CN105651263B - 浅海水深多源遥感融合反演方法 - Google Patents
浅海水深多源遥感融合反演方法 Download PDFInfo
- Publication number
- CN105651263B CN105651263B CN201510975396.6A CN201510975396A CN105651263B CN 105651263 B CN105651263 B CN 105651263B CN 201510975396 A CN201510975396 A CN 201510975396A CN 105651263 B CN105651263 B CN 105651263B
- Authority
- CN
- China
- Prior art keywords
- depth
- water
- mrow
- msub
- image
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
浅海水深多源遥感融合反演方法包括：第一步：对多光谱遥感影像进行预处理，得到海表反射率；第二步：现场实测水深值获取及处理；第三步：单源水深反演和水深段标识；第四步：多源水深反演融合；第五步：水深反演精度验证；将n种单源的水深反演结果及其对应的水深段标识影像和融合参数作为输入，逐像元开展多源水深反演融合；水深反演精度验证完成后，将最终水深值作为遥感图像实际水深值输出数据。与现有的反演方法相比，本方法可综合利用多种遥感数据源对水深信息的不同响应，挖掘其中的水深数据，提高反演精度，经过决策融合处理，尤其适用于复杂情况下浅水区域的海洋水深测量。
Description
技术领域
本发明涉及一种海洋水深测量方法，属于空间遥感技术领域，尤其涉及一种可利用多种遥感器进行海洋水深探测的浅海水深多源遥感融合反演方法。
背景技术
海洋水深测量是保障船舶航行、开展港口码头和海洋工程建设、制定海岸和海岛相关规划的必要基础数据。与水深现场测量手段相比，遥感技术具有覆盖广、周期短、费用低、空间分辨率高等多方面优势。自20世纪70年代以来，国内外开展了各种被动遥感水深反演模型的研究，常用的可见光水深反演模型主要包括分析模型、半分析半经验模型和统计模型。利用不同模型，近年来在河流、湖泊、水库、海岛和海岸带周边等水深测量领域进行了反演应用。
水深可见光遥感反演是获取浅海复杂地形水深的有效解决办法，尤其可以反演获取船只无法靠近和难以进入区域的水深资料。但由于模型难以兼顾物理机制和参数化，因此已有的可见光水深遥感反演模型精度再提高的空间有限。
水深多源遥感反演可以克服单源影像成像时环境条件的限制，且多源遥感影像提供的更丰富的波段信息和其不尽相同的光谱分辨率也有利于水深信息的提取，当前已有将多源应用于水深遥感反演的研究工作，但多是用于空间信息的插补，没有在决策融合层面进行开发应用。而决策融合能够充分利用已有遥感影像资源和信息，为提高光学遥感水深反演精度提供了新途径。
中国专利(申请号201310188829.4，申请公布日CN 104181515A)公开了“一种基于蓝-黄波段高光谱数据的浅海水深反演方法”。主要用于解决利用光学遥感手段进行清洁水体水深反演的模型大都针对多光谱数据建立，该类算法受多光谱数据波段宽、光谱信息少的制约，该发明依据水体光衰减机理，基于高光谱数据提出了一种利用蓝-黄波段(450-610纳米)高光谱数据反演清洁水体浅海水深的新方法，该方法可准确提取30米以内浅海水深分布信息，并且针对一种遥感器，只需要进行一次算法系数标定，算法普适性得到明显改善。但该方采用单源的遥感器获取影像作为探测数据源，可利用的遥感影像光谱数据波段、光谱信息范围有限，不利于提高浅海水深反演用于水深测量的准确性，尤其是在复杂情况下对浅海区域水深的探测效果不足。
发明内容
本发明提供了一种基于决策融合的浅海水深多源遥感融合反演方法，用于解决现有技术中只使用单源遥感器的影像作为数据源，其遥感影像光谱数据波段、光谱信息的使用范围受限，水深测量精度和准确性较差的问题。
浅海水深多源遥感融合反演方法，包括以下步骤：
第一步：对多光谱遥感影像进行预处理，得到海表反射率；
所述预处理包括辐射亮度转换、大气校正和太阳耀斑去除；
第二步：现场实测水深值获取及处理；
获取实验区的水深数据和对应的经纬度坐标，通过潮汐表确认测量时刻的潮高值，将水深数据校正获得理论深度基准面的水深，再根据多光谱遥感影像的获取时刻，对理论深度基准面的水深数据进行瞬时水深的潮汐校正以获得瞬时水深；
第三步：单源水深反演和水深段标识；
