CN107014763A - 叶绿素遥感反演装置及方法 - Google Patents

叶绿素遥感反演装置及方法 Download PDF

Info

Publication number
CN107014763A
CN107014763A CN201710223339.1A CN201710223339A CN107014763A CN 107014763 A CN107014763 A CN 107014763A CN 201710223339 A CN201710223339 A CN 201710223339A CN 107014763 A CN107014763 A CN 107014763A
Authority
CN
China
Prior art keywords
chlorophyll
remote sensing
rrs
spectrum
inversion
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.)
Granted
Application number
CN201710223339.1A
Other languages
English (en)
Other versions
CN107014763B (zh
Inventor
韩留生
孙彩红
孙广伟
范俊甫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Technology
Original Assignee
Shandong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Technology filed Critical Shandong University of Technology
Priority to CN201710223339.1A priority Critical patent/CN107014763B/zh
Publication of CN107014763A publication Critical patent/CN107014763A/zh
Application granted granted Critical
Publication of CN107014763B publication Critical patent/CN107014763B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供了一种叶绿素遥感反演装置及方法。本发明实施例在叶绿素a光谱特性的敏感性分析的基础上，形成改进的叶绿素a反演模型，综合考虑了近岸水体复杂光学特性对叶绿素a的影响；同时对HICO高光谱影像进行预处理，获得实验样区的影像均值波谱，将构建的叶绿素a反演模型应用到预处理后的影像进行叶绿素a实现反演。本发明实施例极大的提高了叶绿素a反演的精度。

