所述遥感影像的影像反射率，生成水深与反射率数据集，包括：
将所述水深样本数据集中的所述水底光子经度以及所述水底光子纬度映射到所述遥感影像中，获取所述遥感影像中与所述水深样本数据集光子点位对应的像素点位；
提取所述像素点位各个波段的所述影像反射率；
根据所述光子高程和所述影像反射率，生成所述水深与反射率数据集。
可选地，所述循环S1-S3，获取每个所述单一时序的所述水深反演结果数据集，生成多时序水深反演结果数据集，包括：
循环S1-S3，获取每个所述单一时序的所述水深反演结果数据集；
根据所有所述水深反演结果数据集，提取所述遥感影像中每个像素点位和其预设邻域内所有所述像素点位的所有所述水深反演结果；
根据所述每个像素点位和其预设邻域内所有所述像素点位的所有所述水深反演结果，生成像素点位综合水深反演结果；
根据所有所述像素点位综合水深反演结果，生成所述多时序水深反演结果数据集。
可选地，所述采用最大离群法剔除误差，生成有效多时序水深反演结果数据集，包括：
根据所述最大离群法，采用阈值公式，剔除所述误差，生成有效多时序水深反演结果，所述阈值公式包括：
；
其中，R为阈值范围，为所述多时序水深反演结果数据集中的所述水深反演结果，/>为所述水深反演结果的均值，min和max分别表示在所述均值上下浮动的最小范围和最大范围；
根据所述有效多时序水深反演结果，生成所述有效多时序水深反演结果数据集。
可选地，所述对所述水深分布直方图进行高斯拟合，生成水深分布曲线，包括：
根据高斯拟合公式对所述水深分布直方图进行高斯拟合，生成所述水深分布曲线，所述高斯拟合公式包括：
；
其中，为所述水深分布曲线的振幅，μ为所述水深分布曲线的中值，σ为所述水深分布曲线的标准差，x为所述有效多时序水深反演结果数据集。
可选地，在所述采用最小二乘法拟合所述水深分布曲线的曲线参数，根据所述曲线参数，生成目标区域水深值之后，还包括：
根据所述目标区域水深值，采用置信度评价规则，生成置信度评价结果，所述置信度评价规则包括：
；
其中，Confidence为所述置信度评价结果，μ为所述水深分布曲线的中值，σ为所述水深分布曲线的标准差，abs为绝对值函数。
可选地，所述分别获取目标区域单一时序的遥感影像、水面光子数据和水底光子数据，包括：
分别获取所述目标区域单一时序的所述遥感影像、水面光子信号和水底光子信号；
滤波所述水面光子信号，生成所述水面光子数据；
滤波并折射校正所述水底光子信号，生成所述水底光子数据。
第二方面，本发明提供一种计算设备，包括存储器、处理器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，当所述处理器执行所述程序时，实现如上所述的高精度多时序水深反演方法。
第三方面，本发明提供一种计算机可读存储介质，所述计算机程序被处理器执行时，实现如上所述的高精度多时序水深反演方法。
本发明提供的高精度多时序水深反演方法、计算设备及存储介质的有益效果为：
因为水面光子数据和水底光子数据最大限度上利用了激光脉冲回波中的每一个光子能量，能为水深反演提供大量水深样本点，而遥感影像可以提供高精度的、高分辨率的目标区域影响，所以通过获取目标区域的遥感影像、水面光子数据和水底光子数据，为后续进行目标区域的水深反演提供了精确的数据支持；然后通过由水面光子数据和水底光子数据构建的水深样本数据集提取遥感影像每个点位对应的影像反射率，并通过水深样本数据集和影像反射率构建水深与反射率数据集，再通过构建至少一种水深反演模型进行水深反演，可得到目标区域单一时序下，由至少一种水深反演模型生成的至少一种初步水深反演结果，并循环持续获取每个单一时序下的至少一种水深反演结果，获得多个单一时序的所有水深反演结果，即多时序下的所有水深反演结果，将其构建为多时序水深反演结果数据集，可用于后续深度处理水深反演结果，得到高精度的水深反演结果；最后遍历多时序水深反演结果数据集，并采用最大离群法剔除误差，可以将误差较大的水深结果去除，即去除了由于云层、影像辐射性能、单一模型缺陷等原因导致的误差较大的水深结果，通过生成水深分布直方图进行高斯拟合，得到的水深分布曲线可以更准确地描述目标区域每个点位的水深数据的分布情况，再根据水深分布曲线，即目标区域每个点位的水深数据的分布情况，通过最小二乘法拟合曲线参数，选择最优的曲线参数作为目标区域每个点位的水深值，进而得到精准的目标区域水深值。通过上述方法，可以避免由于云层、影像辐射性能、单一模型缺陷等原因导致的水深结果精度较低的问题，并改善了水深反演的精度，提供了更为直观且精准的目标区域水深值。
附图说明
图1为本发明实施例提供的高精度多时序水深反演方法的流程示意图；
图2为本发明实施例提供的水深反演结果的数量示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
为解决上述问题，如图1所示，本发明实施例提供一种高精度多时序水深反演方法，包括：
S1、分别获取目标区域单一时序的遥感影像、水面光子数据和水底光子数据，根据所述水面光子数据和所述水底光子数据生成水深样本数据集。
