CN117315497B - 一种大范围河湖总磷含量遥感产品生成方法和系统 - Google Patents

Abstract

本发明公开了一种大范围河湖总磷含量遥感产品生成方法和系统，首先采集河湖研究区域的时序多源遥感影像数据，并对时序多源遥感影像数据进行处理，得到时序辐射归一化数据集；然后根据时序辐射归一化数据集，构建融合卷积神经网络的总磷遥感特征集；最后根据总磷遥感特征集，基于改进步长的LSTM算法构建大范围河湖总磷含量遥感定量反演模型，进一步结合动态更新的多源光学遥感数据、GEE遥感数据平台和总磷水质参数观测数据，实现了大范围河湖总磷含量遥感产品的自动生产和动态更新，解决了现有大范围河湖总磷含量遥感产品难以快速自动化生产的问题。

Description

一种大范围河湖总磷含量遥感产品生成方法和系统

技术领域

本发明属于遥感图像智能分析技术领域，具体涉及一种大范围河湖总磷含量遥感产品生成方法和系统的设计。

背景技术

水质监测是水污染防治的基础，也是水环境治理的关键环节。随着我国城镇化建设快速发展，水质问题成为我国热点问题。河湖总磷是水质监测的关键参数，其对于河湖富营养化转换以及碳氮循环具有重要价值，也是水污染监测和治理的重要要素。

传统的河湖总磷监测一般以实地采样分析为主，虽然能够准确地测得总磷参数浓度，但需要消耗大量人力、物力、财力，且只能获得监测点位局部范围内的总磷浓度。遥感技术具有连续性强、监测范围广、相对成本低等优点，用多光谱或高光谱遥感技术监测水质不仅可以快速及时地掌握大范围河湖的整体总磷浓度状况，提高监测效率，降低监测成本，还可以反映常规方法难以揭示的总磷浓度时空迁移特征。因此，遥感作为现有水质参数立体监测体系的组成部分，与传统水质站点监测数据有机结合，已经在河湖总磷水质监测和预警中发挥着重要作用。

自20世纪70年代开始，遥感技术被应用到内陆水体水质的研究中。Zarco-Tejada等通过对超光谱数据CASI的72个波段进行分析，发现使用波段R750/R710波段组合能取得更好的水质参数叶绿素a浓度的反演精度。Mattews等通过对南非Zeekoevlei湖泊Chla、TSS、CDOM等水质参数反演进行研发，发现营养程度较高的水体中使用经验方法建立的模型具有较高的反演精度。闻见广等使用半经验方法，建立了太湖水体叶绿素a的遥感监测模型，探讨了使用高光谱和多光谱数据建立反演模型的可行性。

目前已有大量国内外学者针对不同遥感影像，开展了总磷浓度遥感定量反演模型研究，但存在以下不足：(1)以局部区域居多，多源遥感数据融合不足，缺乏对大范围的总磷产品生产能力；(2)利用哨兵二号等多源数据开展总磷产品生成的研究不多；(3)反演模型的普适性不高，传统的经验模型难以大范围推广。

发明内容

本发明的目的是为了解决现有大范围河湖总磷含量遥感产品难以快速自动化生产的问题，提出了一种大范围河湖总磷含量遥感产品生成方法和系统。

本发明的技术方案为：

第一方面，本发明提供了一种大范围河湖总磷含量遥感产品生成方法，包括以下步骤：

S1、采集河湖研究区域的时序多源遥感影像数据，并对时序多源遥感影像数据进行处理，得到时序辐射归一化数据集。

S2、根据时序辐射归一化数据集，构建融合卷积神经网络的总磷遥感特征集。

S3、根据总磷遥感特征集，基于改进步长的LSTM算法构建大范围河湖总磷含量遥感定量反演模型。

S4、结合大范围河湖总磷含量遥感定量反演模型、GEE遥感数据平台上动态更新的多源光学遥感数据和总磷水质参数观测数据，生成大范围河湖总磷含量遥感分布图，实现大范围河湖总磷含量遥感产品的自动生成和动态更新。