Description

叶绿素遥感反演装置及方法
技术领域
本发明涉及水色遥感反演领域，尤其涉及对近岸河口复杂光谱条件的叶绿素遥感反演装置及方法。
背景技术
叶绿素a是评价水体营养状态和贫瘠程度的重要指标，通过对叶绿素a浓度的测定研究可以判断水体的富营养化程度。然而近海海域叶绿素a反演受到水体光学复杂特性的影响，反演精度较低。
发明内容
鉴于以上内容，本发明实施例提供一种叶绿素遥感反演装置，应用于水色参数反演设备。所述反演装置包括：
遥感图像获取模块，用于从卫星地面接收站获取预设区域的高光谱遥感图像；
水色参数获取模块，用于获取所述预设区域的遥感反射率及水色参数；
波普响应模拟模块，用于对所述高光谱遥感图像进行参考波普的响应模拟；及
反演模型构建模块，用于对叶绿素a的敏感波谱特性进行分析并构建叶绿素a的反演模型；
波普获取模块，用于通过对所述高光谱遥感图像进行预处理，获得所述预设区域的影像均值波谱；
掩膜处理模块，用于采用水体指数算法对所述高光谱遥感图像进行水体的掩膜提取；
叶绿素反演模块，用于将构建的叶绿素a的反演模型应用于预处理好的高光谱遥感图像，确定高光谱遥感影像中每个像元叶绿素a的浓度值，得到叶绿素a的反演结果；及
结果输出模块，用于输出所述叶绿素a的反演结果。
本发明实施例还提供一种叶绿素遥感反演方法，应用于水色参数反演设备，其中，所述方法包括：
从卫星地面接收站获取预设区域的高光谱遥感图像；
获取所述预设区域的遥感反射率及水色参数；
对所述高光谱遥感图像进行参考波普的响应模拟；及
对叶绿素a的敏感波谱特性进行分析并构建叶绿素a的反演模型；
通过对所述高光谱遥感图像进行预处理，获得所述预设区域的影像均值波谱；
采用水体指数算法对所述高光谱遥感图像进行水体的掩膜提取；
将构建的叶绿素a的反演模型应用于预处理好的高光谱遥感图像，确定高光谱遥感影像中每个像元叶绿素a的浓度值，得到叶绿素a的反演结果；及
输出所述叶绿素a的反演结果。
优选地，所述水色参数反演设备通过网络与多个预设区域分别设置的卫星地面接收站以及走航式观测设备通信连接，使所述遥感图像获取模块从卫星地面接收站获取预设区域的高光谱遥感图像所述，以及所述遥感图像获取模块通过所述走航式观测设备获取所述遥感反射率以及水色参数。
优选地，上述对所述高光谱遥感图像进行参考波普的响应模拟，包括：
通过卷积运算将上述获得的遥感反射率采集到HICO波段传感器实现模拟，模拟使用的计算公式如下：
其中，λ为波长，λmin为通道的起始波长，λmax为通道的终止波长，r(λ)为对应λ波长的地表反射率，f(λ)为光谱响应函数。
优选地，上述对叶绿素a的敏感波谱特性进行分析并构建叶绿素a的反演模型，的步骤包括：
基于模拟的高光谱影像的参考波谱，根据两波段算法，计算实测的叶绿素a浓度和Rrs(λ2)/Rrs(λ1)估算的叶绿素a的均方根误差(RMSE)，将最小的RMSE对应的λ1做为最优的波长；
其中，λ2的初始值设为600～700nm，λ1的选取范围在600～800nm之间，计算得到λ1为673nm，λ2为700nm，对于两波段算法得到最优两波段组合为[Rrs(700)/Rrs(673)]、最优四波段组合为[Rrs(674)-1-Rrs(687)-1]*[Rrs(723)-1-Rrs(673)-1]-1。
优选地，上述采用水体指数算法对所述高光谱遥感图像进行水体的掩膜提取，的步骤包括：
采用下述公式实现水体的掩膜提取：
NDWI＝(NIR-IR)/(IR+NIR)
其中，NIR为高光谱遥感图像的第62波段、IR为第44波段，NDWI<-0.05的图像部分为水体。
与现有技术相比，本发明实施例提供的叶绿素遥感反演装置及方法，通过叶绿素a光谱特性的敏感性分析，形成改进的叶绿素a反演模型，去除或削弱近岸水体复杂光学特性对叶绿素a的影响，可有效提高叶绿素a的反演精度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明较佳实施例提供的水色参数反演设备的方框示意图。
图2是本发明较佳实施例提供的应用于图1所示的水色参数反演设备的叶绿素遥感反演方法的流程图。
图3是图1所示的水色参数反演设备通过网络与多个卫星地面接收站通信的示意图。
图4是图1所示的水色参数反演设备通过网络与多个走航式观测设备通信的示意图。
图5为本发明实施例的叶绿素遥感反演模型的示意图。
图6是本发明一实例中叶绿素遥感反演验证结果示意图。
主要元件符号说明
水色参数反演设备 100
卫星地面接收站 200
走航式观测设备 300
叶绿素遥感反演装置 10
输入装置 11
存储器 12
处理器 13
遥感图像获取模块 101
水色参数获取模块 102
波普响应模拟模块 103
反演模型构建模块 104
波普获取模块 105
掩膜处理模块 106
叶绿素反演模块 107
结果输出模块 108
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，是本发明较佳实施例提供的基于水体组分光谱非线性效应校正以用于对近岸河口水色参数进行反演的水色参数反演设备100的方框示意图。所述水色参数反演设备100可以是，但不限于，个人电脑(personal computer，PC)、平板电脑、服务器等具备数据分析及处理能力的计算设备。