具体地，采用光子计数激光雷达探测目标区域单一时序的光子信号，并对光子信号进行陆地、水面和水底光子信号的识别分离和提取，得到高精度的水面光子数据和水底光子数据，并生成水深样本数据集。其中，目标区域包括海岸带、岛礁浅水区域以及其他浅水或深水区域。单一时序指某一时间点或时间段。采用遥感技术获得遥感影像，为后续光子信号和遥感影像结合提供基础。
S2、根据所述水深样本数据集提取所述遥感影像的影像反射率，生成水深与反射率数据集。
具体地，水面光子数据包括每个光子点位的水面光子经度、水面光子纬度以及水面光子高程，水底光子数据包括每个光子点位的水底光子经度、水底光子纬度以及水底光子高程；由水面光子数据和水底光子数据生成的水深样本数据集包括每个光子点位的光子经度、光子纬度以及光子高程；将每个光子点位的光子经度和光子纬度投影到遥感影像中，即可获取该光子点位在遥感影像中的像素点位的位置，得到像素点位的位置后，提取该像素点位对应各个波段的影像反射率，例如，若遥感影像有N个波段，则提取对应波长的N个影像反射率，则水深与反射率数据集可表示为：
；
其中，R为上述水深与反射率数据集，为第j个所述光子点位的所述光子高程，为第j个所述像素点位中第k个波长为/>的所述影像反射率，/>为水底光子的数量，/>为所述波长的数量。
S3、根据所述水深与反射率数据集，构建至少一种水深反演模型，根据所述水深与反射率数据集和至少一种所述水深反演模型，生成至少一种水深反演结果，并根据所述水深反演结果生成水深反演结果数据集。
具体地，根据水深与反射率数据集，构建至少一种水深反演模型，例如，双波段对数比值模型、多波段线性回归模型、支持向量回归模型、随机森林模型等，每种水深反演模型均根据水深与反射率数据集进行水深反演，生成对应的水深反演结果，例如，若有Y种水深反演模型，则生成Y种水深反演结果，将所有模型生成的水深反演结果构建水深反演结果数据集，便于数据管理和应用。示例性地，构建双波段对数比值模型时，根据双波段对数比值公式构建双波段对数比值模型，双波段对数比值模型公式包括：
；
其中，模型参数和/>由水深与反射率数据集根据最小二乘法计算得到，和/>分别表示蓝、绿波段的影像反射率。
S4、循环S1-S3，获取每个所述单一时序的所述水深反演结果数据集，生成多时序水深反演结果数据集。
具体地，步骤S1-S3生成了在单一时序下由至少一种水深反演模型的水深反演结果，循环步骤S1-S3，获取每个所述单一时序对应生成的水深反演结果数据集，即，获取多时序下的所有水深反演结果，例如，共有Y种水深反演模型，生成Y种水深反演结果，单一时序下的水深反演结果数据集中有Y种水深反演结果，循环获取X个单一时序的水深反演结果数据集，则总水深反演结果就有X*Y个，多时序水深反演结果数据集中就有X个水深反演结果数据集，即，多时序水深反演结果数据集中有X*Y个水深反演结果。
S5、遍历所述多时序水深反演结果数据集，采用最大离群法剔除误差，生成有效多时序水深反演结果数据集，并根据所述有效多时序水深反演结果数据集生成水深分布直方图。
具体地，由于不同种类的水深反演模型性能不同、目标区域的环境状况不同，目标区域中不同位置获取的遥感数据和光子数据精度不同，所以，多时序水深反演结果数据集中会有出现一些误差较大的水深反演结果，采用最大离群法可剔除这些误差，避免上述问题或云层、影像辐射性能、单一模型缺陷等原因导致的水深反演结果的误差较大问题，并将有效多时序水深反演结果数据集中的水深反演结果生成水深分布直方图，水深分布直方图的横轴为水深值，纵轴为该水深值出现的频率。
S6、对所述水深分布直方图进行高斯拟合，生成水深分布曲线。
具体地，通过对水深分布直方图进行高斯拟合，可以得到一个平滑的水深分布曲线，更准确地描述数据的分布情况。
S7、采用最小二乘法拟合所述水深分布曲线的曲线参数，根据所述曲线参数，生成目标区域水深值。
具体地，采用最小二乘法拟合水深分布曲线的曲线参数，得到水深分布曲线的中值，将水深分布曲线的中值作为最终的水深值。应当理解的是，目标区域由多个像素点位组成，每个像素点位均有一个有效多时序水深反演结果数据集及对应的水深分布曲线的中值，所有像素点位对应的水深分布曲线的中值组成最终的目标区域水深值。
本发明利用光子计数激光雷达提供的高精度光子数据，结合多时序高分辨率的遥感影像方便、快捷的大范围成像能力，再采用至少一种水深反演模型对水深与反射率数据集，生成对应的水深反演结果，可以综合各个水深反演模型的优点，然后对多时序水深反演结果数据集中的水深反演结果进行筛选，去除误差较大的水深反演结果，提高了水深反演结果的精度，最后由高斯拟合和最小二乘法确定最终的目标区域水深值，避免了现有技术中水深反演的精度低问题。
可选地，所述根据所述水面光子数据和所述水底光子数据生成水深样本数据集，包括：
所述水面光子数据包括水面光子高程，所述水底光子数据包括水底光子经度、水底光子纬度以及水底光子高程；
根据所述水面光子高程，采用平均海平面高程公式，生成平均海平面高程，所述平均海平面高程公式包括：
；