进一步地，步骤S1包括以下分步骤：

S11、采集河湖研究区域的时序多源遥感影像数据。

S12、对时序多源遥感影像数据进行预处理，得到河湖研究区域的时序多源影像数据集。

S13、对时序多源影像数据集进行辐射归一化处理，得到时序辐射归一化数据集。

进一步地，步骤S11中的时序多源遥感影像数据包括长时序多源哨兵二号和高光谱遥感卫星数据。

进一步地，步骤S12中的预处理包括大气校正、辐射校正和几何校正。

进一步地，步骤S13包括以下分步骤：

S131、将时序多源影像数据集中的一幅影像作为参考影像，其他影像作为目标影像，并对参考影像和目标影像进行下采样，得到下采样图像。

S132、采用KAZE特征检测器从下采样图像中提取稀疏特征点，并采用最近邻距离比方法识别稀疏特征点中匹配的特征，得到匹配点。

S133、采用随机抽样共识算法去除假匹配点，得到细化匹配点，并基于细化匹配点估计仿射变换参数：

X＝a₀x+a₁y+a₂

Y＝b₀x+b₁y+b₂

其中(X,Y)表示参考影像上匹配点的坐标，(x,y)表示目标影像上匹配点的坐标，a₀、a₁、a₂、b₀、b₁、b₂均为仿射变化参数。

S134、根据参考影像坐标和仿射变化参数得到参考影像和目标影像中的重叠区域，并将重叠区域细分成多个块对，每个块对利用KAZE特征检测器提取匹配特征点。

S135、以每个匹配特征点和邻域点构成三角网络结构，由最近的邻域点确定局部仿射参数，使用局部仿射参数计算该匹配特征点的残差，将残差大于预设阈值的匹配特征点作为离散点并删除，得到匹配特征点对集合{(S_a,R_a),a＝1,2,…,n}，其中n为匹配特征点对数量，S_a为第a个目标影像，R_a为第a个参考影像。

S136、计算每个匹配特征点对的评价指数：

其中U^j表示第j个匹配特征点对的评价指数，(s^j,r^j)表示第j个目标影像和参考影像的辐射体样本对，Corr(·)表示相关性，D_Ch(·)表示切尔雪夫距离度量，表示第i个波段的第j个目标影像辐射体样本，r_i ^j表示第i个波段的第j个参考影像辐射体样本，/>表示目标影像辐射体样本所有波段的平均值，/>表示参考影像辐射体样本所有波段的平均值，i＝1,2,…,b，b为波段数量。

S137、根据所有匹配特征点对的评价指数，通过四分法阈值将变化的辐射体样本对剔除，得到理想辐射体样本点集：

{(S_a,R_a),a＝1,2,…,m}，U_a>t₀

其中t₀表示四分法阈值，Med(U)表示评价指数U的第二位四分位数，MH(U)表示评价指数U第一位四分位数和第三位四分位数的平均值，U_a表示第a个匹配特征点对的评价指数，m表示筛选后的样本点集数。

S138、基于理想辐射体样本点集计算每个波段辐射归一化图像的DN值：

β_i＝m_r-α×m_s

其中表示第i个波段辐射归一化图像的DN值，S_i表示目标影像第i个波段的DN值，α_i和β_i均为第i个波段的归一化系数，r_p表示参考影像样本点的DN值，s_p表示目标影像样本点的DN值，m_r表示r_p的平均值，m_s表示s_p的平均值，σ_r表示r_p的标准方差，σ_s表示s_p的标准方差，/>表示r_p和s_p的相关性，k_a表示显著性水平系数，f(·)表示条件概率分布，R_p表示参考影像和目标影像中的最优理想辐射样本点之间的映射函数。

S139、根据每个波段辐射归一化图像的DN值得到辐射归一化图像，并根据时间序列构建时序辐射归一化数据集I＝{I₁,I₂,…I_T},其中T为辐射归一化图像数。

进一步地，步骤S2包括以下分步骤：

S21、采用卷积神经网络提取时序辐射归一化数据集中的河湖总磷遥感特征。

S22、结合河湖总磷遥感特征和辐射归一化特征波段构建总磷遥感特征集：

Featureset＝{I_tf,t＝1,2,…,T；f＝1,2,…,F}

其中Featureset表示总磷遥感特征集，I_tf表示第t时刻的第f个总磷遥感特征，T辐射归一化图像数，F＝32+b表示总磷遥感特征数量，b为波段数量。

进一步地，步骤S21包括以下分步骤：

S211、对时序辐射归一化数据集中的图像进行宽度为1的补零操作，得到补零图像。

S212、以步长为1滑动卷积核遍历补零图像，利用ReLU激活函数得到河湖总磷遥感特征：

R(z_i,j)＝max(0,z_i,j)

