CN117853950B - 基于光谱库和机器学习的多光谱卫星图像处理方法及系统 - Google Patents
基于光谱库和机器学习的多光谱卫星图像处理方法及系统 Download PDFInfo
- Publication number
- CN117853950B CN117853950B CN202410257708.9A CN202410257708A CN117853950B CN 117853950 B CN117853950 B CN 117853950B CN 202410257708 A CN202410257708 A CN 202410257708A CN 117853950 B CN117853950 B CN 117853950B
- Authority
- CN
- China
- Prior art keywords
- satellite
- lsr
- model
- atmospheric
- aod
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 40
- 230000003595 spectral effect Effects 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 title claims abstract description 28
- 238000003672 processing method Methods 0.000 title abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 77
- 238000002310 reflectometry Methods 0.000 claims abstract description 45
- 230000005855 radiation Effects 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 26
- 241000132092 Aster Species 0.000 claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 230000003287 optical effect Effects 0.000 claims abstract description 11
- 238000005316 response function Methods 0.000 claims abstract description 10
- 239000000443 aerosol Substances 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 238000001514 detection method Methods 0.000 claims description 19
- 238000002834 transmittance Methods 0.000 claims description 14
- 230000003628 erosive effect Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 30
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000003066 decision tree Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 239000012237 artificial material Substances 0.000 description 2
- 239000005427 atmospheric aerosol Substances 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 230000005923 long-lasting effect Effects 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- -1 vegetation Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000009827 uniform distribution 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于光谱库和机器学习的多光谱卫星图像处理方法及系统，方法包括：基于卫星传感器的光谱响应函数、ASTER光谱库和光谱转换公式，确定至少一种卫星传感器的第一地表反射率（LSR）；利用辐射传输模型和每种卫星传感器的第一LSR，生成每种卫星传感器的反演样本，得到第一样本集；所述第一样本集至少包括气溶胶光学厚度（AOD）、大气层顶（TOA）反射率和角度信息；利用所述第一样本集训练生成AOD反演模型和LSR反演模型；所述LSR反演模型用于对卫星图像进行大气校正。本申请提供的技术方案，能够提高样本准确度和分布均匀度，从而提高大气校正模型校正结果的准确度。