其中，为所述平均海平面高程，/>为水面光子的数量，/>为第i个所述水面光子的所述水面光子高程；
根据所述水底光子高程和所述平均海平面高程，生成光子高程；
根据所述水底光子经度、所述水底光子纬度以及所述光子高程，生成所述水深样本数据集。
具体地，由于光子计数雷达数据信噪比极低，单个激光脉冲返回的信号中，会存在水下光子的脉冲信号，但不一定存在对应的水面光子信号，若用相邻脉冲的水面信号进行处理，则会引入误差，且对于海面波浪较大的区域，即使使用同一脉冲信号内的水面与水下光子，波浪的起伏同样会引入一定误差，所以，为了减小由于减小光子计数雷达数据信噪比极低和海面波浪较大的影响，使用平均海平面高程作为水面光子的高程，降低误差。然后根据水底光子经度、水底光子纬度以及光子高程，生成水深样本数据集，水深样本数据集可表示为，/>为水深样本数据集，/>分别表示第j个光子点位的水底光子经度、水底光子纬度以及光子高程，/>为水底光子的数量，其中，/>为第j个光子点位的水底光子高程。
可选地，所述根据所述水深样本数据集提取所述遥感影像的影像反射率，生成水深与反射率数据集，包括：
将所述水深样本数据集中的所述水底光子经度以及所述水底光子纬度映射到所述遥感影像中，获取所述遥感影像中与所述水深样本数据集光子点位对应的像素点位；
提取所述像素点位各个波段的所述影像反射率；
根据所述光子高程和所述影像反射率，生成所述水深与反射率数据集。
具体地，将每个光子点位的光子经度和光子纬度投影到遥感影像中，即可获取该光子点位在遥感影像中的像素点位的位置，得到像素点位的位置后，提取该像素点位对应各个波段的影像反射率，例如，若遥感影像有N个波段，则提取对应波长的N个影像反射率。
可选地，所述循环S1-S3，获取每个所述单一时序的所述水深反演结果数据集，生成多时序水深反演结果数据集，包括：
循环S1-S3，获取每个所述单一时序的所述水深反演结果数据集；
根据所有所述水深反演结果数据集，提取所述遥感影像中每个像素点位和其预设邻域内所有所述像素点位的所有所述水深反演结果；
根据所述每个像素点位和其预设邻域内所有所述像素点位的所有所述水深反演结果，生成像素点位综合水深反演结果；
根据所有所述像素点位综合水深反演结果，生成所述多时序水深反演结果数据集。
具体地，如图2所示，若每个单一时序的水深反演结果由Y种水深反演模型，则每个单一时序有Y种水深反演结果，单一时序下的水深反演结果数据集中有Y种水深反演结果，共循环获取X个单一时序的水深反演结果数据集，则遥感影像中每个像素点位有X*Y个水深反演结果，将预设邻域设为n*n邻域，每个像素点位有n*n-1个邻域像素点位，则该像素点位及其预设邻域的水深反演结果有X*Y*n*n个，即，所述遥感影像中每个像素点位和其预设邻域内所有所述像素点位的所有所述水深反演结果为X*Y*n*n个，将X*Y*n*n个水深反演结果作为该像素点位的像素点位综合水深反演结果，记为：
，/>为第l个水深反演结果。
可选地，所述采用最大离群法剔除误差，生成有效多时序水深反演结果数据集，包括：
根据所述最大离群法，采用阈值公式，剔除所述误差，生成有效多时序水深反演结果，所述阈值公式包括：
；
其中，R为阈值范围，为所述多时序水深反演结果数据集中的所述水深反演结果，/>为所述水深反演结果的均值，min和max分别表示在所述均值上下浮动的最小范围和最大范围；
根据所述有效多时序水深反演结果，生成所述有效多时序水深反演结果数据集。
具体地，根据最大离群法，采用阈值公式，将与均值相差较大的水深反演结果从多时序水深反演结果数据集中剔除，多时序水深反演结果数据集中剩余的水深反演结果构成有效多时序水深反演结果数据集。
可选地，所述对所述水深分布直方图进行高斯拟合，生成水深分布曲线，包括：
根据高斯拟合公式对所述水深分布直方图进行高斯拟合，生成所述水深分布曲线，所述高斯拟合公式包括：
；
其中，为所述水深分布曲线的振幅，μ为所述水深分布曲线的中值，σ为所述水深分布曲线的标准差，x为所述有效多时序水深反演结果数据集。
具体地，将有效多时序水深反演结果数据集中的水深反演结果生成水深分布直方图，水深分布直方图的横轴为水深值，纵轴为该水深值出现的频率，根据高斯拟合公式对水深分布直方图进行拟合，得到一条光滑的水深分布曲线，用于数据分析。
可选地，在所述采用最小二乘法拟合所述水深分布曲线的曲线参数，根据所述曲线参数，生成目标区域水深值之后，还包括：
根据所述目标区域水深值，采用置信度评价规则，生成置信度评价结果，所述置信度评价规则包括：
；
其中，Confidence为所述置信度评价结果，μ为所述水深分布曲线的中值，σ为所述水深分布曲线的标准差，abs为绝对值函数。
具体地，根据置信度评价规则，将小于0.1的范围定为高置信度，将小于0.2且大于0.1的范围定为中置信度，将/>小于0.5且大于0.2的范围定为低置信度，通过置信度评价结果，可清晰得知目标区域水深值的可信程度。
可选地，所述分别获取目标区域单一时序的遥感影像、水面光子数据和水底光子数据，包括：
分别获取所述目标区域单一时序的所述遥感影像、水面光子信号和水底光子信号；
滤波所述水面光子信号，生成所述水面光子数据；