其中R(·)表示ReLU激活函数，z_i,j表示辐射归一化后图像中第i行第j列的像素点值，u和v均表示取值为[-1,1]的整数，x_i+u,j+v表示补零图像中第i+u行第j+v列的像素点值，k表示3*3的卷积核。

进一步地，步骤S3包括以下分步骤：

S31、根据总磷遥感特征集构建总磷水质样本库：

Dataset＝{(X_tn,Y_tn)}t＝1,2…,T,n＝1,2,…N

X_tn＝[I_t1,I_t2,…,I_tF]

其中Dataset表示总磷水质样本库，X_tn表示第n个样本点第t时刻的特征向量，Y_tn表示第n个样本点第t时刻的观测值，N为样本数量。

S32、根据总磷水质样本库构建改进步长的LSTM总磷遥感反演模型。

S33、将总磷遥感特征集输入改进步长的LSTM总磷遥感反演模型，得到大范围河湖时序总磷含量图{TP₁，TP₂，…,TP_T}，实现大范围河湖总磷含量遥感定量反演模型的构建。

进一步地，步骤S32包括以下分步骤：

S321、构建LSTM模型：

LSTM(x_t,c_prec,h_prec)＝(c_t,h_t)

f_t＝σ(W_f×[h_prec,x_t]+b_f)

i_t＝σ(W_i×[h_prec,x_t]+b_i)

p_t＝σ(W_o×[h_prec,x_t]+b_o)

h_t＝o_t×tanh(c_t)

prec＝t-Δt

其中LSTM(·)表示LSTM模型，x_t表示第t时刻输入数据，c_t表示最终的记忆单元，h_t表示第t时刻的隐节点，c_prec表示前一时刻的单元状态，h_prec表示前一时刻的隐节点，f_t表示第t时刻的遗忘门层，σ(·)表示sigmoid激活函数，W_f表示遗忘门层的权重矩阵，b_f表示遗忘门层的偏置向量，i_t表示第t时刻的输入门层，W_i表示输入门层的权重矩阵，b_i表示输入门层的偏置向量，o_t表示第t时刻的输出门层，w_o表示输出门层的权重矩阵，b_o表示输出门层的偏置向量，表示更新的记忆单元，W_c表示记忆单元的权重矩阵，b_c表示记忆单元的偏置向量，t表示第t时刻，prec表示第t时刻的前一时刻，Δt表示时间步长。

S322、根据h_t得到第t时刻预测结果

其中W表示权重矩阵，b表示偏置向量。

S323、将总磷水质样本库中80％的数据作为训练数据，时间步长Δt动态取[1，2，3，4，5]，依次训练LSTM模型，将均方根误差最小的步长大小训练的模型作为最优LSTM模型；均方根误差RMSE的计算公式为：