所述水色参数反演设备100还包括一叶绿素遥感反演装置10、输入装置11、存储器12以及处理器13。本发明较佳实施例中，叶绿素遥感反演装置10包括至少一个可以软件或固件(firmware)的形式存储于所述存储器12中或固化在所述水色参数反演设备100的操作***(operating system，OS)中的软件功能模块。所述处理器13用于执行所述存储器12中存储的可执行软件模块，例如所述叶绿素遥感反演装置10所包括的软件功能模块及计算机程序等。本实施例中，所述叶绿素遥感反演装置10也可以集成于所述操作***中，作为所述操作***的一部分。具体地，所述叶绿素遥感反演装置10包括遥感图像获取模块101、水色参数获取模块102、波普响应模拟模块103、反演模型构建模块104、波普获取模块105、掩膜处理模块106、叶绿素反演模块107以及结果输出模块108。所应说明的是，在其他实施例中，所述叶绿素遥感反演装置10包括的上述功能模块中的其中一部分也可省略，或者其还可以包括其他更多的功能模块。
下面将结合图2对上述各功能模块做详细介绍。
请参阅图2，是本发明较佳实施例提供的应用于图1所示的水色参数反演设备100的水色参数反演方法的流程图。下面将对图2所示的具体流程和步骤进行详细阐述。
步骤S01，所述遥感图像获取模块101从卫星地面接收站获取预设区域(或称“估算区”)的高光谱遥感图像。
详细地，如图3所示，可在不同的估算区设置卫星地面接收站200，以从卫星接收不同估算区的高光谱遥感图像。如此，水色参数反演设备100即可通过网络与所述卫星地面接收站建立通信连接，使得所述遥感图像获取模块101可从卫星地面接收站200获得所述高光谱遥感图像。所述一种实施方式中，所述高光谱遥感图像可以是使用卫星上设置的针对海岸的超光谱成像仪(Hyperspectral Imager for Coastal Ocean，HICO)获得。因此，所述高光谱遥感图像是一种HICO图像，可称为HICO高光谱遥感图像。
步骤S02，所述水色参数获取模块102获取所述预设区域的遥感反射率及水色参数。所述水色参数包括CDOM(有色可溶性有机物，Colored dissolved organic matter)、悬浮物、叶绿素a的浓度等。
本实施中，所述遥感反射率可通过对各探测样点(预设区域)的实地测量获得，所述水色参数可通过实验化验获得。可在设定的实验区的水域进行走航式观测，取各个样点的遥感反射率以及同步的水色参数，然后通过所述水色参数反演设备100的输入装置11参数(如鼠标、键盘等)手动录入的方式获得所述遥感反射率及水色参数。其中，可通过光谱采集方法在水面以上进行测量得到所述遥感反射率。在测量水体光谱时，为了避免阴影和太阳直射光照的影响，采用下述的观测几何角度。观测方位角为135°左右(设太阳入射的方位角为0°)，观测天顶角θ为40°左右。测量的数据包括：标准板反射辐亮度、遮挡直射阳光的标准板反射辐亮度、水面辐亮度、天空光辐亮度和标准板反射辐亮度。在测量波谱的同时，记录各测点的GPS坐标。在实验化验得到水色参数时，可将在各观测点采集的水体采样样本装在棕色瓶内密封冷冻保存，送到实验室测量。叶绿素a的测定采用分光光度法测量，悬浮物采用烘干称重法，CDOM的光谱吸收系数采用分光光度法测定。
另外，本实施例中，如图4所示，也可在设定的实验区或估算区(预设区域)，例如徐闻珊瑚礁自然保护区(25个点)、珠江口(18个点)、韩江河口(22个点)等三个试验区分别设置走航式观测设备300，由走航式观测设备300测试所述遥感反射率以及采集水样化验获得所述水色参数。进一步地，如图4所示，所述水色参数反演设备100可通过网络与所述多个实验区分别设置的走航式观测设备200通信，进而自动通过所述走航式观测设备200获取所述遥感反射率以及水色参数。
步骤S03，所述波普响应模拟模块103对所述高光谱遥感图像进行参考波普的响应模拟。
本实施例中，在该步骤S03中，为了保持地面波谱与遥感影像波谱分辨率的一致性，以及基于地面构建的反演模型对高空传感器的适用性，在模型校正与验证前，使用所述波普响应模拟模块103对所述高光谱遥感图像进行参考波普的响应模拟。模拟的方式可以通过卷积运算将上述获得的遥感反射率(野外实测的高光谱)采集到HICO波段传感器实现模拟。具体计算公式如下：
上式中，λ为波长，λmin为通道的起始波长，λmax为通道的终止波长，r(λ)为对应λ波长的地表反射率，f(λ)为光谱响应函数。
步骤S04，所述反演模型构建模块104对叶绿素a的敏感波谱特性进行分析并构建叶绿素a的反演模型。
详细地，基于模拟的HICO高光谱影像的参考波谱，可根据两波段算法，计算实测的叶绿素a浓度和Rrs(λ2)/Rrs(λ1)估算的叶绿素a的均方根误差(RMSE)，将最小的RMSE对应的λ1做为最优的波长。在一实例中，可设置λ2的初始值设为600～700nm，λ1的选取范围在600～800nm之间。如此，一实验得到的λ1为673nm，λ2为700nm，即对于两波段算法其最优波段组合为[Rrs(700)/Rrs(673)]，同样算法得到最优四波段组合是[Rrs(674)-1-Rrs(687)-1]*[Rrs(723)-1-Rrs(673)-1]-1，如此实现，基于叶绿素a敏感波谱特性的分析构建叶绿素a的反演模型。
步骤S05，所述波普获取模块105通过对所述高光谱遥感图像进行预处理，获得所述预设区域的影像均值波谱，即水体遥感反射率Rrs。其中，所述预处理包括常规辐射、大气校正和几何处理等。其中，大气模型参数根据实际信息进行设置：大气类型设置为中纬度冬季，气溶胶类型设置为海洋气溶胶类型，由于缺乏同步的大气信息，实验采用迭代算法，使得清水区域近红外波段的离水辐射率等于0，迭代求解大气气溶胶的光学厚度。
步骤S06，所述掩膜处理模块106采用水体指数算法对所述高光谱遥感图像进行水体的掩膜提取。在一实例中，可采用下述公式实现上述掩膜提取处理过程：