Description
技术领域
本申请涉及多光谱卫星图像的图像处理技术领域，尤其涉及一种基于光谱库和机器学习的多光谱卫星图像处理方法及系统。
背景技术
大气校正的主要目的是减少或消除大气气体和气溶胶对太阳辐射的散射和吸收效应，从而确保在不同时间获取的遥感图像具有可比性。相关技术中，作为常用的大气校正算法之一，基于机器学习的大气校正算法是通过其他卫星传感器的地表反射率（LandSurface Reflectance，LSR）产品或传统大气校正算法的数据来构建样本，从而训练大气校正模型。
然而，相关技术中构建的样本存在较大不确定性且分布不均匀，影响了大气校正模型校正结果的准确度。
发明内容
为解决相关技术问题，本申请实施例提供一种基于光谱库和机器学习的多光谱卫星图像处理方法及系统，能够提高样本准确度和分布均匀度，从而提高大气校正模型校正结果的准确度。
本申请实施例的技术方案是这样实现的：
本申请实施例提供了一种基于光谱库和机器学习的多光谱卫星图像处理方法，所述方法包括：
基于卫星传感器的光谱响应函数、ASTER光谱库和光谱转换公式，确定至少一种卫星传感器的第一LSR；
利用辐射传输模型和每种卫星传感器的第一LSR，生成每种卫星传感器的反演样本，得到第一样本集；所述第一样本集至少包括气溶胶光学厚度（Aerosol Optical Depth，AOD）、大气层顶（Top Of Atmosphere ，TOA）反射率和角度信息；
利用所述第一样本集训练生成AOD反演模型和LSR反演模型；所述LSR反演模型用于对卫星图像进行大气校正。
上述方案中，所述方法还包括：
利用所述AOD反演模型和第一卫星传感器的第一信息，确定目标AOD；所述第一信息包括所述第一卫星传感器的TOA反射率和角度信息；
利用所述LSR反演模型、所述目标AOD和所述第一信息，确定目标LSR；
利用所述目标LSR对所述第一卫星传感器获取的第一卫星图像进行大气校正。
上述方案中，所述角度信息包括太阳天顶角、卫星天顶角和相对方位角；其中，所述相对方位角是指卫星和太阳在地球上投影点与地心构成的线段之间的角度，用于表示卫星和太阳的相对方位关系。
上述方案中，所述第一LSR包括至少一种土地覆盖类型的LSR。
上述方案中，所述利用所述目标LSR对所述第一卫星传感器获取的第一卫星图像进行大气校正，包括：
利用Fmask算法对所述第一卫星传感器获取的第一卫星图像进行云检测，得到云检测结果；
对所述云检测结果进行形态学扩张和侵蚀图像处理，得到第二卫星图像；
利用所述目标LSR对所述第二卫星图像进行大气校正。
上述方案中，所述利用辐射传输模型和每种卫星传感器的第一LSR，生成每种卫星传感器的反演样本，得到第一样本集，包括：
针对每种卫星传感器，利用辐射传输模型、第二样本集和对应的第一LSR，生成对应的多个反演样本；所述第二样本集包括AOD、TOA反射率和角度信息；
利用所述多个反演样本中不超过预设阈值的反演样本构建第一样本集。
上述方案中，所述辐射传输模型为6S（英文表示为Second Simulation ofSatellite Signal in the Solar Spectrum）辐射传输模型。
上述方案中，所述AOD反演模型和所述LSR反演模型为LightGBM模型。
上述方案中，所述LightGBM模型采用并行数据处理算法。
本申请实施例还提供一种基于光谱库和机器学习的多光谱卫星图像处理系统，所述系统包括：
计算单元，用于基于卫星传感器的光谱响应函数、ASTER光谱库和光谱转换公式，确定至少一种卫星传感器的第一LSR；
样本生成单元，用于利用辐射传输模型和每种卫星传感器的第一LSR，生成每种卫星传感器的反演样本，得到第一样本集；所述第一样本集至少包括AOD、TOA反射率和角度信息；
训练单元，用于利用所述第一样本集训练生成AOD反演模型和LSR反演模型；所述LSR反演模型用于对卫星图像进行大气校正。
本申请实施例提供的基于光谱库和机器学习的多光谱卫星图像处理方法及系统，通过利用ASTER光谱库和大气辐射传输模型自动生成机器学习的训练样本，确保能够在各种传感器上高效、统一地获取样本，从而大幅减少工作量并提高样本质量；进一步地，由于ASTER光谱库中样本所覆盖地表类型的多样性，因此提高训练样本的多样性，从而提高训练样本可靠性，进而提高大气校正模型校正结果的准确性；同时，相较于现有技术中的大气校正模型，本申请提供的方案只需将卫星的TOA发射率和角度信息作为模型输入即可实现大气校正，无需辅助数据，实现了自足式大气校正，从而降低大气校正的复杂性。
附图说明
图1为本申请实施例基于光谱库和机器学习的多光谱卫星图像处理方法流程示意图；
图2为本申请应用实施例基于ASTER光谱库和机器学习的多光谱卫星图像大气校正方法流程示意图；
图3为本申请实施例基于光谱库和机器学习的多光谱卫星图像处理系统结构示意图。
具体实施方式
大气校正是将卫星传感器获得的TOA反射率或辐射率测量值转换为真实LSR的技术程序，是定量环境遥感的一个重要步骤。其中，由于一些地表遥感参数，如植被指数、地表温度和土壤水分等，会表现出显著的时间变化，因此开发高精度和近实时大气校正算法对于从卫星图像中获取准确的地表参数值至关重要。