根据水深控制点处水深与对应影像像元反射率之间的关系，采用多波段模型进行统计回归，输出在该源影像水深反演的参数作为多源反演融合的一项输入，并对多波段模型进行参数定标，多波段模型公式如下，
Xi＝Ln(ρi-ρsi) (2)
其中，Z为水深，n为参与反演的波段个数，A0和Ai为待定系数；ρi是第i波段反射率数据，ρsi是该波段深水处的反射率；
将水深控制点分成多个水深段作为输入，输出各水深段的平均相对误差，作为多源水深反演融合的另一项输入，即融合参数；作为多源水深反演融合输入的融合参数，还包括输出的单源影像的Kappa系数和每个水深段的分段平均精度；
其中，n为水深控制点个数，k表示水深段，式3中，δk为平均相对误差，zi是第i个水深控制点的实测值，zi'为其反演值，式4中，为Kappa系数，xii表示正确分类的控制点个数，xi+、x+i是对水深控制点进行分段统计时，误差矩阵的行列边界值，式5中，δma_k是分段平均精度，PAk是第k个水深段的生产者精度，UAk是第k个水深段的用户精度；
利用融合参数和整景遥感影像，计算得到单源水深反演结果，并将其进行校正理论深度基准面之后对结果进行分段，得到水深段标识影像；
第四步：多源水深反演融合；
将n种单源的水深反演结果及其对应的水深段标识影像和融合参数作为输入，逐像元开展多源水深反演融合，具体包括；
a)当某个水深段的票数为t，且说明有种或更多种影像的反演结果是在同一个水深段内，其中表示向下取整，此时，如果有2种或2种以上的影像得到相等的水深反演值，则直接为当前像元赋此值，否则，比较这几种影像在该水深段的平均相对误差和平均精度，将水深段平均精度最大的作为最终像元值；仅当该水深段平均精度最大的影像对应的水深段平均相对误差也最大时，选择平均精度次之的影像；
b)当最大得票数t满足且有x个(x≥2)得票数为t，此时对比Kappa系数和n个分类器在各自对应水深段的平均精度，若Kappa系数最大的影像与平均精度最大的都判定为同一个水深段，且是同源影像，将该影像像元的水深值作为结果；若不是同一景影像，则确定这两景在该水深段中平均相对误差较小的；若Kappa系数最大的影像所判定的水深段与平均精度最大的不同，则取前者的水深值；若仅有1个得票数为t，则在投票数为t的水深段中，将水深段平均精度最大的作为最终像元值；当该水深段平均精度最大的影像对应的水深段平均相对误差也最大时，选择平均精度次之的影像；
c)当最大投票数t＝1时，选择Kappa系数最大的影像所对应的水深值；
第五步：水深反演精度验证；
所述精度验证是利用水深检查点开展融合前单源反演结果和融合后多源反演结果的比较，水深反演精度验证完成后，将最终水深值作为遥感图像实际水深值输出数据。
如上所述的浅海水深多源遥感融合反演方法，所述第一步中的辐亮度转换是将遥感影像DN值转化为辐亮度值；所述太阳耀斑去除可采用中值法、均值法或者小波法；所述大气校正可以采用FLAASH、暗像元或者6S大气校正方法。
本发明中决策融合选择的基准影像，视所需水深影像的比例尺和分辨率而定，无特殊要求。若选择空间分辨率最大的影像作基准，虽然融合的运行速度有一定的提升，但是空间匹配采用以像元中心坐标处的决策融合数值代表整个像元，损失的信息量较大。所以，从处理效率和反演融合精度角度综合考虑，优选采用以分辨率最高的影像所生成的水深反演结果影像作为基准，同时需要将基准影像像元中心坐标与其它遥感源水深影像的位置进行匹配，获取该坐标处的所有单源反演水深值和其它信息，进行决策融合，以减少可能损失的信息量，保证反演的精度。
本发明的有益效果：
与现有的反演方法相比，本方法可综合利用多种遥感数据源对水深信息的不同响应，扩大了遥感影像光谱数据波段、光谱信息的使用范围，挖掘其中的水深数据，提高反演精度，经过决策融合处理，尤其适用于复杂情况下浅水区域的海洋水深测量。
附图说明
图1是本发明的流程图；
图2是本发明的水深多源反演融合流程图；
图3a是水深多源融合结果散点图；
图3b是单源WorldView-2水深反演结果散点图；
图3c是单源Pleiades水深反演结果散点图；
图3d是单源QuickBird水深反演结果散点图；
图3e是单源SPOT-6水深反演结果散点图；
图4是本发明水深多源遥感反演融合结果；
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
结合附图1对本发明具体实施方式进一步详细描述，浅海水深多源遥感融合反演方法，具体包括以下步骤：
第一步：多光谱遥感数据预处理：