NDWI＝(NIR-IR)/(IR+NIR) (2)
式(2)中，NIR为HICO高光谱遥感图像的第62波段、IR为第44波段。通过实验分析，NDWI<-0.05为水体。
步骤S07，所述叶绿素反演模块107将构建的叶绿素a的反演模型应用于预处理好的高光谱遥感图像，确定高光谱遥感影像中每个像元叶绿素a的浓度值，得到叶绿素a的反演结果。
步骤S08，所述结果输出模块108将所述叶绿素a的反演结果输出。具体地，本实施例中，可通过所述水色参数反演设备100的输出装置，如显示器，输出所述反演结果，进而方便相关人员观测。
综上，可以总结本发明主要包括以下几个方面：
a.通过精确大气校正获得实验样区(预设区域)的影像均值波谱，即水体遥感反射率Rrs。大气模型参数设置非常关键，本发明中大气类型设置为中纬度冬季，气溶胶类型设置为海洋气溶胶类型，由于缺乏同步的大气信息，实验可采用迭代算法，使得清水区域近红外波段的离水辐射率等于0，迭代求解大气气溶胶光学厚度从而实现大气校正；
b.实测叶绿素a浓度的敏感光谱特性分析，可通过迭代计算获得最优两波段组合为[Rrs(700)/Rrs(673)]，以及最优四波段组合为[Rrs(674)-1-Rrs(687)-1]*[Rrs(723)-1-Rrs(673)-1]-1，将最优的两波段组合、四波段组合算法与叶绿素a浓度进行拟合，得到改进的近海叶绿素的反演模型，如下式
Chla＝-8.654+18.6557x1+58.4024x2 (3)
上式中，Chla为叶绿素a的浓度，x1为[Rrs(700)/Rrs(673)]，x2为[Rrs(674)-1-Rrs(687)-1]*[Rrs(723)-1-Rrs(673)-1]-1
本发明的算例结果表明，通过叶绿素a光谱特性的敏感性分析，采用迭代算法选择最优的两波段和四波段组合并将两者进行耦合形成改进的叶绿素a反演模型，综合考虑了近岸水体复杂光学特性对叶绿素a的影响，极大的提高了叶绿素a的反演精度。
以下通过实际试验案例对本发明实施例进行阐述。
1.实验地点：
在一个实验过程中，选择了徐闻珊瑚礁自然保护区、珠江口、韩江河口三个试验区，同步进行了水体采样和水体表面反射率的测量(共137个样点)，其中85个样点用于叶绿素a反演模型的构建，52个样点用于模型反演精度的评价(如下表1)。
表1 2005年～2013年野外试验采样点的位置、时间及测量项目
2.水体遥感反射率的获取
光谱采集方法采用水面以上测量法。在测量水体光谱时，为了避免阴影和太阳直射光照的影响，采用下述的观测几何角度。观测方位角为135°左右(设太阳入射的方位角为0°)，观测天顶角θ为40°左右。测量的数据包括：标准板反射辐亮度、遮挡直射阳光的标准板反射辐亮度、水面辐亮度、天空光辐亮度和标准板反射辐亮度。在测量波谱的同时，记录各测点的GPS坐标。
3.水质参数的化验
水体采样样本装在棕色瓶内密封冷冻保存，送到实验室测量。叶绿素a的测定采用分光光度法测量，悬浮物采用烘干称重法，CDOM的光谱吸收系数采用分光光度法测定。
4.HICO影像参考波谱响应的模拟
为了保持地面波谱与遥感影像光谱分辨率的一致性，以及基于地面构建的反演模型对高空传感器的适用性，在模型校正与验证前，通过卷积运算将野外实测的高光谱反射率采集到HICO波段传感器。
5.叶绿素a敏感波谱特性分析
基于实测叶绿素a浓度的敏感光谱特性分析，通过迭代计算获得最优两波段组合为[Rrs(700)/Rrs(673)]，以及最优四波段组合为[Rrs(674)-1-Rrs(687)-1]*[Rrs(723)-1-Rrs(673)-1]-1。
6.改进的叶绿素a遥感反演模型构建
改进的模型是将两波段和四波段组合，达到去除有色可溶性有机物(CDOM)影响的目的。将137个叶绿素a浓度数据按从小到大的顺序排列，每隔3个数据抽取5个数据，共抽取2/3的数据用于建模。1/3的独立数据用于验证。得到的改进后的反演模型更适用于复杂水域的叶绿素a的反演工作，实测叶绿素a浓度与波段指数两组数量之间存在更有说服力的相关性。数值拟合(R2＝0.8874)比其他算法具有更好的适用性。改进模型如图5所示。
7.HICO高光谱遥感影像的预处理
通过对HICO高光谱遥感图像进行预处理，包括常规辐射、大气校正和几何处理，获得实验样区的影像均值波谱，即水体遥感反射率。其中大气模型参数根据实际信息进行设置：大气类型设置为中纬度冬季，气溶胶类型设置为海洋气溶胶类型，由于缺乏同步的大气信息，实验采用迭代算法，使得清水区域近红外波段的离水辐射率等于0，迭代求解大气气溶胶的光学厚度。采用水体指数算法进行水体的掩膜提取，通过实验分析，NDWI<-0.05为水体。
8.反演结果验证
验证结果见图6。可以看出改进后模型建模数据(N＝85)的验证结果RMSE＝4.0035μg/L，MAE＝2.9782μg/L，其独立验证数据(N＝52)的验证结果为RMSE＝4.3555μg/L，MAE＝3.5534μg/L。改进模型叶绿素a反演模型具有较高的反演精度。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种叶绿素遥感反演装置，应用于水色参数反演设备，其特征在于，所述叶绿素遥感反演装置包括：
遥感图像获取模块，用于从卫星地面接收站获取预设区域的高光谱遥感图像；
水色参数获取模块，用于获取所述预设区域的遥感反射率及水色参数；
波普响应模拟模块，用于对所述高光谱遥感图像进行参考波普的响应模拟；及
反演模型构建模块，用于对叶绿素a的敏感波谱特性进行分析并构建叶绿素a的反演模型；