相关技术中，在卫星遥感技术进步的过程中，大气校正算法也随之进步，从最初的以图像处理技术为中心，逐渐转变为基于大气辐射传输的分析；而随着计算机硬件和算法的进步，由于机器学习算法本身具有很高的计算效率和强大的非线性数据信息挖掘和学习能力，因此，通过利用机器学习技术，大数据的计算和分析变得可行，基于机器学习的算法作为传统交流方法的潜在替代品受到越来越多的探索。
然而，基于机器学习的大气校正算法需要加入额外的辅助数据，如雷达、再分析和高程数据，因此，这一算法也面临着与传统大气校正方法类似的困难，即，实现卫星图像快速大气校正的局限性，以及在保持高精度的同时将算法转移到不同卫星上的复杂性；具体地，机器学习算法的样本构建往往依赖于其他卫星的LSR产品或传统大气校正算法的数据；这种方法虽然适用于已知LSR产品的数据，但对于缺乏地表产品的数据，则会带来相当大的不确定性，从而导致该算法无法适用于这一类数据；另外，根据其他卫星LSR产品构建的样本本身就带有很大程度的不确定性；此外，由于各种卫星传感器的光谱响应函数、成像角度和空间分辨率不一致，很难实现机器学习模型训练样本的均匀分布；以上问题都会导致训练构建的大气校正模型存在极大不确定性，从而影响大气校正结果准确性。
基于此，在本申请的各种实施例中，通过利用ASTER光谱库和大气辐射传输模型自动生成机器学习的训练样本，确保能够在各种传感器上高效、统一地获取样本，从而大幅减少工作量并提高样本质量；进一步地，由于ASTER光谱库中样本所覆盖地表类型的多样性，因此提高训练样本的多样性，从而提高训练样本可靠性，进而提高大气校正模型校正结果的准确性；同时，相较于现有技术中的大气校正模型，本申请提供的方案只需将卫星的TOA发射率和角度信息作为模型输入即可实现大气校正，无需辅助数据，实现了自足式大气校正，从而降低大气校正的复杂性。
下面结合附图及实施例对本申请再作进一步详细的描述。
本申请实施例提供了一种基于光谱库和机器学习的多光谱卫星图像处理方法，应用于电子设备，具体可以应用于个人电脑（PC）、移动终端、便携式移动终端等电子设备，如图2所示，该方法包括：
S101：基于卫星传感器的光谱响应函数、ASTER光谱库和光谱转换公式，确定至少一种卫星传感器的第一LSR。
实际应用时，可以采用ASTER光谱库2.0；ASTER光谱库2.0包含2300多条光谱，代表了各种典型的土地覆被类型，包括矿物、土壤、植被、水体和各种人工材料，从而使ASTER光谱库2.0版可用于计算不同卫星传感器上各种土地覆被类型的LSR，便于均匀地自动生成机器学习样本。
实际应用时，由于针对不同卫星传感器确定对应的第一LSR，使得本申请实施例的方案能够适用于不同的卫星传感器，相较于现有的大气校正方法，具有更为广泛的适用范围，且大气校正结果更为准确，尤其是针对数据记录有限的新运行的卫星，本申请实施例方案优势明显。
在一实施例中，所述第一LSR包括至少一种土地覆盖类型的LSR。
S102：利用辐射传输模型和每种卫星传感器的第一LSR，生成每种卫星传感器的反演样本，得到第一样本集；所述第一样本集至少包括AOD、TOA反射率和角度信息。
在一实施例中，所述辐射传输模型可以采用6S辐射传输模型。
实际应用时，角度信息可以是与卫星传感器角度相关的信息；
在一实施例中，所述角度信息可以包括太阳天顶角、卫星天顶角和相对方位角；其中，所述相对方位角是指卫星和太阳在地球上投影点与地心构成的线段之间的角度，用于表示卫星和太阳的相对方位关系。
在一实施例中，所述利用辐射传输模型和每种卫星传感器的第一LSR，生成每种卫星传感器的反演样本，得到第一样本集，可以包括：
针对每种卫星传感器，利用辐射传输模型、第二样本集和对应的第一LSR，生成对应的多个反演样本；所述第二样本集包括AOD、TOA反射率和角度信息；
利用所述多个反演样本中不超过预设阈值的反演样本构建第一样本集。
实际应用时，所述阈值可以是预设的地物反射率的阈值，示例性地，阈值可以设置为0.4。
实际应用时，在深蓝波段，地物反射率一般在预设阈值以下（比如，0.4以下），高于该阈值的目标为厚云，雪冰或者噪声，这些数据不在大气校正处理的范围内，通过剔除这些低于阈值的目标，可以保证所构建样本的分布符合实际大气校正的情况，从而提高训练后机器学习模型的鲁棒性和精确性。
S103：利用所述第一样本集训练生成AOD反演模型和LSR反演模型；所述LSR反演模型用于对卫星图像进行大气校正。
实际应用时，可以将AOD反演模型和LSR反演模型合称为大气校正模型，即，本申请的大气校正模型包括AOD反演模型和LSR反演模型；当然，也可以仅将LSR反演模型称为大气校正模型，即，本申请实施例的大气校正模型包括LSR反演模型。
在一实施例中，所述AOD反演模型和所述LSR反演模型可以为LightGBM模型。
实际应用时，LightGBM是梯度提升决策树（Gradient Boosting Decision Tree，GBDT）模型的增强版，GBDT是机器学习中一个流行且经久不衰的模型，GBDT的主要思想是迭代训练弱分类器（决策树）以获得最佳模型；基于GBDT树模型的LightGBM模型是通过利用直方图算法进行特征离散化，在不影响准确性的前提下加快了树模型的训练速度。
在一实施例中，所述LightGBM模型采用并行数据处理算法。
实际应用时，通过对LightGBM模型采用并行数据处理算法，能够使其不易过拟合，更易于训练。