其中Y_n表示第n个样本的真值，表示第n个样本的预测值。

S324、将总磷水质样本库中剩余20％的数据作为验证数据对最优LSTM模型进行验证，得到改进步长的LSTM总磷遥感反演模型。

第二方面，本发明提供了一种大范围河湖总磷含量遥感产品生成系统，用于配置执行上述大范围河湖总磷含量遥感产品生成方法。

本发明的有益效果是：

(1)本发明构建了大范围河湖总磷遥感智能反演模型，突破了原有大范围河湖总磷水质产品难以自动生产和量化对比的技术瓶颈。

(2)本发明采用多种多光谱和高光谱卫星遥感数据，提出了基于辐射体的时序遥感数据辐射归一化校正处理方法，实现多源数据辐射定量化处理，保证光谱响应具有可行性。

(3)本发明构建了基于改进步长的长短期记忆网络(LSTM)模型的河湖总磷遥感智能反演模型，具有更好的鲁棒性。

(4)本发明结合动态更新的多源光学遥感数据和GEE遥感大数据平台，实现了河湖总磷时序遥感产品的自动生产和动态更新。

附图说明

图1所示为本发明实施例一提供的一种大范围河湖总磷含量遥感产品生成方法流程图。

图2所示为本发明实施例一提供的大范围河湖总磷含量遥感分布图。

具体实施方式

现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

实施例一：

本发明实施例提供了一种大范围河湖总磷含量遥感产品生成方法，如图1所示，包括以下步骤S1～S4：

S1、采集河湖研究区域的时序多源遥感影像数据，并对时序多源遥感影像数据进行处理，得到时序辐射归一化数据集。

步骤S1包括以下分步骤S113～S13：

S11、采集河湖研究区域的时序多源遥感影像数据。

本发明实施例中，时序多源遥感影像数据包括长时序多源哨兵二号和高光谱遥感卫星数据。

S12、对时序多源遥感影像数据进行预处理，得到河湖研究区域的时序多源影像数据集。

本发明实施例中，预处理包括大气校正、辐射校正和几何校正。

S13、对时序多源影像数据集进行辐射归一化处理，得到时序辐射归一化数据集。

本发明实施例中，考虑到不同传感器和不同时序的遥感影像的辐射不一致，因此需要对预处理后的时序多源影像数据集进行辐射归一化处理。

步骤S13包括以下分步骤S131～S139：

S131、将时序多源影像数据集中的一幅影像作为参考影像，其他影像作为目标影像，并对参考影像和目标影像进行下采样，得到下采样图像。

S132、采用KAZE特征检测器从下采样图像中提取稀疏特征点，并采用最近邻距离比方法识别稀疏特征点中匹配的特征，得到匹配点。

S133、采用随机抽样共识(RANSAC)算法去除假匹配点，得到细化匹配点，并基于细化匹配点估计仿射变换参数：

X＝a₀x+a₁y+a₂

Y＝b₀x+b₁y+b₂

其中(X,Y)表示参考影像上匹配点的坐标，(x,y)表示目标影像上匹配点的坐标，a₀、a₁、a₂、b₀、b₁、b₂均为仿射变化参数。

S134、根据参考影像坐标和仿射变化参数得到参考影像和目标影像中的重叠区域，并将重叠区域细分成多个块对，每个块对利用KAZE特征检测器提取匹配特征点。

S135、以每个匹配特征点和邻域点构成三角网络结构，由最近的邻域点确定局部仿射参数，使用局部仿射参数计算该匹配特征点的残差，将残差大于预设阈值(本发明实施例中阈值设置为1个像素点)的匹配特征点作为离散点并删除，得到匹配特征点对集合{(S_a,R_a),a＝1,2,…,n}，其中n为匹配特征点对数量，S_a为第a个目标影像，R_a为第a个参考影像。

S136、计算每个匹配特征点对的评价指数：

其中U^j表示第j个匹配特征点对的评价指数，(s^j,r^j)表示第j个目标影像和参考影像的辐射体样本对，Corr(·)表示相关性，D_Ch(·)表示切尔雪夫距离度量，表示第i个波段的第j个目标影像辐射体样本，r_i ^j表示第i个波段的第j个参考影像辐射体样本，/>表示目标影像辐射体样本所有波段的平均值，/>表示参考影像辐射体样本所有波段的平均值，i＝1,2,…,b，b为波段数量。

S137、根据所有匹配特征点对的评价指数，通过四分法阈值将变化的辐射体样本对剔除，得到理想辐射体样本点集：

{(S_a,R_a),a＝1,2,…,m}，U_a>t₀

其中t₀表示四分法阈值，Med(U)表示评价指数U的第二位四分位数，MH(U)表示评价指数U第一位四分位数和第三位四分位数的平均值，U_a表示第a个匹配特征点对的评价指数，m表示筛选后的样本点集数。