首先要对通过多源传感器获取的参与水深反演融合的多光谱遥感影像进行预处理，包括辐亮度转换、大气校正和太阳耀斑去除。辐亮度转换是将影像DN值转化为辐亮度的过程，不同的遥感数据产品对应的辐亮度转换公式不同，一般采用以下两种：
式中对应的各项参数均可在影像的元数据文件中获得。得到多光谱的辐亮度影像后，采用FLAASH或者暗像元、6S等方法进行大气校正，得到海表反射率数据；为去除海表太阳耀斑及漂浮物等带来的干扰，接着采用中值、均值或者小波等方法进行太阳耀斑去除。
第二：现场实测水深值获取及处理：
利用多波束水深仪或其它水深测量手段获取实验区的水深数据，同时获取对应的经纬度坐标。以潮汐表确认测量时刻的潮高值对水深数据进行校正。
第三步：单源水深反演和水深段标识：
根据水深控制点处水深与对应影像像元反射率之间的关系，采用多波段模型进行统计回归，输出在该源影像水深反演的参数作为多源反演融合的一项输入，并对多波段模型进行参数定标，多波段模型公式如下，
Xi＝Ln(ρi-ρsi) (2)
其中，Z为水深，n为参与反演的波段个数，A0和Ai为待定系数；ρi是第i波段反射率数据，ρsi是该波段深水处的反射率。
将水深控制点分成多个水深段作为输入，输出各水深段的平均相对误差，作为多源水深反演融合的另一项输入，即融合参数；
输入的融合参数，还包括输出的单源影像的Kappa系数和每个水深段的分段平均精度；
其中，n为水深控制点个数，k表示水深段，式3中，δk为平均相对误差，zi是第i个水深控制点的实测值，zi'为其反演值，式4中，为Kappa系数，xii表示正确分类的控制点个数，xi+、x+i是对水深控制点进行分段统计时，误差矩阵的行列边界值，δma_k是分段平均精度，PAk是第k个水深段的生产者精度，UAk是第k个水深段的用户精度；
利用得到的参数和整景遥感影像，计算得单源水深反演结果，并将其瞬时水深校正到理论深度基准面，之后对结果进行分段，得到水深段标识影像；
此处以多源反演融合方法中用到的WorldView-2影像在水深控制点处的误差矩阵为例，在表1展示说明。
表1：WorldView-2水深控制点的误差矩阵
误差矩阵中，列表示地面参考验证信息，行为遥感数据得到的分类，主对角元素(如x11，公式中表示为xii)是分类正确的像元，对角线外元素是遥感数据分类相对于地面参考错误的像元个数。所以，本实验中，1～4分别代表以2m、5m、10m为间隔分成的4个水深段，z为实测水深，z'为反演水深。列表示4个实测水深段中控制点的数量，行代表利用遥感影像反演得到4个水深段中控制点的数量，主对角线是像元反演水深被分到正确的测量水深段的点个数，反之，线外是错误分段的点个数。误差矩阵中的生产者精度(PA)是在假定1个水深控制点在第k类时，遥感影像反演水深时将该点对应的像元归为k的概率，通过第k类的正确分类个数除以第k列的总和(公式中表示为x+i)求得。用户精度(UA)是若影像反演水深将某控制点对应像元归到第k类时，该水深控制点的真实测量水深同属于第k类的百分比，其计算通过正确分类为第k类的个数除以分类为k的总和(也就是第k行的总和，即公式中的xi+)。
Kappa系数是遥感分类图和参考数据间一致性或精度的量度，由主对角线和行列总数给出的概率一致性来表达。例子中的Kappa系数为0.7686可以解释为利用这景WorldView-2影像反演水深后获得的水深分布以76.86％的程度优于随机划分的水深段。
生产者精度和用户精度越接近1越好，最理想的情况是生产者精度和用户精度都为1。所以，为权衡考量不失偏颇，同时也为了精简最终参与到决策融合的参数个数，本实施例中取二者的均值作为融合参数，即分段平均精度。
利用融合参数和整景遥感影像，计算得到单源水深反演结果，并将其进行校正理论深度基准面之后对结果进行分段，得到水深段标识影像；
第四步：多源水深反演融合：
将单源水深反演结果、水深段标识影像和融合参数作为多源水深反演融合的输入，逐像元开展融合。采用4个单源(即遥感影像)在当前像元的水深段所投票数决定最终取值，具体如下：
a)当某个水深段的票数大于等于3，说明有3种或3种以上的影像反演结果是在同一个水深段内，此时，如果有2个及以上的影像得到相等的水深反演值，则直接为当前像元赋此值，否则，比较这几种影像在该水深段的平均相对误差和平均精度，尽量选择平均精度大而平均相对误差小的作为当前像元的水深值。在平均精度较大的前提下，考察该影像在这一水深段的平均相对误差，若平均精度最大的影像平均相对误差也最大，则弃之选择平均精度第二大的影像；