实际应用时，在确定AOD反演模型和LSR反演模型后，即可根据输入的TOA反射率和角度信息进行大气校正。
基于此，在一实施例中，所述方法还可以包括：
利用所述AOD反演模型和第一卫星传感器的第一信息，确定目标AOD；所述第一信息包括所述第一卫星传感器的TOA反射率和角度信息；
利用所述LSR反演模型、所述目标AOD和所述第一信息，确定目标LSR；
利用所述目标LSR对所述第一卫星传感器获取的第一卫星图像进行大气校正。
在一实施例中，所述利用所述目标LSR对所述第一卫星传感器获取的第一卫星图像进行大气校正，包括：
利用Fmask算法对所述第一卫星传感器获取的第一卫星图像进行云检测，得到云检测结果；
对所述云检测结果进行形态学扩张和侵蚀图像处理，得到第二卫星图像；
利用所述目标LSR对所述第二卫星图像进行大气校正。
实际应用时，可以使用Fmask算法对哨兵-2号（Sentinel-2）图像进行云检测；Fmask算法是一种基于阈值的云检测方法，具有高精度和原理简单的优点；在此过程中，为Sentinel-2图像大气校正的准确性，可以对使用Fmask算法获得的云检测结果采用了形态学扩张和侵蚀图像处理技术，从而减少对高反射率物体的潜在误分类。
本申请实施例提供的基于光谱库和机器学习的多光谱卫星图像处理方法，通过利用ASTER光谱库和大气辐射传输模型自动生成机器学习的训练样本，确保能够在各种传感器上高效、统一地获取样本，从而大幅减少工作量并提高样本质量；进一步地，由于ASTER光谱库中样本所覆盖地表类型的多样性，因此提高训练样本的多样性，从而提高训练样本可靠性，进而提高大气校正模型校正结果的准确性；同时，相较于现有技术中的大气校正模型，本申请提供的方案只需将卫星的TOA发射率和角度信息作为模型输入即可实现大气校正，无需辅助数据，实现了自足式大气校正，从而降低大气校正的复杂性。
下面结合应用实施例对本申请再作进一步详细的描述。
本申请应用实施例提供了一种基于ASTER光谱库和机器学习的多光谱卫星图像大气校正方法，如图2所示，该方法包括：
S201：云检测。
使用Fmask算法对Sentinel-2图像进行云检测，Fmask算法因其高精度和简单的原理而被广泛采用，是一种基于阈值的云检测方法，为确保哨兵-2号图像大气校正的准确性，对使用Fmask算法获得的云检测结果采用了形态学扩张和侵蚀图像处理技术，以减少对高反射率物体的潜在误分类。
S202：自动生成样本。
根据卫星传感器的光谱响应函数，利用ASTER光谱库和光谱转换公式确定特定传感器对应的地表反射率，将气溶胶光学厚度、太阳天顶角、卫星天顶角、相对方位角、大气层顶反射率及地表反射率作为输入，通过6S辐射传输模型自动生成样本，并将超过阈值的样本剔除。
这里，假设陆地表面为朗伯面，则卫星在大气层顶部接收到的太阳辐射值为LTOA可以用公式（1）表示：
；（1）；
其中，
L0 ： 未到达表面的路径辐射率；
T(μs) :太阳表面路径（向下）的大气透过率；
T(μv) : 沿太阳-卫星路径（向上）的大气透射率；
: 无大气层时的地表反射率；
S : 大气后向散射比；
μs : 太阳天顶角的余弦值；
μv : 传感器天顶角的余弦值；
: 太阳和卫星的相对方位角；
F0 : 平均太阳大气层外辐射。
公式（1）中的辐射值可通过归一化为卫星在大气层顶接收到的反射率；归一化的过程可以通过以下公式表示：
；（2）；
可以利用以下公式计算得到：
；（3）；
其中，
：以天文单位表示的地日距离；
：以反射率单位表示的未到达表面的路径辐射率。
根据上述公式（2）可以看出，为了准确估算陆地表面反射率，需要确定大气透射率，而大气透射率可通过以下公式计算得到：/>；（4）；
其中，
：总光学厚度，由AOD和大气气体分子光学深度组成；
：漫反射透射率；
μ ：太阳天顶角或者卫星天顶角的余弦值。
由于大气中的气体成分相对稳定，而且容易获取，因此大气气溶胶成为大气气溶胶算法中需要获取的关键信息，机器学习算法有能力直接从卫星的TOA反射率中提取精确的AOD，即，使用本申请应用实施例中基于ASTER光谱库的算法，能够自动生成基于机器学习的大气校正样本。
其中，ASTER光谱库2.0版可用于计算不同卫星传感器上各种土地覆被类型的地表反射率，便于自动生成机器学习样本，ASTER光谱库包含2,300多条光谱，代表了各种典型的土地覆盖类型，包括矿物、土壤、植被、水体和各种人工材料。
在通过卫星传感器转换模拟LSR之前，利用了ASTER光谱库中所有土地覆盖类型的光谱数据，由于在光谱库中测量的连续光谱与宽波段传感器之间存在差异，因此需要进行光谱转换，以便将反射率值调整为传感器的相应波长，转换公式如下：
；（5）；
其中，是卫星传感器的表面反射率，/>是光谱响应函数，/>是ASTER光谱库的转换目标，/>和 />分别为卫星传感器的波长范围。
S203：反演AOD。
具体地，利用AOD LightGBM模型和卫星传感器的TOA反射率获得AOD，将AOD反演样本，包括太阳天顶角、卫星天顶角、相对方位角、AOD、TOA反射率，输入AOD LightGBM模型进行训练，获得最佳的AOD反演模型。