波普获取模块，用于通过对所述高光谱遥感图像进行预处理，获得所述预设区域的影像均值波谱；
掩膜处理模块，用于采用水体指数算法对所述高光谱遥感图像进行水体的掩膜提取；
叶绿素反演模块，用于将构建的叶绿素a的反演模型应用于预处理好的高光谱遥感图像，确定高光谱遥感影像中每个像元叶绿素a的浓度值，得到叶绿素a的反演结果；及
结果输出模块，用于输出所述叶绿素a的反演结果。
2.如权利要求1所述的叶绿素遥感反演装置，其特征在于，所述水色参数反演设备通过网络与多个预设区域分别设置的卫星地面接收站以及走航式观测设备通信连接，使所述遥感图像获取模块从卫星地面接收站获取预设区域的高光谱遥感图像所述，以及所述遥感图像获取模块通过所述走航式观测设备获取所述遥感反射率以及水色参数。
3.如权利要求1所述的叶绿素遥感反演装置，其特征在于，所述波普响应模拟模块对所述高光谱遥感图像进行参考波普的响应模拟的方式包括：
通过卷积运算将上述获得的遥感反射率采集到HICO波段传感器实现模拟，模拟使用的计算公式如下：
其中，λ为波长，λmin为通道的起始波长，λmax为通道的终止波长，r(λ)为对应λ波长的地表反射率，f(λ)为光谱响应函数。
4.如权利要求1所述的叶绿素遥感反演装置，其特征在于，所述反演模型构建模块通过以下方式对叶绿素a的敏感波谱特性进行分析并构建叶绿素a的反演模型：
基于模拟的高光谱影像的参考波谱，根据两波段算法，计算实测的叶绿素a浓度和Rrs(λ2)/Rrs(λ1)估算的叶绿素a的均方根误差(RMSE)，将最小的RMSE对应的λ1做为最优的波长；
其中，λ2的初始值设为600～700nm，λ1的选取范围在600～800nm之间，计算得到λ1为673nm，λ2为700nm，对于两波段算法得到最优两波段组合为[Rrs(700)/Rrs(673)]、最优四波段组合为[Rrs(674)-1-Rrs(687)-1]*[Rrs(723)-1-Rrs(673)-1]-1。
5.如权利要求1所述的叶绿素遥感反演装置，其特征在于，所述掩膜处理模块采用水体指数算法对所述高光谱遥感图像进行水体的掩膜提取的方式包括：
采用下述公式实现水体的掩膜提取：
NDWI＝(NIR-IR)/(IR+NIR)
其中，NIR为高光谱遥感图像的第62波段、IR为第44波段，NDWI<-0.05的图像部分为水体。
6.一种叶绿素遥感反演方法，应用于水色参数反演设备，其特征在于，所述方法包括：
从卫星地面接收站获取预设区域的高光谱遥感图像；
获取所述预设区域的遥感反射率及水色参数；
对所述高光谱遥感图像进行参考波普的响应模拟；及
对叶绿素a的敏感波谱特性进行分析并构建叶绿素a的反演模型；
通过对所述高光谱遥感图像进行预处理，获得所述预设区域的影像均值波谱；
采用水体指数算法对所述高光谱遥感图像进行水体的掩膜提取；
将构建的叶绿素a的反演模型应用于预处理好的高光谱遥感图像，确定高光谱遥感影像中每个像元叶绿素a的浓度值，得到叶绿素a的反演结果；及
输出所述叶绿素a的反演结果。
7.如权利要求6所述的叶绿素遥感反演方法，其特征在于，所述水色参数反演设备通过网络与多个预设区域分别设置的卫星地面接收站以及走航式观测设备通信连接，以通过网络从卫星地面接收站获取预设区域的高光谱遥感图像所述，以及通过所述走航式观测设备获取所述遥感反射率以及水色参数。
8.如权利要求6所述的叶绿素遥感反演方法，其特征在于，对所述高光谱遥感图像进行参考波普的响应模拟，的步骤包括：
通过卷积运算将上述获得的遥感反射率采集到HICO波段传感器实现模拟，模拟使用的计算公式如下：
其中，λ为波长，λmin为通道的起始波长，λmax为通道的终止波长，r(λ)为对应λ波长的地表反射率，f(λ)为光谱响应函数。
9.如权利要求6所述的叶绿素遥感反演方法，其特征在于，对叶绿素a的敏感波谱特性进行分析并构建叶绿素a的反演模型，的步骤包括：
基于模拟的高光谱影像的参考波谱，根据两波段算法，计算实测的叶绿素a浓度和Rrs(λ2)/Rrs(λ1)估算的叶绿素a的均方根误差(RMSE)，将最小的RMSE对应的λ1做为最优的波长；
其中，λ2的初始值设为600～700nm，λ1的选取范围在600～800nm之间，计算得到λ1为673nm，λ2为700nm，对于两波段算法得到最优两波段组合为[Rrs(700)/Rrs(673)]、最优四波段组合为[Rrs(674)-1-Rrs(687)-1]*[Rrs(723)-1-Rrs(673)-1]-1。
10.如权利要求6所述的叶绿素遥感反演方法，其特征在于，采用水体指数算法对所述高光谱遥感图像进行水体的掩膜提取，的步骤包括：
采用下述公式实现水体的掩膜提取：
NDWI＝(NIR-IR)/(IR+NIR)
其中，NIR为高光谱遥感图像的第62波段、IR为第44波段，NDWI<-0.05的图像部分为水体。
CN201710223339.1A 2017-04-07 2017-04-07 叶绿素遥感反演装置及方法 Expired - Fee Related CN107014763B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710223339.1A CN107014763B (zh) 2017-04-07 2017-04-07 叶绿素遥感反演装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710223339.1A CN107014763B (zh) 2017-04-07 2017-04-07 叶绿素遥感反演装置及方法