b)当最大得票数等于2，且得票情况为2、2，意味着分别有两幅影像的反演水深落在同一水深段。此时考察Kappa系数和4个分类器在各自对应水深段的平均精度，若Kappa系数最大的影像与平均精度最大的都判定为同一个水深段，且是同源影像，就选择该影像像元的水深值作为结果，若不是同一景影像，则选择这两景在该水深段中平均相对误差较小的。若Kappa系数最大的影像所判定的水深段与平均精度最大的不同，则选择前者的水深值。当最大得票数等于2，且得票情况为2、1、1，在投票数为2的水深段中，尽量选择平均精度大而平均相对误差小的作为当前像元的水深值；
c)当最大投票数为1时，即4个单源的分类结果均不相同，也就是说4景影像的反演水深分布在4个水深段内，此时相信Kappa系数最大的影像。
第五步：水深反演精度验证：
利用检查点开展单源反演结果和多源反演结果的精度验证，计算整体和分不同水深段的平均相对误差和平均绝对误差，从而对多源水深反演融合的精度进行验证。
(1)水深多源遥感反演融合参数及融合模型执行情况
本实施例对选取于2008年1月10日的QuickBird、2010年2月7日的WorldView-2、2012年3月9日的Pleiades和2013年4月5日的SPOT-6开展水深多源反演融合的经过进行对比验证。表2中展示了通过蓝、绿、红三波段对数线性模型反演水深得到的反演参数，以及控制点处的分段平均相对误差。多源遥感影像水深反演融合以WorldView-2水深反演影像为基础，与Pleiades、QuickBird和SPOT-6影像的水深反演结果进行决策融合。表2中影像类型的顺序按照影像的空间分辨率从左至右逐渐增大排列，分段平均精度与分段平均相对误差的1-4依次表示以2m、5m、10m为间隔点所分的4个水深段。
表2：水深单源遥感反演参数和多源决策融合参数
经过对比分析可以看出，整体分段精度最高的是SPOT-6影像，最差的是QuickBird影像。综合分段平均精度和分段平均相对误差考量，在第1段内最好的是Pleiades影像，它的分段精度最高，并且在该段的平均相对误差也较小，其次为SPOT-6影像，其平均相对误差较前者小8个百分点，但分段平均精度逊于前者。虽然Pleiades影像在第2段内的分段平均精度最好，但它在这一水深段的平均相对误差是4景影像中最大的，所以在保证了较高的分段平均精度的前提下，平均相对误差也较好的是SPOT-6影像。第3和4段内，SPOT-6影像不论在分段平均精度还是分段平均相对误差上均是最好的。
如图2所示，水深多源反演融合的结果中，生成的反演水深融合影像有1002行，1054列，即共有1056108个像元。经过统计，根据第2规则确定水深值的像元个数最多，为860835，占所有像元个数的81.51％，说明逐像元进行决策融合时，大多数像元的最大投票数占总数一半以上，也就是说，至少有3景影像在该像元的反演水深值为同一个水深段，而且最终的水深值取决于在这一水深段平均精度最大的水深反演影像。其次，执行次数较多的是第6规则，为72132，所占百分比为6.83％，最少的是第9规则，仅有128个像元。仅当4个影像反演的水深值均在不同水深段中才进行第9规则，这就意味着虽然4景影像的水深反演能力各不相同，但在水深分段上的结果相差不会太大，只有很小一部分会有明显的分歧，所以这4景影像都可以在决策融合中起到一定作用。
(2)水深多源遥感反演融合的整体精度验证分析
对水深多源反演融合结果与融合前的单源结果作精度比较，得到的各精度评价指标如下表3所示。
表3：水深多源反演融合的整体精度比较
三个评价指标都表明经过水深多源决策融合后的结果较原影像反演的结果而言改善较为显著。平均相对误差从小到大依次为决策融合影像、SPOT-6影像、QuickBird影像、Pleiades影像和WorldView-2影像，相比最差的WorldView-2影像，融合后影像在水深控制点处的平均相对误差减小了40多个百分点，而融合前对结果影像初始化时，就是以这景影像的反演结果作为基准，说明决策融合确实很大程度改善了原影像的反演结果。即使与4景影像中反演精度最好的SPOT-6影像相比，融合影像在相对误差上也有12.7个百分比的减小。平均绝对误差的最小值与最大值间相差1.4m，是由融合影像或SPOT-6影像与Pleiades影像相比得到，QuickBird影像和WorldView-2影像的平均绝对误差较大，值分别为1.6m和1.8m，与最小值间相差0.8m和1m之多。用于评价分段精度的Kappa系数也表明：融合影像的像元在水深段归属的判别上更加准确，其次是Pleiades影像和SPOT-6影像，由QuickBird影像反演得到水深段标识影像精度较差。但一般认为Kappa值在大于0.80时，分类图和地面参考信息间的一致性很大或者精度很高，这4个影像的Kappa值都大于该临界值，说明其一致性都比较好。最差的是WorldView-2影像，以0.6139的Kappa值位列最末。