其中，LightGBM是梯度提升决策树模型的增强版，GBDT是机器学习中一个流行且经久不衰的模型，GBDT背后的主要思想是迭代训练弱分类器（决策树）以获得最佳模型。基于GBDT树模型的LightGBM模型通过利用直方图算法进行特征离散化，在不影响准确性的前提下加快了树模型的训练速度。此外，该模型还采用了并行数据处理算法，使其不易过拟合，更易于训练。
S204：反演LSR。
具体地，以LSR反演样本，包括太阳天顶角、卫星天顶角、相对方位角、AOD、TOA反射率，作为输入数据，使用另外的LSR LightGBM模型，训练最终的大气校正模型，通过将太阳天顶角、卫星天顶角、相对方位角、AOD、TOA反射率输入最终的大气校正模型，得到LSR大气校正结果。
本申请应用实施例提供的基于ASTER光谱库和机器学习的多光谱卫星图像大气校正方法具有以下优点：
（1）利用自动样本生成算法建立了一种通用近实时的陆地大气校正算法（可以简称为GLAC），该算法适用于从可见光到近红外波长的卫星图像；
（2）利用ASTER光谱库和大气辐射传输模型模拟机器学习的训练样本，确保在各种传感器上高效、统一地获取样本，从而大幅减少工作量并提高样本质量；
（3）该算法适用于各种传感器，特别是数据记录有限的新运行卫星。
（4）与其他基于机器学习的大气校正算法不同，该方法简化了准备步骤，只需将卫星的TOA反射率和角度信息作为模型的输入，无需辅助数据；从本质上讲，该算法利用单角度卫星图像实现了自足式大气校正。
为了实现本申请的基于光谱库和机器学习的多光谱卫星图像处理方法，本申请实施例还提供了一种基于光谱库和机器学习的多光谱卫星图像处理系统，设置在电子设备上，如图3所示，该系统包括：
计算单元301，用于基于卫星传感器的光谱响应函数、ASTER光谱库和光谱转换公式，确定至少一种卫星传感器的第一LSR；
样本生成单元302，用于利用辐射传输模型和每种卫星传感器的第一LSR，生成每种卫星传感器的反演样本，得到第一样本集；所述第一样本集至少包括AOD、TOA反射率和角度信息；
训练单元303，用于利用所述第一样本集训练生成AOD反演模型和LSR反演模型；所述LSR反演模型用于对卫星图像进行大气校正。
在一实施例中，所述系统还可以包括处理单元；所述处理单元可以用于：
利用所述AOD反演模型和第一卫星传感器的第一信息，确定目标AOD；所述第一信息包括所述第一卫星传感器的TOA反射率和角度信息；
利用所述LSR反演模型、所述目标AOD和所述第一信息，确定目标LSR；
利用所述目标LSR对所述第一卫星传感器获取的第一卫星图像进行大气校正。
在一实施例中，所述角度信息包括太阳天顶角、卫星天顶角和相对方位角。
在一实施例中，所述第一LSR包括至少一种土地覆盖类型的LSR。
在一实施例中，所述处理单元，具体可以用于：
利用Fmask算法对所述第一卫星传感器获取的第一卫星图像进行云检测，得到云检测结果；
对所述云检测结果进行形态学扩张和侵蚀图像处理，得到第二卫星图像；
利用所述目标LSR对所述第二卫星图像进行大气校正。
在一实施例中，所述样本生成单元302，具体可以用于：
针对每种卫星传感器，利用辐射传输模型、第二样本集和对应的第一LSR，生成对应的多个反演样本；所述第二样本集包括AOD、TOA反射率和角度信息；
利用所述多个反演样本中不超过预设阈值 的反演样本构建第一样本集。
在一实施例中，所述辐射传输模型为6S辐射传输模型。
在一实施例中，所述AOD反演模型和所述LSR反演模型为LightGBM模型。
在一实施例中，所述LightGBM模型采用并行数据处理算法。
需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
另外，本申请实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。
Claims (10)
1.一种基于光谱库和机器学习的多光谱卫星图像处理方法，其特征在于，所述方法包括：
基于卫星传感器的光谱响应函数、ASTER光谱库和光谱转换公式，确定至少一种卫星传感器的第一地表反射率LSR；
利用辐射传输模型和每种卫星传感器的第一LSR，生成每种卫星传感器的反演样本，得到第一样本集；所述第一样本集至少包括气溶胶光学厚度AOD、大气层顶TOA反射率和角度信息；
利用所述第一样本集训练生成AOD反演模型和LSR反演模型；所述LSR反演模型用于对卫星图像进行大气校正；
这里，假设陆地表面为朗伯面，则卫星在大气层顶部接收到的太阳辐射值为LTOA可以用公式(1)表示：
其中，
L0：未到达表面的路径辐射率；
T(μs):太阳表面路径(向下)的大气透过率；
T(μv):沿太阳-卫星路径(向上)的大气透射率；
ρs:无大气层时的地表反射率；
S:大气后向散射比；
μs:太阳天顶角的余弦值；
μv:传感器天顶角的余弦值；
φ:太阳和卫星的相对方位角；
F0:平均太阳大气层外辐射；
公式(1)中的辐射值可通过归一化为卫星在大气层顶接收到的反射率ρTOA；归一化的过程可以通过以下公式表示：
ρTOA可以利用以下公式计算得到：
其中，
d：以天文单位表示的地日距离；
ρ0：以反射率单位表示的未到达表面的路径辐射率；
根据上述公式(2)可以看出，为了准确估算陆地表面反射率，需要确定大气透射率，而大气透射率T(μ)可通过以下公式计算得到：
其中，
τ：总光学厚度，由AOD和大气气体分子光学深度组成；