滤波并折射校正所述水底光子信号，生成所述水底光子数据。
具体地，获取遥感影像、水面光子信号和水底光子信号，需要对遥感影像进行预处理操作，同时，对水面光子信号进行滤波，对水底光子信号进行滤波并折射校正，得到干净准确的遥感影像、水面光子数据和水底光子数据。
在另一个实施例中，本发明提供一种计算设备，包括存储器、处理器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，当所述处理器执行所述程序时，实现如上所述的高精度多时序水深反演方法。
在又一个实施例中，本发明提供一种计算机可读存储介质，所述计算机程序被处理器执行时，实现如上所述的高精度多时序水深反演方法。
虽然本发明披露如上，但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种高精度多时序水深反演方法，其特征在于，包括：
S1、分别获取目标区域单一时序的遥感影像、水面光子数据和水底光子数据，根据所述水面光子数据和所述水底光子数据生成水深样本数据集；
S2、根据所述水深样本数据集提取所述遥感影像的影像反射率，生成水深与反射率数据集；
S3、根据所述水深与反射率数据集，构建至少一种水深反演模型，根据所述水深与反射率数据集和至少一种所述水深反演模型，生成至少一种水深反演结果，并根据所述水深反演结果生成水深反演结果数据集；
S4、循环S1-S3，获取每个所述单一时序的所述水深反演结果数据集，生成多时序水深反演结果数据集；
S5、遍历所述多时序水深反演结果数据集，采用最大离群法剔除误差，生成有效多时序水深反演结果数据集，并根据所述有效多时序水深反演结果数据集生成水深分布直方图，其中，所述水深分布直方图的横轴为水深值，纵轴为所述水深值出现的频率；
S6、对所述水深分布直方图进行高斯拟合，生成水深分布曲线；
S7、采用最小二乘法拟合所述水深分布曲线的曲线参数，根据所述曲线参数，生成目标区域水深值，其中，所述曲线参数包括所述水深分布曲线的中值，所述中值作为所述目标区域水深值，且所述目标区域由多个像素点位组成，每个所述像素点位包括一个所述有效多时序水深反演结果数据集及对应的所述水深分布曲线的所述中值，所有所述像素点位对应的所述水深分布曲线的所述中值组成所述目标区域水深值。
2.根据权利要求1所述的高精度多时序水深反演方法，其特征在于，所述根据所述水面光子数据和所述水底光子数据生成水深样本数据集，包括：
所述水面光子数据包括水面光子高程，所述水底光子数据包括水底光子经度、水底光子纬度以及水底光子高程；
根据所述水面光子高程，采用平均海平面高程公式，生成平均海平面高程，所述平均海平面高程公式包括：
；
其中，为所述平均海平面高程，/>为水面光子的数量，/>为第i个所述水面光子的所述水面光子高程；
根据所述水底光子高程和所述平均海平面高程，生成光子高程；
根据所述水底光子经度、所述水底光子纬度以及所述光子高程，生成所述水深样本数据集。
3.根据权利要求2所述的高精度多时序水深反演方法，其特征在于，所述根据所述水深样本数据集提取所述遥感影像的影像反射率，生成水深与反射率数据集，包括：
将所述水深样本数据集中的所述水底光子经度以及所述水底光子纬度映射到所述遥感影像中，获取所述遥感影像中与所述水深样本数据集光子点位对应的所述像素点位；
提取所述像素点位各个波段的所述影像反射率；
根据所述光子高程和所述影像反射率，生成所述水深与反射率数据集。
4.根据权利要求1所述的高精度多时序水深反演方法，其特征在于，所述循环S1-S3，获取每个所述单一时序的所述水深反演结果数据集，生成多时序水深反演结果数据集，包括：
循环S1-S3，获取每个所述单一时序的所述水深反演结果数据集；
根据所有所述水深反演结果数据集，提取所述遥感影像中每个像素点位和其预设邻域内所有所述像素点位的所有所述水深反演结果；
根据所述每个像素点位和其预设邻域内所有所述像素点位的所有所述水深反演结果，生成像素点位综合水深反演结果；
根据所有所述像素点位综合水深反演结果，生成所述多时序水深反演结果数据集。
5.根据权利要求1所述的高精度多时序水深反演方法，其特征在于，所述采用最大离群法剔除误差，生成有效多时序水深反演结果数据集，包括：
根据所述最大离群法，采用阈值公式，剔除所述误差，生成有效多时序水深反演结果，所述阈值公式包括：
；
其中，R为阈值范围，为所述多时序水深反演结果数据集中的所述水深反演结果，/>为所述水深反演结果的均值，min和max分别表示在所述均值上下浮动的最小范围和最大范围；
根据所述有效多时序水深反演结果，生成所述有效多时序水深反演结果数据集。
6.根据权利要求1所述的高精度多时序水深反演方法，其特征在于，所述对所述水深分布直方图进行高斯拟合，生成水深分布曲线，包括：
根据高斯拟合公式对所述水深分布直方图进行高斯拟合，生成所述水深分布曲线，所述高斯拟合公式包括：
；
其中，为所述水深分布曲线的振幅，μ为所述水深分布曲线的所述中值，σ为所述水深分布曲线的标准差，x为所述有效多时序水深反演结果数据集。