Publications (2)

Publication Number Publication Date
CN107014763A true CN107014763A (zh) 2017-08-04
CN107014763B CN107014763B (zh) 2019-11-26

Family

ID=59446072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710223339.1A Expired - Fee Related CN107014763B (zh) 2017-04-07 2017-04-07 叶绿素遥感反演装置及方法

Country Status (1)

Country Link
CN (1) CN107014763B (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009132A (zh) * 2017-12-04 2018-05-08 海南大学 基于海水中叶绿素a含量变化的台风区域灾害评估方法
CN108956505A (zh) * 2018-09-18 2018-12-07 航天信德智图（北京）科技有限公司 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置
CN109269988A (zh) * 2018-10-15 2019-01-25 广州地理研究所 一种氨氮的识别方法、装置、存储介质及设备
CN109269990A (zh) * 2018-10-15 2019-01-25 广州地理研究所 一种总磷的识别方法、装置、存储介质及设备
CN109269991A (zh) * 2018-10-15 2019-01-25 广州地理研究所 一种总磷的识别方法、装置、存储介质及设备
CN109269992A (zh) * 2018-10-15 2019-01-25 广州地理研究所 一种氨氮的识别方法、装置、存储介质及设备
CN109709061A (zh) * 2019-01-11 2019-05-03 中国科学院烟台海岸带研究所 一种太阳耀光非敏感水体指数的去耀光方法
CN110196239A (zh) * 2019-06-12 2019-09-03 中国科学院南京地理与湖泊研究所 浑浊水体浮游植物吸收系数光谱遥感反演方法
CN110849814A (zh) * 2019-11-20 2020-02-28 平衡机器科技(深圳)有限公司 一种基于多源遥感卫星的遥感影像处理方法
CN110927065A (zh) * 2019-11-02 2020-03-27 生态环境部卫星环境应用中心 遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置
CN111504915A (zh) * 2020-04-27 2020-08-07 中国科学技术大学先进技术研究院 反演水体叶绿素浓度的方法、装置、设备及存储介质
CN111650131A (zh) * 2020-06-18 2020-09-11 中国科学院烟台海岸带研究所 一种高泥沙含量水体表层叶绿素a浓度反演方法
CN111781147A (zh) * 2020-07-06 2020-10-16 淮阴师范学院 基于两波段的内陆湖泊水体叶绿素a浓度遥感反演模型和方法
CN111879709A (zh) * 2020-07-15 2020-11-03 中国科学院空天信息创新研究院 湖泊水体光谱反射率检验方法及装置
CN112014331A (zh) * 2020-08-21 2020-12-01 中国第一汽车股份有限公司 一种水体污染的检测方法、装置、设备以及存储介质
CN112034480A (zh) * 2020-07-16 2020-12-04 浙江大学 一种双波长海洋激光雷达探测的波长择优方法
CN112131746A (zh) * 2020-09-24 2020-12-25 中国科学院空天信息创新研究院 叶绿素a浓度反演方法及***
CN112161959A (zh) * 2020-09-25 2021-01-01 山东省科学院海洋仪器仪表研究所 一种基于荧光光谱全局重构的叶绿素浓度测量方法
CN112504979A (zh) * 2020-11-12 2021-03-16 内蒙古工业大学 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置
CN117890308A (zh) * 2024-01-17 2024-04-16 中国海洋大学 大气层顶辐亮度数据反演海表叶绿素a浓度的方法及装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4343312A1 (en) * 2022-09-20 2024-03-27 Yara International ASA A method and system for remote chlorophyll detection and determination of measurement regions for chlorophyll direct measurement