td：漫反射透射率；
μ：太阳天顶角或者卫星天顶角的余弦值；
AOD是由机器学习算法从卫星的TOA反射率中提取的。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用所述AOD反演模型和第一卫星传感器的第一信息，确定目标AOD；所述第一信息包括所述第一卫星传感器的TOA反射率和角度信息；
利用所述LSR反演模型、所述目标AOD和所述第一信息，确定目标LSR；
利用所述目标LSR对所述第一卫星传感器获取的第一卫星图像进行大气校正。
3.根据权利要求2所述的方法，其特征在于，所述角度信息包括太阳天顶角、卫星天顶角和相对方位角；其中，所述相对方位角是指卫星和太阳在地球上投影点与地心构成的线段之间的角度，用于表示卫星和太阳的相对方位关系。
4.根据权利要求3所述的方法，其特征在于，所述第一LSR包括至少一种土地覆盖类型的LSR。
5.根据权利要求2至4中任一项所述的方法，其特征在于，所述利用所述目标LSR对所述第一卫星传感器获取的第一卫星图像进行大气校正，包括：
利用Fmask算法对所述第一卫星传感器获取的第一卫星图像进行云检测，得到云检测结果；
对所述云检测结果进行形态学扩张和侵蚀图像处理，得到第二卫星图像；
利用所述目标LSR对所述第二卫星图像进行大气校正。
6.根据权利要求1至4中任一项所述的方法，其特征在于，所述利用辐射传输模型和每种卫星传感器的第一LSR，生成每种卫星传感器的反演样本，得到第一样本集，包括：
针对每种卫星传感器，利用辐射传输模型、第二样本集和对应的第一LSR，生成对应的多个反演样本；所述第二样本集包括AOD、TOA反射率和角度信息；
利用所述多个反演样本中不超过预设阈值的反演样本构建第一样本集。
7.根据权利要求1至4中任一项所述的方法，其特征在于，所述辐射传输模型为6S辐射传输模型。
8.根据权利要求1至4中任一项所述的方法，其特征在于，所述AOD反演模型和所述LSR反演模型为LightGBM模型。
9.根据权利要求8所述的方法，其特征在于，所述LightGBM模型采用并行数据处理算法。
10.一种基于光谱库和机器学习的多光谱卫星图像处理系统，其特征在于，所述系统包括：
计算单元，用于基于卫星传感器的光谱响应函数、ASTER光谱库和光谱转换公式，确定至少一种卫星传感器的第一LSR；
样本生成单元，用于利用辐射传输模型和每种卫星传感器的第一LSR，生成每种卫星传感器的反演样本，得到第一样本集；所述第一样本集至少包括AOD、TOA反射率和角度信息；
训练单元，用于利用所述第一样本集训练生成AOD反演模型和LSR反演模型；所述LSR反演模型用于对卫星图像进行大气校正；
这里，假设陆地表面为朗伯面，则卫星在大气层顶部接收到的太阳辐射值为LTOA可以用公式(1)表示：
其中，
L0：未到达表面的路径辐射率；
T(μs):太阳表面路径(向下)的大气透过率；
T(μv):沿太阳-卫星路径(向上)的大气透射率；
ρs:无大气层时的地表反射率；
S:大气后向散射比；
μs:太阳天顶角的余弦值；
μv:传感器天顶角的余弦值；
φ:太阳和卫星的相对方位角；
F0:平均太阳大气层外辐射；
公式(1)中的辐射值可通过归一化为卫星在大气层顶接收到的反射率ρTOA；归一化的过程可以通过以下公式表示：
ρTOA可以利用以下公式计算得到：
其中，
d：以天文单位表示的地日距离；
ρ0：以反射率单位表示的未到达表面的路径辐射率；
根据上述公式(2)可以看出，为了准确估算陆地表面反射率，需要确定大气透射率，而大气透射率T(μ)可通过以下公式计算得到：
其中，
τ：总光学厚度，由AOD和大气气体分子光学深度组成；
td：漫反射透射率；
μ：太阳天顶角或者卫星天顶角的余弦值；
AOD是由机器学习算法从卫星的TOA反射率中提取的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410257708.9A CN117853950B (zh) | 2024-03-07 | 2024-03-07 | 基于光谱库和机器学习的多光谱卫星图像处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410257708.9A CN117853950B (zh) | 2024-03-07 | 2024-03-07 | 基于光谱库和机器学习的多光谱卫星图像处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117853950A CN117853950A (zh) | 2024-04-09 |
| CN117853950B true CN117853950B (zh) | 2024-06-07 |
Family