7.根据权利要求6所述的高精度多时序水深反演方法，其特征在于，在所述采用最小二乘法拟合所述水深分布曲线的曲线参数，根据所述曲线参数，生成目标区域水深值之后，还包括：
根据所述目标区域水深值，采用置信度评价规则，生成置信度评价结果，所述置信度评价规则包括：
；
其中，Confidence为所述置信度评价结果，μ为所述水深分布曲线的所述中值，σ为所述水深分布曲线的标准差，abs为绝对值函数。
8.根据权利要求1-7任一项所述的高精度多时序水深反演方法，其特征在于，所述分别获取目标区域单一时序的遥感影像、水面光子数据和水底光子数据，包括：
分别获取所述目标区域单一时序的所述遥感影像、水面光子信号和水底光子信号；
滤波所述水面光子信号，生成所述水面光子数据；
滤波并折射校正所述水底光子信号，生成所述水底光子数据。
9.一种计算设备，其特征在于，包括存储器、处理器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，当所述处理器执行所述程序时，实现如权利要求1-8中任一项所述的高精度多时序水深反演方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-8中任一项所述的高精度多时序水深反演方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311489467.2A CN117237430B (zh) | 2023-11-10 | 2023-11-10 | 一种高精度多时序水深反演方法、计算设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311489467.2A CN117237430B (zh) | 2023-11-10 | 2023-11-10 | 一种高精度多时序水深反演方法、计算设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117237430A CN117237430A (zh) | 2023-12-15 |
| CN117237430B true CN117237430B (zh) | 2024-03-08 |
Family
ID=89084476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311489467.2A Active CN117237430B (zh) | 2023-11-10 | 2023-11-10 | 一种高精度多时序水深反演方法、计算设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237430B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2016230926A1 (en) * | 2015-03-06 | 2017-09-07 | Bae Systems Plc | Method and apparatus for processing spectral images |
| KR102109917B1 (ko) * | 2018-11-16 | 2020-05-12 | 대한민국(관리부서 : 환경부 국립환경과학원장) | 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법 |
| CN111277243A (zh) * | 2020-02-06 | 2020-06-12 | 中国地质大学（武汉） | 一种面向水深提取的光子计数激光雷达自适应滤波算法 |
| CN112433227A (zh) * | 2021-01-28 | 2021-03-02 | 中国地质大学（武汉） | 一种水容量变化监测方法、系统、终端设备及存储介质 |
| CN114201732A (zh) * | 2021-11-24 | 2022-03-18 | 中国人民解放军92859部队 | 一种基于Sentinel-2A影像的浅海海域水深反演方法 |
| CN114355367A (zh) * | 2022-01-10 | 2022-04-15 | 中国人民解放军61540部队 | 一种基于星载单光子激光雷达数据测量浅海水深的方法 |
| CN114594503A (zh) * | 2022-03-02 | 2022-06-07 | 中南大学 | 一种浅海地形反演方法、计算机设备及存储介质 |
| CN114758254A (zh) * | 2022-06-15 | 2022-07-15 | 中国地质大学（武汉） | 一种双波段无监督水深反演方法及系统 |
| CN115856925A (zh) * | 2022-10-26 | 2023-03-28 | 中国科学院西安光学精密机械研究所 | 基于海图数据的多光谱遥感影像水深反演方法、介质、设备 |