S138、基于理想辐射体样本点集计算每个波段辐射归一化图像的DN值：

其中表示第i个波段辐射归一化图像的DN值，S_i表示目标影像第i个波段的DN值，α_i和β_i均为第i个波段的归一化系数。

本发明实施例中，采用基于条件概率的算法估计映射函数的精确归一化系数，假设所有理想辐射体样本的DN值符合二元正态分布，对于每个波段的条件概率分布如下：

其中r_p表示参考影像样本点的DN值，s_p表示目标影像样本点的DN值，m_r表示r_p的平均值，m_s表示s_p的平均值，σ_r表示r_p的标准方差，σ_s表示s_p的标准方差，表示r_p和s_p的相关性，f(·)表示条件概率分布，f(r_p|s_p)的均值和方差分别为/>和

在条件概率分布模型中，上下临界区可以基于以下两条平行线定义：

其中k_a表示显著性水平系数，其值取决于显著性水平a的选择，本发明实施例中a＝0.01，k_a＝2.575。

将上述两条平行线之间的中心线视为参考影像和目标影像中的最优理想辐射样本点之间的映射函数R_p：

因此可得归一化系数表示为：

β_i＝m_r-α×m_s

S139、根据每个波段辐射归一化图像的DN值得到辐射归一化图像，并根据时间序列构建时序辐射归一化数据集I＝{I₁,I₂,…I_T},其中T为辐射归一化图像数。

S2、根据时序辐射归一化数据集，构建融合卷积神经网络的总磷遥感特征集。

步骤S2包括以下分步骤S21～S22：

S21、采用卷积神经网络提取时序辐射归一化数据集中的河湖总磷遥感特征。

本发明实施例中，卷积神经网络使用32组卷积核，内核大小为3，步长为1，并采用ReLU作为激活函数。

步骤S21包括以下分步骤S211～S212：

S211、为保留图像边缘信息，对时序辐射归一化数据集中的图像进行宽度为1的补零操作，得到补零图像。

S212、以步长为1滑动卷积核遍历补零图像，利用ReLU激活函数得到河湖总磷遥感特征：

R(z_i,j)＝max(0,z_i,j)

其中R(·)表示ReLU激活函数，z_i,j表示辐射归一化后图像中第i行第j列的像素点值，u和v均表示取值为[-1,1]的整数，x_i+u,j+v表示补零图像中第i+u行第j+v列的像素点值，k表示3*3的卷积核。

S22、结合河湖总磷遥感特征和辐射归一化特征波段构建总磷遥感特征集：

Featureset＝{I_tf,t＝1,2,…,T；f＝1,2,…,F}

其中Featureset表示总磷遥感特征集，I_tf表示第t时刻的第f个总磷遥感特征，T辐射归一化图像数，F＝32+b表示总磷遥感特征数量，b为波段数量。

S3、根据总磷遥感特征集，基于改进步长的LSTM算法构建大范围河湖总磷含量遥感定量反演模型。

步骤S3包括以下分步骤S31～S33：

S31、根据总磷遥感特征集构建总磷水质样本库：

Dataset＝{(X_tn,Y_tn)}t＝1,2…,T,n＝1,2,…N

X_tn＝[I_t1,I_t2,…,I_tF]

其中Dataset表示总磷水质样本库，X_tn表示第n个样本点第t时刻的特征向量，Y_tn表示第n个样本点第t时刻的观测值，N为样本数量。

S32、根据总磷水质样本库构建改进步长的LSTM总磷遥感反演模型。

LSTM引入门的机制控制特征的流通和损失，能够解决长期依赖的问题。LSTM由一系列LSTM单元组成，每个LSTM单元的隐藏状态包括单元状态和隐节点，单元状态保留了序列的特征，隐节点作为输出用于生成下一时刻隐节点值和预测值。LSTM将当前时刻的输入和前一时刻的隐藏状态作为输入。

步骤S32包括以下分步骤S321～S324：

S321、构建LSTM模型：

LSTM(x_t,c_prec,h_prec)＝(c_t,h_t)

f_t＝σ(W_f×[h_prec,x_t]+b_f)

i_t＝σ(W_i×[h_prec,x_t]+b_i)

o_t＝σ(W_o×[h_prec,x_t]+b_o)

h_t＝o_t×tanh(c_t)

prec＝t-Δt

其中LSTM(·)表示LSTM模型，x_t表示第t时刻输入数据，c_t表示最终的记忆单元，h_t表示第t时刻的隐节点，c_prec表示前一时刻的单元状态，h_prec表示前一时刻的隐节点，f_t表示第t时刻的遗忘门层，σ(·)表示sigmoid激活函数，W_f表示遗忘门层的权重矩阵，b_f表示遗忘门层的偏置向量，i_t表示第t时刻的输入门层，W_i表示输入门层的权重矩阵，b_i表示输入门层的偏置向量，o_st表示第t时刻的输出门层，W_o表示输出门层的权重矩阵，b_o表示输出门层的偏置向量，表示更新的记忆单元，W_c表示记忆单元的权重矩阵，b_c表示记忆单元的偏置向量，t表示第t时刻，prec表示第t时刻的前一时刻，Δt表示时间步长。