ID=90529504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410257708.9A Active CN117853950B (zh) | 2024-03-07 | 2024-03-07 | 基于光谱库和机器学习的多光谱卫星图像处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117853950B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118097433B (zh) * | 2024-04-22 | 2024-06-25 | 南昌工学院 | 基于深度学习的遥感图像处理方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111123382A (zh) * | 2019-12-25 | 2020-05-08 | 中国科学院遥感与数字地球研究所 | 一种气溶胶和地表参数联合反演方法 |
| CN113390815A (zh) * | 2021-06-15 | 2021-09-14 | 浙江大学 | 一种用于柑橘类水果内部冻害的在线识别方法 |
| CN115438562A (zh) * | 2022-07-16 | 2022-12-06 | 电子科技大学 | 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法 |
| CN115984715A (zh) * | 2023-03-22 | 2023-04-18 | 武汉大学 | 基于先验地物光谱匹配的高光谱卫星自适应大气校正方法 |
| CN116008226A (zh) * | 2023-01-10 | 2023-04-25 | 中国科学院空天信息创新研究院 | 一种卫星二氧化碳高精度遥感反演方法 |
| CN116067857A (zh) * | 2023-03-10 | 2023-05-05 | 南京航天宏图信息技术有限公司 | Fy-4a气溶胶光学厚度的反演方法、装置、设备和介质 |
| CN116297068A (zh) * | 2023-05-25 | 2023-06-23 | 山东大学 | 基于地表反射率优化的气溶胶光学厚度反演方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11640653B2 (en) * | 2019-07-01 | 2023-05-02 | Advanced Remote Sensing Inc. | Method to correct satellite data to surface reflectance using scene statistics |
-
2024
- 2024-03-07 CN CN202410257708.9A patent/CN117853950B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111123382A (zh) * | 2019-12-25 | 2020-05-08 | 中国科学院遥感与数字地球研究所 | 一种气溶胶和地表参数联合反演方法 |
| CN113390815A (zh) * | 2021-06-15 | 2021-09-14 | 浙江大学 | 一种用于柑橘类水果内部冻害的在线识别方法 |
| CN115438562A (zh) * | 2022-07-16 | 2022-12-06 | 电子科技大学 | 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法 |
| CN116008226A (zh) * | 2023-01-10 | 2023-04-25 | 中国科学院空天信息创新研究院 | 一种卫星二氧化碳高精度遥感反演方法 |
| CN116067857A (zh) * | 2023-03-10 | 2023-05-05 | 南京航天宏图信息技术有限公司 | Fy-4a气溶胶光学厚度的反演方法、装置、设备和介质 |
| CN115984715A (zh) * | 2023-03-22 | 2023-04-18 | 武汉大学 | 基于先验地物光谱匹配的高光谱卫星自适应大气校正方法 |
| CN116297068A (zh) * | 2023-05-25 | 2023-06-23 | 山东大学 | 基于地表反射率优化的气溶胶光学厚度反演方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 唐洪钊 ; 晏磊 ; 李成才 ; 高鹏骐 ; .基于MODIS高分辨率气溶胶反演的ETM+影像大气校正.地理与地理信息科学.2010,(04),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117853950A (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117853950B (zh) | 基于光谱库和机器学习的多光谱卫星图像处理方法及系统 | |
| Adler-Golden et al. | FLAASH, a MODTRAN4 atmospheric correction package for hyperspectral data retrievals and simulations | |
| CN108303044B (zh) | 一种叶面积指数获取方法及系统 | |