| CN116972814A (zh) * | 2023-07-13 | 2023-10-31 | 自然资源部第二海洋研究所 | 主被动遥感融合的浅海水深探测方法、设备及存储介质 |
-
2023
- 2023-11-10 CN CN202311489467.2A patent/CN117237430B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2016230926A1 (en) * | 2015-03-06 | 2017-09-07 | Bae Systems Plc | Method and apparatus for processing spectral images |
| KR102109917B1 (ko) * | 2018-11-16 | 2020-05-12 | 대한민국(관리부서 : 환경부 국립환경과학원장) | 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법 |
| CN111277243A (zh) * | 2020-02-06 | 2020-06-12 | 中国地质大学（武汉） | 一种面向水深提取的光子计数激光雷达自适应滤波算法 |
| CN112433227A (zh) * | 2021-01-28 | 2021-03-02 | 中国地质大学（武汉） | 一种水容量变化监测方法、系统、终端设备及存储介质 |
| CN114201732A (zh) * | 2021-11-24 | 2022-03-18 | 中国人民解放军92859部队 | 一种基于Sentinel-2A影像的浅海海域水深反演方法 |
| CN114355367A (zh) * | 2022-01-10 | 2022-04-15 | 中国人民解放军61540部队 | 一种基于星载单光子激光雷达数据测量浅海水深的方法 |
| CN114594503A (zh) * | 2022-03-02 | 2022-06-07 | 中南大学 | 一种浅海地形反演方法、计算机设备及存储介质 |
| CN114758254A (zh) * | 2022-06-15 | 2022-07-15 | 中国地质大学（武汉） | 一种双波段无监督水深反演方法及系统 |
| CN115856925A (zh) * | 2022-10-26 | 2023-03-28 | 中国科学院西安光学精密机械研究所 | 基于海图数据的多光谱遥感影像水深反演方法、介质、设备 |
| CN116972814A (zh) * | 2023-07-13 | 2023-10-31 | 自然资源部第二海洋研究所 | 主被动遥感融合的浅海水深探测方法、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Investigating the Shallow-Water Bathymetric Capability of Zhuhai-1 Spaceborne Hyperspectral Images Based on ICESat-2 Data and Empirical Approaches: A Case Study in the South China Sea;Yuan Le等;《remote sensing》;第1-23页 * |
| Satellite-derived bathymetry using the ICESat-2 lidar and Sentinel-2 imagery datasets;Yue Ma等;《Remote Sensing of Environment》;第112047页 * |
| 星载单光子激光雷达浅水测深技术研究进展和展望;李雨佳等;《红外与激光工程》;第51卷(第10期);第20220003–1-10页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117237430A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
| Hodúl et al. | Satellite derived photogrammetric bathymetry | |
| Su et al. | Classification of coral reefs in the South China Sea by combining airborne LiDAR bathymetry bottom waveforms and bathymetric features | |
| Gavazzi et al. | Evaluation of seabed mapping methods for fine-scale classification of extremely shallow benthic habitats–application to the Venice Lagoon, Italy | |