S322、根据h_t得到第t时刻预测结果

其中W表示权重矩阵，b表示偏置向量。

S323、将总磷水质样本库中80％的数据作为训练数据，时间步长Δt动态取[1，2，3，4，5]，依次训练LSTM模型，将均方根误差最小的步长大小训练的模型作为最优LSTM模型。

本发明实施例中，均方根误差RMSE的计算公式为：

其中Y_n表示第n个样本的真值，表示第n个样本的预测值。

S324、将总磷水质样本库中剩余20％的数据作为验证数据对最优LSTM模型进行验证，得到改进步长的LSTM总磷遥感反演模型。

S33、将总磷遥感特征集输入改进步长的LSTM总磷遥感反演模型，得到大范围河湖时序总磷含量图{TP₁，TP₂，…,TP_T}，实现大范围河湖总磷含量遥感定量反演模型的构建。

S4、结合大范围河湖总磷含量遥感定量反演模型、GEE遥感数据平台上动态更新的多源光学遥感数据和总磷水质参数观测数据，生成大范围河湖总磷含量遥感分布图，如图2所示，实现大范围河湖总磷含量遥感产品的自动生成和动态更新。

实施例二：

本发明实施例提供了一种大范围河湖总磷含量遥感产品生成系统，用于配置执行实施例一中的大范围河湖总磷含量遥感产品生成方法。

本发明实施例中的系统可以为一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如实施例一中所述的大范围河湖总磷含量遥感产品生成方法的部分或全部步骤。

本发明实施例中，电子设备可以包括：处理器，存储器，总线和通信接口，处理器、通信接口和存储器通过总线连接，存储器中存储有可在处理器上运行的计算机程序，处理器运行该计算机程序时执行本申请前述实施例一所提供的大范围河湖总磷含量遥感产品生成方法的部分或全部步骤。

本发明实施例中的系统还可以为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程序，执行所述计算机程序时实现如实施例一所述的大范围河湖总磷含量遥感产品生成方法的部分或全部步骤。

上述计算机可读存储介质可以中由任何类型的易失性或非易失性存储设备或它们的组合实现，如静态随机存取存储器(SRAM)，可擦除可维和只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘，可读存储介质可以是通用或专用计算机能够存取的任何可用介质。可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息，可读存储介质也可以是处理器组成部分，处理器和可读存储介质可以位于专用集成电路(ASIC)中，处理器和可读存储介质也可以作为分立组件存在于点去配准系统中。

本发明实施例可提供为方法、装置或计算机程序产品，因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且本发明可采用一个或多个其中包括有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程和/或方框图来描述的，应理解可由计算机程序指令实现流程图和/或方框图中每一流程和/或方框图、以及流程图和/或方框图的结合，可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图中一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种大范围河湖总磷含量遥感产品生成方法，其特征在于，包括以下步骤：

S1、采集河湖研究区域的时序多源遥感影像数据，并对时序多源遥感影像数据进行处理，得到时序辐射归一化数据集；

S2、根据时序辐射归一化数据集，构建融合卷积神经网络的总磷遥感特征集；

S3、根据总磷遥感特征集，基于改进步长的LSTM算法构建大范围河湖总磷含量遥感定量反演模型；

S4、结合大范围河湖总磷含量遥感定量反演模型、GEE遥感数据平台上动态更新的多源光学遥感数据和总磷水质参数观测数据，生成大范围河湖总磷含量遥感分布图，实现大范围河湖总磷含量遥感产品的自动生成和动态更新；