| Chen et al. | Soil salinity inversion based on differentiated fusion of satellite image and ground spectra | |
| Lai et al. | A portable algorithm to retrieve bottom depth of optically shallow waters from top-of-atmosphere measurements | |
| Leinonen et al. | Improved retrieval of cloud liquid water from CloudSat and MODIS | |
| 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 | |
| Ouerghemmi et al. | Semi-blind source separation for the estimation of the clay content over semi-vegetated areas using VNIR/SWIR hyperspectral airborne data | |
| Wu et al. | Recent progress on vegetation remote sensing using spaceborne GNSS-reflectometry | |
| Kim et al. | A constrained optimization technique for estimating environmental parameters from CZMIL hyperspectral and lidar data | |
| CN116817869B (zh) | 一种利用激光雷达数据的海底光子信号确定方法 | |
| CN111104888A (zh) | Aviris高分辨率数据支持的云检测算法自动生成技术 | |
| CN115187812A (zh) | 高光谱激光雷达点云数据的分类方法、训练方法及装置 | |
| Zhang et al. | A multiband model with successive projections algorithm for bathymetry estimation based on remotely sensed hyperspectral data in Qinghai Lake | |
| Ozkan et al. | The influence of window size on remote sensing-based prediction of forest structural variables | |
| Thompson et al. | Atmospheric lengthscales for global VSWIR imaging spectroscopy | |
| Jiang et al. | Estimation of soil organic carbon by combining hyperspectral and radar remote sensing to reduce coupling effects of soil surface moisture and roughness | |
| CN113724381A (zh) | 一种基于高分遥感影像的动态三维场景快速重建方法 | |
| Bondur et al. | Retrieving Sea Wave Spectra Based on High Resolution Satellite Imagery under Different Conditions of Wave Generation | |
| Lu et al. | Modification of 6SV to remove skylight reflected at the air-water interface: Application to atmospheric correction of Landsat 8 OLI imagery in inland waters | |
| CN113870147B (zh) | 一种考虑阴影区域的遥感图像brdf校正方法 | |
| KR20210018737A (ko) | 에어로졸의 광학 특성 산출 장치 및 방법 | |
| Aitken et al. | Prelude to CZMIL: seafloor imaging and classification results achieved with CHARTS and the Rapid Environmental Assessment (REA) Processor | |
| 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 | |
| CN116106925A (zh) | 严密的光子计数机制激光雷达水下测深点坐标计算方法 |
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 |