如图3a、3b、3c、3d、3e所示，给出了水深多源反演融合前后实测水深与反演水深的散点图。通过散点图可以发现除Pleiades影像外，另3景影像对2m以下的水深点反演效果都不理想。WorldView-2影像散点图中，数据点的分布比较集中，平均相对误差大应是受到了浅水区的数据点的影响。WorldView-2影像和Pleiades影像反演的最大水深值超出了实测水深检查点的范围，这在QuickBird影像和SPOT-6影像的散点图中没有出现。
如图4所示，本实施例经过决策融合将不同分辨率的单源反演结果结合在一起，围岛一圈的20m以浅水域纹理细腻，水深变化较小，可以清晰的看到北岛所在的礁盘；在岛西南和东北方向的更大深度的深水区纹理则较为粗糙；在深度约为20m处，水深梯度较大，由浅至深过渡较明显。
(3)水深多源遥感反演融合的分段精度验证分析
观察水深多源反演融合的分段误差分布，如表4所示，随深度增加，平均相对误差与平均绝对误差均没有规律性的增大或者减小的趋势。
表4：水深多源反演融合的分段误差比较
0-2m水深段内，虽然反演结果的平均相对误差普遍较低，但仍有着十分显著的差距。精度最高的是水深多源反演融合影像，平均相对误差是39.1％，平均绝对误差为0.3m。其次是Pleiades影像，与前者的平均相对误差相差3.9％，平均绝对误差相等。之后是QuickBird影像、SPOT-6影像和WorldView-2影像，其平均相对误差和平均绝对误差都呈逐渐增大之势，尤其是WorldView-2影像，它在该水深段内的平均相对误差是SPOT-6影像的2倍，与最好的反演融合影像相比，差距多达210.1％，而平均绝对误差也差不多是反演融合影像的4倍，为1.1m。在2-5m水深段内，精度最高的是反演融合影像和SPOT-6影像，两者的平均相对误差和平均绝对误差相等，分别为5.3％和0.2m。WorldView-2影像在该水深段的反演能力相比浅水段有大幅提升，平均相对误差为28.8％，平均绝对误差为1.0m，但与该水深段精度最好的反演融合影像和SPOT-6影像相比起来，差距已经相当明显。QuickBird影像以32.8％的平均相对误差和1.4m的平均绝对误差排在第4，而0-2m水深段内反演精度最好的Pleiades影像在这一水深段内的反演精度最差。在5-10m水深段内，按平均相对误差与平均绝对误差从小到大的顺序排列，依次为反演融合影像和SPOT-6影像、QuickBird影像、Pleiades影像、WorldView-2影像。最小和最大的平均相对误差间相差8个百分比，平均绝对误差最多相差0.6m。在10-20m范围的水深段内，最小的平均相对误差和平均绝对误差均来自SPOT-6影像，最大的为Pleiades影像，值分别为6.3％、22.5％和3.4m、0.9m。反演融合影像的反演精度较好，平均相对误差为6.4％，平均绝对误差为1.0m。
在水深多源反演融合反演中，SPOT-6影像除在浅水段内反演能力表现不佳外，在其它水深段均是所有遥感水深反演影像中精度最高的1景。Pleiades影像有效弥补了SPOT-6影像在浅水区的不足，但其在2-5m和10-20m的精度是4景中最差的。WorldView-2影像在0-2m和5-10m这2个水深段内反演精度最差，在另外2个水深段精度一般。而QuickBird影像在各个水深段内的反演精度都在中等程度徘徊。除在10-20m水深段内的精度略低于SPOT-6影像，多源反演融合影像在其他水深段的反演精度均是最好的。
本发明与现有的反演方法相比，本方法可综合利用多种遥感数据源对水深信息的不同响应，扩大了遥感影像光谱数据波段、光谱信息的使用范围，挖掘其中的水深数据，提高反演精度，经过决策融合处理，尤其适用于复杂情况下浅水区域的海洋水深测量。
本发明未详尽描述的技术内容均为公知技术。
Claims (2)
1.浅海水深多源遥感影像反演方法，其特征在于，包括以下步骤：
第一步：对多光谱遥感影像进行预处理，得到海表反射率；
所述预处理包括辐射亮度转换、大气校正和太阳耀斑去除；
第二步：现场实测水深值获取及处理；
获取实验区的水深数据和对应的经纬度坐标，通过潮汐表确认测量时刻的潮高值，将水深数据校正获得理论深度基准面的水深，再根据多光谱遥感影像的获取时刻，对理论深度基准面的水深数据进行瞬时水深的潮汐校正以获得瞬时水深；