所述步骤S2包括以下分步骤：

S21、采用卷积神经网络提取时序辐射归一化数据集中的河湖总磷遥感特征；

S22、结合河湖总磷遥感特征和辐射归一化特征波段构建总磷遥感特征集：

Featureset＝{I_tf,t＝1,2,...,T；f＝1,2,...,F}

其中Featureset表示总磷遥感特征集，I_tf表示第t时刻的第f个总磷遥感特征，T辐射归一化图像数，F＝32+b表示总磷遥感特征数量，b为波段数量；

所述步骤S21包括以下分步骤：

S211、对时序辐射归一化数据集中的图像进行宽度为1的补零操作，得到补零图像；

S212、以步长为1滑动卷积核遍历补零图像，利用ReLU激活函数得到河湖总磷遥感特征：

R(z_i,j)＝max(0,z_i,j)

其中R(·)表示ReLU激活函数，z_i,j表示辐射归一化后图像中第i行第j列的像素点值，u和v均表示取值为[-1,1]的整数，x_i+u,j+v表示补零图像中第i+u行第j+v列的像素点值，k表示3*3的卷积核。

2.根据权利要求1所述的大范围河湖总磷含量遥感产品生成方法，其特征在于，所述步骤S1包括以下分步骤：

S11、采集河湖研究区域的时序多源遥感影像数据；

S12、对时序多源遥感影像数据进行预处理，得到河湖研究区域的时序多源影像数据集；

S13、对时序多源影像数据集进行辐射归一化处理，得到时序辐射归一化数据集。

3.根据权利要求2所述的大范围河湖总磷含量遥感产品生成方法，其特征在于，所述步骤S11中的时序多源遥感影像数据包括长时序多源哨兵二号和高光谱遥感卫星数据。

4.根据权利要求2所述的大范围河湖总磷含量遥感产品生成方法，其特征在于，所述步骤S12中的预处理包括大气校正、辐射校正和几何校正。

5.根据权利要求2所述的大范围河湖总磷含量遥感产品生成方法，其特征在于，所述步骤S13包括以下分步骤：

S131、将时序多源影像数据集中的一幅影像作为参考影像，其他影像作为目标影像，并对参考影像和目标影像进行下采样，得到下采样图像；

S132、采用KAZE特征检测器从下采样图像中提取稀疏特征点，并采用最近邻距离比方法识别稀疏特征点中匹配的特征，得到匹配点；

S133、采用随机抽样共识算法去除假匹配点，得到细化匹配点，并基于细化匹配点估计仿射变换参数：

X＝a₀x+a₁y+a₂

Y＝b₀x+b₁y+b₂

其中(X,Y)表示参考影像上匹配点的坐标，(x,y)表示目标影像上匹配点的坐标，a₀、a₁、a₂、b₀、b₁、b₂均为仿射变化参数；

S134、根据参考影像坐标和仿射变化参数得到参考影像和目标影像中的重叠区域，并将重叠区域细分成多个块对，每个块对利用KAZE特征检测器提取匹配特征点；

S135、以每个匹配特征点和邻域点构成三角网络结构，由最近的邻域点确定局部仿射参数，使用局部仿射参数计算该匹配特征点的残差，将残差大于预设阈值的匹配特征点作为离散点并删除，得到匹配特征点对集合{(S_a,R_a),a＝1,2,…,n}，其中n为匹配特征点对数量，S_a为第a个目标影像，R_a为第a个参考影像；

S136、计算每个匹配特征点对的评价指数：

其中U^j表示第j个匹配特征点对的评价指数，(s^j,r^j)表示第j个目标影像和参考影像的辐射体样本对，Corr(·)表示相关性，D_Ch(·)表示切尔雪夫距离度量，表示第i个波段的第j个目标影像辐射体样本，/>表示第i个波段的第j个参考影像辐射体样本，/>表示目标影像辐射体样本所有波段的平均值，/>表示参考影像辐射体样本所有波段的平均值，i＝1,2,...,b，b为波段数量；

S137、根据所有匹配特征点对的评价指数，通过四分法阈值将变化的辐射体样本对剔除，得到理想辐射体样本点集：

{(S_a,R_a),a＝1,2,...,m}，U_a>t₀

其中t₀表示四分法阈值，Med(U)表示评价指数U的第二位四分位数，MH(U)表示评价指数U第一位四分位数和第三位四分位数的平均值，U_a表示第a个匹配特征点对的评价指数，m表示筛选后的样本点集数；