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100111369A1 (en) * 2008-09-26 2010-05-06 Robert Lussier Portable Intelligent Fluorescence and Transmittance Imaging Spectroscopy System
CN101852722A (zh) * 2010-05-20 2010-10-06 北京航空航天大学 一种实现水体叶绿素a遥感反演精度评估方法
US20110047867A1 (en) * 2003-11-07 2011-03-03 Holland Kyle H Plant treatment based on a water invariant chlorophyll index
CN102313526A (zh) * 2010-07-07 2012-01-11 中国科学院地理科学与资源研究所 一种多角度与多光谱遥感数据定量融合反演叶面积指数的方法
CN102508959A (zh) * 2011-10-31 2012-06-20 南京师范大学 反演高浑浊度水体中叶绿素a浓度的四波段半分析模型
CN102721644A (zh) * 2012-06-21 2012-10-10 中国科学院对地观测与数字地球科学中心 一种水环境遥感数据处理方法及装置
CN104820224A (zh) * 2015-05-08 2015-08-05 中国科学院南京地理与湖泊研究所 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法
CN105987879A (zh) * 2016-04-12 2016-10-05 山东理工大学 近岸河口水色参数反演装置
CN106053370A (zh) * 2016-08-02 2016-10-26 山东省科学院海洋仪器仪表研究所 一种基于hico模拟的反演近海岸水体透明度的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110047867A1 (en) * 2003-11-07 2011-03-03 Holland Kyle H Plant treatment based on a water invariant chlorophyll index
US20100111369A1 (en) * 2008-09-26 2010-05-06 Robert Lussier Portable Intelligent Fluorescence and Transmittance Imaging Spectroscopy System
CN101852722A (zh) * 2010-05-20 2010-10-06 北京航空航天大学 一种实现水体叶绿素a遥感反演精度评估方法
CN102313526A (zh) * 2010-07-07 2012-01-11 中国科学院地理科学与资源研究所 一种多角度与多光谱遥感数据定量融合反演叶面积指数的方法
CN102508959A (zh) * 2011-10-31 2012-06-20 南京师范大学 反演高浑浊度水体中叶绿素a浓度的四波段半分析模型
CN102721644A (zh) * 2012-06-21 2012-10-10 中国科学院对地观测与数字地球科学中心 一种水环境遥感数据处理方法及装置
CN104820224A (zh) * 2015-05-08 2015-08-05 中国科学院南京地理与湖泊研究所 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法
CN105987879A (zh) * 2016-04-12 2016-10-05 山东理工大学 近岸河口水色参数反演装置
CN106053370A (zh) * 2016-08-02 2016-10-26 山东省科学院海洋仪器仪表研究所 一种基于hico模拟的反演近海岸水体透明度的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
从丽侠: "闽江福州段水质遥感监测及其与土地利用联动分析", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *
张方方: "基于软分类的太湖水体叶绿素a浓度遥感反演与长时间序列分析", 《中国博士学位论文全文数据库 工程科技I辑》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009132A (zh) * 2017-12-04 2018-05-08 海南大学 基于海水中叶绿素a含量变化的台风区域灾害评估方法
CN108956505A (zh) * 2018-09-18 2018-12-07 航天信德智图（北京）科技有限公司 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置
CN108956505B (zh) * 2018-09-18 2021-05-28 航天信德智图（北京）科技有限公司 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置
CN109269988A (zh) * 2018-10-15 2019-01-25 广州地理研究所 一种氨氮的识别方法、装置、存储介质及设备
CN109269990A (zh) * 2018-10-15 2019-01-25 广州地理研究所 一种总磷的识别方法、装置、存储介质及设备
CN109269991A (zh) * 2018-10-15 2019-01-25 广州地理研究所 一种总磷的识别方法、装置、存储介质及设备
CN109269992A (zh) * 2018-10-15 2019-01-25 广州地理研究所 一种氨氮的识别方法、装置、存储介质及设备
CN109709061A (zh) * 2019-01-11 2019-05-03 中国科学院烟台海岸带研究所 一种太阳耀光非敏感水体指数的去耀光方法
CN109709061B (zh) * 2019-01-11 2021-03-16 中国科学院烟台海岸带研究所 一种太阳耀光非敏感水体指数的去耀光方法
CN110196239A (zh) * 2019-06-12 2019-09-03 中国科学院南京地理与湖泊研究所 浑浊水体浮游植物吸收系数光谱遥感反演方法
CN110927065A (zh) * 2019-11-02 2020-03-27 生态环境部卫星环境应用中心 遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置
CN110849814A (zh) * 2019-11-20 2020-02-28 平衡机器科技(深圳)有限公司 一种基于多源遥感卫星的遥感影像处理方法
CN111504915A (zh) * 2020-04-27 2020-08-07 中国科学技术大学先进技术研究院 反演水体叶绿素浓度的方法、装置、设备及存储介质
CN111650131A (zh) * 2020-06-18 2020-09-11 中国科学院烟台海岸带研究所 一种高泥沙含量水体表层叶绿素a浓度反演方法
CN111650131B (zh) * 2020-06-18 2023-12-19 中国科学院烟台海岸带研究所 一种高泥沙含量水体表层叶绿素a浓度反演方法
CN111781147A (zh) * 2020-07-06 2020-10-16 淮阴师范学院 基于两波段的内陆湖泊水体叶绿素a浓度遥感反演模型和方法
CN111879709B (zh) * 2020-07-15 2023-05-30 中国科学院空天信息创新研究院 湖泊水体光谱反射率检验方法及装置
CN111879709A (zh) * 2020-07-15 2020-11-03 中国科学院空天信息创新研究院 湖泊水体光谱反射率检验方法及装置
CN112034480A (zh) * 2020-07-16 2020-12-04 浙江大学 一种双波长海洋激光雷达探测的波长择优方法
CN112034480B (zh) * 2020-07-16 2022-12-20 浙江大学 一种双波长海洋激光雷达探测的波长择优方法
CN112014331A (zh) * 2020-08-21 2020-12-01 中国第一汽车股份有限公司 一种水体污染的检测方法、装置、设备以及存储介质
CN112131746A (zh) * 2020-09-24 2020-12-25 中国科学院空天信息创新研究院 叶绿素a浓度反演方法及***
CN112131746B (zh) * 2020-09-24 2024-05-31 中国科学院空天信息创新研究院 叶绿素a浓度反演方法及***
CN112161959A (zh) * 2020-09-25 2021-01-01 山东省科学院海洋仪器仪表研究所 一种基于荧光光谱全局重构的叶绿素浓度测量方法
CN112504979A (zh) * 2020-11-12 2021-03-16 内蒙古工业大学 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置
CN117890308A (zh) * 2024-01-17 2024-04-16 中国海洋大学 大气层顶辐亮度数据反演海表叶绿素a浓度的方法及装置