第三步：单源水深反演和水深段标识；
根据水深控制点处水深与对应影像像元反射率之间的关系，采用多波段模型进行统计回归，输出在该源影像水深反演的参数作为多源反演融合的一项输入，并对多波段模型进行参数定标，多波段模型公式如下，
<mrow>
<mi>Z</mi>
<mo>=</mo>
<msub>
<mi>A</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
Xi＝Ln(ρi-ρsi) (2)
其中，Z为水深，n为参与反演的波段个数，A0和Ai为待定系数；ρi是第i波段反射率数据，ρsi是第i波段深水处的反射率；
将水深控制点分成多个水深段作为输入，输出各水深段的平均相对误差，作为多源水深反演融合的另一项输入，即融合参数；作为多源水深反演融合输入的融合参数，还包括输出的单源影像的Kappa系数和每个水深段的分段平均精度；
<mrow>
<msub>
<mi>&delta;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msup>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>|</mo>
</mrow>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>K</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<mi>n</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>x</mi>
<mrow>
<mo>+</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>n</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>x</mi>
<mrow>
<mo>+</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mo>_</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>PA</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>UA</mi>
<mi>k</mi>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，n为水深控制点个数，k表示水深段，式3中，δk为平均相对误差，zi是第i个水深控制点的实测值，zi'为其反演值，式4中，为Kappa系数，xii表示正确分类的控制点个数，xi+、x+i是对水深控制点进行分段统计时，误差矩阵的行列边界值，式5中，δma_k是分段平均精度，PAk是第k个水深段的生产者精度，UAk是第k个水深段的用户精度；
利用融合参数和整景遥感影像，计算得到单源水深反演结果，并将其进行校正理论深度基准面之后对结果进行分段，得到水深段标识影像；
第四步：多源水深反演融合；
将n种单源的水深反演结果及其对应的水深段标识影像和融合参数作为输入，逐像元开展多源水深反演融合，具体包括；
a)当某个水深段的票数为t，且说明有种或更多种影像的反演结果是在同一个水深段内，其中表示向下取整，此时，如果有2种或2种以上的影像得到相等的水深反演值，则直接为当前像元赋此值，否则，比较这几种影像在该水深段的平均相对误差和平均精度，将水深段平均精度最大的作为最终像元值；仅当该水深段平均精度最大的影像对应的水深段平均相对误差也最大时，选择平均精度次之的影像；
b)当最大得票数t满足且有x个(x≥2)得票数为t，此时对比Kappa系数和n个分类器在各自对应水深段的平均精度，若Kappa系数最大的影像与平均精度最大的都判定为同一个水深段，且是同源影像，将该影像像元的水深值作为结果；若不是同一景影像，则确定这两景在该水深段中平均相对误差较小的；若Kappa系数最大的影像所判定的水深段与平均精度最大的不同，则取前者的水深值；若仅有1个得票数为t，则在投票数为t的水深段中，将水深段平均精度最大的作为最终像元值；当该水深段平均精度最大的影像对应的水深段平均相对误差也最大时，选择平均精度次之的影像；
c)当最大投票数t＝1时，选择Kappa系数最大的影像所对应的水深值；
第五步：水深反演精度验证；