S138、基于理想辐射体样本点集计算每个波段辐射归一化图像的DN值：

β_i＝m_r-α_i×m_s

其中表示第i个波段辐射归一化图像的DN值，S_i表示目标影像第i个波段的DN值，α_i和β_i均为第i个波段的归一化系数，r_p表示参考影像样本点的DN值，s_p表示目标影像样本点的DN值，m_r表示r_p的平均值，m_s表示s_p的平均值，σ_r表示r_p的标准方差，σ_s表示s_p的标准方差，ζ表示r_p和s_p的相关性，k_a表示显著性水平系数，f(·)表示条件概率分布，R_p表示参考影像和目标影像中的最优理想辐射样本点之间的映射函数；

S139、根据每个波段辐射归一化图像的DN值得到辐射归一化图像，并根据时间序列构建时序辐射归一化数据集I＝{I₁，I₂，…I_T}，其中T为辐射归一化图像数。

6.根据权利要求1所述的大范围河湖总磷含量遥感产品生成方法，其特征在于，所述步骤S3包括以下分步骤：

S31、根据总磷遥感特征集构建总磷水质样本库：

Dataset＝{(X_tn，Y_tn)}t＝1,2...，T，n＝1,2，...N

X_tn＝[I_t1，I_t2，...，I_tF]

其中Dataset表示总磷水质样本库，X_tn表示第n个样本点第t时刻的特征向量，Y_tn表示第n个样本点第t时刻的观测值，N为样本数量；

S32、根据总磷水质样本库构建改进步长的LSTM总磷遥感反演模型；

S33、将总磷遥感特征集输入改进步长的LSTM总磷遥感反演模型，得到大范围河湖时序总磷含量图{TP₁，TP₂，...，TP_T}，实现大范围河湖总磷含量遥感定量反演模型的构建。

7.根据权利要求6所述的大范围河湖总磷含量遥感产品生成方法，其特征在于，所述步骤S32包括以下分步骤：

S321、构建LSTM模型：

LSTM(x_t，c_prec，h_prec)＝(c_t，h_t)

f_t＝σ(W_f×[h_prec，x_t]+b_f)

i_t＝σ(W_i×[h_prec，x_t]+b_i)

o_t＝σ(W_o×[h_prec，x_t]+b_o)

h_t＝o_t×tanh(c_t)

prec＝t-Δt

其中LSTM(·)表示LSTM模型，x_t表示第t时刻输入数据，c_t表示最终的记忆单元，h_t表示第t时刻的隐节点，c_prec表示前一时刻的单元状态，h_prec表示前一时刻的隐节点，f_t表示第t时刻的遗忘门层，σ(·)表示sigmoid激活函数，W_f表示遗忘门层的权重矩阵，b_f表示遗忘门层的偏置向量，i_t表示第t时刻的输入门层，W_i表示输入门层的权重矩阵，b_i表示输入门层的偏置向量，o_t表示第t时刻的输出门层，W_o表示输出门层的权重矩阵，b_o表示输出门层的偏置向量，表示更新的记忆单元，W_c表示记忆单元的权重矩阵，b_c表示记忆单元的偏置向量，t表示第t时刻，prec表示第t时刻的前一时刻，Δt表示时间步长；

S322、根据h_t得到第t时刻预测结果

其中W表示权重矩阵，b表示偏置向量；

S323、将总磷水质样本库中80％的数据作为训练数据，时间步长Δt动态取[1，2，3，4，5]，依次训练LSTM模型，将均方根误差最小的步长大小训练的模型作为最优LSTM模型；所述均方根误差RMSE的计算公式为：

其中Y_n表示第n个样本的真值，表示第n个样本的预测值；

S324、将总磷水质样本库中剩余20％的数据作为验证数据对最优LSTM模型进行验证，得到改进步长的LSTM总磷遥感反演模型。

8.一种大范围河湖总磷含量遥感产品生成系统，其特征在于，所述大范围河湖总磷含量遥感产品生成系统用于配置执行如权利要求1-7任一所述的大范围河湖总磷含量遥感产品生成方法。