Also Published As

Publication number Publication date
CN107014763B (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN107014763B (zh) 叶绿素遥感反演装置及方法
Bernardo et al. Atmospheric correction issues for retrieving total suspended matter concentrations in inland waters using OLI/Landsat-8 image
Dierssen et al. Ocean color remote sensing of seagrass and bathymetry in the Bahamas Banks by high‐resolution airborne imagery
CN111289441B (zh) 多光谱下的大田作物含水量确定方法、***及设备
CN104820224B (zh) 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法
Rautiainen et al. Coupling forest canopy and understory reflectance in the Arctic latitudes of Finland
CN109738367B (zh) 通过无人机上高光谱传感器反演河口湿地水环境要素方法
CN108956505B (zh) 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置
CN102103203A (zh) 基于环境一号卫星的地表温度单窗反演方法
Li et al. Estimation of chlorophyll-a concentrations in a highly turbid eutrophic lake using a classification-based MODIS land-band algorithm
CN109799199B (zh) 一种叶绿素a浓度的协同反演方法
CN113324656B (zh) 无人机搭载红外遥感的地表热异常探测方法及***
CN113252583B (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
Ye et al. Atmospheric correction of Landsat-8/OLI imagery in turbid estuarine waters: A case study for the Pearl River estuary
Chen et al. A simple atmospheric correction algorithm for MODIS in shallow turbid waters: A case study in Taihu Lake
CN105891124B (zh) 近岸河口水色参数反演装置及方法
CN105987879B (zh) 近岸河口水色参数反演装置
CN114705632B (zh) 一种利用卫星遥感反射率估算水库营养状态指数的方法
Lou et al. An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data
Zhang et al. Analysis of the water color transitional change in Qinghai Lake during the past 35 years observed from Landsat and MODIS
González Trilla et al. Relating biophysical parameters of coastal marshes to hyperspectral reflectance data in the Bahia Blanca Estuary, Argentina
Jun et al. Spectral geometric triangle properties of chlorophyll-a inversion in Taihu Lake based on TM data
Guo et al. an expanded three band model to monitor inland optically complex water using Geostationary Ocean Color Imager (GOCI)
CN105259145A (zh) 一种同时遥感岛礁水下地形和地物的方法
CN114674461A (zh) 海表温度的确定方法、装置及可读存储介质

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191126

Termination date: 20200407

CF01 Termination of patent right due to non-payment of annual fee