所述精度验证是利用水深检查点开展融合前单源反演结果和融合后多源反演结果的比较，水深反演精度验证完成后，将最终水深值作为遥感图像实际水深值输出数据。
2.根据权利要求1所述的浅海水深多源遥感影像反演方法，其特征在于，所述第一步中的辐射亮度转换是将遥感影像DN值转化为辐亮度值；所述太阳耀斑去除可采用中值法、均值法或者小波法；所述大气校正可以采用FLAASH、暗像元或者6S大气校正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510975396.6A CN105651263B (zh) | 2015-12-23 | 2015-12-23 | 浅海水深多源遥感融合反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510975396.6A CN105651263B (zh) | 2015-12-23 | 2015-12-23 | 浅海水深多源遥感融合反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105651263A CN105651263A (zh) | 2016-06-08 |
| CN105651263B true CN105651263B (zh) | 2018-02-23 |
Family
ID=56476649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510975396.6A Expired - Fee Related CN105651263B (zh) | 2015-12-23 | 2015-12-23 | 浅海水深多源遥感融合反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105651263B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109059796B (zh) * | 2018-07-20 | 2020-07-31 | 自然资源部第三海洋研究所 | 无水深控制点区域的浅海水深多光谱卫星遥感反演方法 |
| CN109657392A (zh) * | 2018-12-28 | 2019-04-19 | 北京航空航天大学 | 一种基于深度学习的高光谱遥感水深反演方法 |
| CN109631862A (zh) * | 2019-01-22 | 2019-04-16 | 青岛秀山移动测量有限公司 | 一种潮间带一体化测绘的多传感器数据融合方法 |
| CN111561916B (zh) * | 2020-01-19 | 2021-09-28 | 自然资源部第二海洋研究所 | 一种基于四波段多光谱遥感图像的浅海水深无控提取方法 |
| CN111651707B (zh) * | 2020-05-28 | 2023-04-25 | 广西大学 | 一种基于光学浅水区卫星遥感影像的潮位反演方法 |
| CN112013822A (zh) * | 2020-07-22 | 2020-12-01 | 武汉智图云起科技有限公司 | 基于改进gwr模型的多光谱遥感水深反演方法 |
| CN111947628B (zh) * | 2020-08-25 | 2022-05-27 | 自然资源部第一海洋研究所 | 基于固有光学参数的线性水深反演方法 |
| CN113326470B (zh) * | 2021-04-11 | 2022-08-16 | 桂林理工大学 | 遥感水深反演潮高改正方法 |
| CN113255144B (zh) * | 2021-06-02 | 2021-09-07 | 中国地质大学（武汉） | 基于FUI分区和Ransac的浅海遥感水深反演方法 |
| CN113639716A (zh) * | 2021-07-29 | 2021-11-12 | 北京航空航天大学 | 一种基于深度残差收缩网络的水深遥感反演方法 |
| CN113793374B (zh) * | 2021-09-01 | 2023-12-22 | 自然资源部第二海洋研究所 | 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法 |
| CN114943161B (zh) * | 2022-07-27 | 2022-09-27 | 中国水利水电科学研究院 | 一种基于多源遥感数据的内陆湖泊地形反演方法 |