| US8422738B1 (en) | Adaptive automated synthetic aperture radar vessel detection method with false alarm mitigation | |
| CN107025654B (zh) | 基于全局迭代检查的sar图像自适应船只检测方法 | |
| Cao et al. | An active-passive fusion strategy and accuracy evaluation for shallow water bathymetry based on ICESat-2 ATLAS laser point cloud and satellite remote sensing imagery | |
| Xu et al. | Deriving highly accurate shallow water bathymetry from Sentinel-2 and ICESat-2 datasets by a multitemporal stacking method | |
| Chybicki | Mapping south baltic near-shore bathymetry using Sentinel-2 observations | |
| JP2008292449A (ja) | 水中で対象物を検知し分類する自動目標識別システム | |
| Dickens et al. | Application of machine learning in satellite derived bathymetry and coastline detection | |
| WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 | |
| CN104166838B (zh) | 基于多层cfar的分层高分辨sar图像舰船检测方法 | |
| Thomas et al. | A purely spaceborne open source approach for regional bathymetry mapping | |
| Ding et al. | Coastline detection in SAR images using multiscale normalized cut segmentation | |
| Marghany et al. | 3-D visualizations of coastal bathymetry by utilization of airborne TOPSAR polarized data | |
| Moniruzzaman et al. | Imaging and classification techniques for seagrass mapping and monitoring: A comprehensive survey | |
| Wang et al. | Sea ice classification with convolutional neural networks using Sentinel-L scansar images | |
| CN116027349A (zh) | 基于激光雷达和侧扫声呐数据融合的珊瑚礁底质分类方法 | |
| CN113960625B (zh) | 一种基于星载单光子激光主被动遥感融合的水深反演方法 | |
| Ramnath et al. | Predicted bathymetric lidar performance of coastal zone mapping and imaging lidar (CZMIL) | |
| Zhang et al. | Satellite-derived sediment distribution mapping using ICESat-2 and SuperDove | |
| McIntyre et al. | Mapping shallow nearshore benthic features in a Caribbean marine-protected area: assessing the efficacy of using different data types (hydroacoustic versus satellite images) and classification techniques | |
| Gao et al. | Fast two‐dimensional subset censored CFAR method for multiple objects detection from acoustic image | |
| CN117237430B (zh) | 一种高精度多时序水深反演方法、计算设备及存储介质 |
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 |