| CN117514148B (zh) * | 2024-01-05 | 2024-03-26 | 贵州航天凯山石油仪器有限公司 | 一种基于多维可信度融合的油气井动液面识别诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9046363B2 (en) * | 2012-04-27 | 2015-06-02 | SATOP GmbH | Using multispectral satellite data to determine littoral water depths despite varying water turbidity |
| CN104457901B (zh) * | 2014-11-28 | 2018-01-05 | 南京信息工程大学 | 一种确定水深的方法及*** |
-
2015
- 2015-12-23 CN CN201510975396.6A patent/CN105651263B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105651263A (zh) | 2016-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105651263B (zh) | 浅海水深多源遥感融合反演方法 | |
| CN102254319B (zh) | 一种多层次分割的遥感影像变化检测方法 | |
| CN102436652B (zh) | 一种多源遥感图像自动配准方法 | |
| CN102708369B (zh) | 一种基于卫星图像的海冰参数提取方法 | |
| CN103148842B (zh) | 一种基于遥感图像特征的浅海沙波区多波束测深地形重构方法 | |
| CN109059796A (zh) | 无水深控制点区域的浅海水深多光谱卫星遥感反演方法 | |
| CN101980293B (zh) | 一种基于刃边图像的高光谱遥感***mtf检测方法 | |
| CN102750696B (zh) | 一种基于仿射不变特征与海岸线约束的海岸带遥感影像自动配准方法 | |
| CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
| CN109871823B (zh) | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 | |
| CN113239830B (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
| CN105627997A (zh) | 多角度遥感水深决策融合反演方法 | |
| CN102279973A (zh) | 基于高梯度关键点的海天线检测方法 | |
| CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
| CN112013822A (zh) | 基于改进gwr模型的多光谱遥感水深反演方法 | |
| CN109461178A (zh) | 一种融合稀疏已知标签的单目图像深度估计方法及装置 | |
| CN103871039A (zh) | 一种sar图像变化检测差异图生成方法 | |
| CN104680151B (zh) | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 | |
| CN105139401A (zh) | 一种深度图中深度的可信度的评估方法 | |
| CN110189282A (zh) | 基于密集和跳跃连接深度卷积网络的多光谱和全色图像融合方法 | |
| CN111561916B (zh) | 一种基于四波段多光谱遥感图像的浅海水深无控提取方法 | |
| Zhang et al. | A study on coastline extraction and its trend based on remote sensing image data mining | |
| CN104613945A (zh) | 一种浅海大型复杂沙波区地形重构方法 | |
| CN106210696A (zh) | 一种实时虚拟视点合成的方法及装置 | |
| CN117274831A (zh) | 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180223 Termination date: 20181223 |