CN112464746B - 一种卫星影像和机器学习的水质监测方法及*** - Google Patents
一种卫星影像和机器学习的水质监测方法及*** Download PDFInfo
- Publication number
- CN112464746B CN112464746B CN202011243483.XA CN202011243483A CN112464746B CN 112464746 B CN112464746 B CN 112464746B CN 202011243483 A CN202011243483 A CN 202011243483A CN 112464746 B CN112464746 B CN 112464746B
- Authority
- CN
- China
- Prior art keywords
- water quality
- data
- satellite image
- image data
- satellite
- 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
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Image Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
Abstract
本发明公开了一种卫星影像和机器学习的水质监测方法,包括:分别对获取的第一卫星、第二卫星影像数据进行预处理,生成反射率数据;根据不同季节和不同地物,建立不同传感器的辐射归一化模型;建立基于权重滤波的时空融合模型;基于时空融合结果的时间信息,及地面监测站的水质监测数据的空间信息,建立水质参数反演数据库;筛选水质参数反演数据库,提取训练集和测试集数据,利用多种机器学习算法,建立水质参数的反演模型;根据生成的反射率影像数据集和建立的水质参数反演模型,输出水质反演成果。建立了基于机器学习的水质参数反演模型,模型精度高,得到的水质参数反演成果能够反映水质参数的空间分布情况。
Description
技术领域
本发明属于城市地表水环境水质监测技术领域,具体地涉及一种卫星影像和机器学习的长时间连续地表水质监测方法及***。
背景技术
地表水环境水质监测是环境监测的主要内容之一,是准确、及时、全面地反映水质现状及发展趋势,为水环境管理、污染源控制、环境规划等提供科学依据,对整个水环境保护、水污染控制以及维护水环境健康方面起着至关重要的作用。现阶段地表水环境水质监测主要有以下方法:
传统城市地表水环境水质监测方法,以手工、自动站点监测为主,时间、人工成本较高,且点状数据在流域、湖体整体水质分布情况分析、环境质量监管、管控方面难以得到较好的应用。
卫星遥感影像数据进行水环境质量监测,例如公告号为CN 108507949 A的中国专利公开了一种基于高分遥感卫星的河道水质监测方法,基于高分遥感卫星从地面站获取待监测河道的高分遥感影像a并调取待监测河道所在区域的数字地形图;预处理模块对高分遥感影像a进行预处理后获得n幅位于不同波段的可显示完整的待监测河道的影像的高分遥感影像c;控制器将各参考位置点的实际质量浓度与各参考位置点在各高分遥感影像c上的反射率作回归分析并得到对应的回归方程,然后基于离散程度最小的回归方程建立关于参考位置点的实际质量浓度和各参考位置在各高分遥感影像c上对应位置处的反射率之间的关系函数;控制器计算监控点在n个高分遥感影像c上的反射率,依据所述关系函数,计算出监控点处的水质参数的质量浓度。卫星遥感影像数据进行水环境质量监测,一般利用水体反射率数据和地面站点水质监测数据建立水质参数反演模型。通常基于水色特征选取特征波段或特征参数,通过经验或半经验方法建立水质参数与影像之间的回归关系,回归模型以多元线性模型为主,且人工参与特征波段或特征参数的选取,难以深入挖掘水质参数与水体反射率数据之间的内在关联。
其中,利用卫星遥感影像进行对地环境监测,受遥感载荷的时间分辨率、空间分辨率的影响,存在以下两个问题:
a卫星载荷过境周期短,往往卫星载荷空间分辨率低,难以针对微小目标地物进行有效监测;
b影像空间分辨率高,但往往卫星载荷重访周期较长,不能针对目标地物进行短时间的连续监测。同时卫星遥感影像还受云层覆盖影响,能够有效利用数据较少,难以实现对精细地物的长时间序列连续监测。本发明因此而来。
发明内容
针对上述存在的技术问题,本发明的目的是提供一种卫星影像和机器学习的水质监测方法及***,将监测站点的监测数据和遥感影像光谱数据进行多源有效融合,建立了基于机器学习的水质参数反演模型,模型精度高,得到的水质参数反演成果能够反映水质参数的空间分布情况。在污染源溯源、环境质量管控等方面提供空间数据支持。
本发明的技术方案是:
一种卫星影像和机器学习的水质监测方法,包括以下步骤:
S01:获取第一卫星影像数据和第二卫星影像数据;
S02:分别对获取的第一卫星影像数据和第二卫星影像数据进行预处理,并生成第一卫星影像反射率数据和第二卫星影像反射率数据;
S03:根据不同季节和不同地物,建立不同传感器之间的辐射归一化模型,对第一、第二卫星影像反射率数据进行同化,生成辐射差异较小且波段数量相同的第一、第二卫星影像反射率数据;
S04:基于不同源影像数据的同化结果,利用第二卫星影像地物反射率的时间信息,以及第一卫星影像数据的空间信息,建立基于权重滤波的时空融合模型,生成长时间序列连续的高空间分辨率遥感反射率影像数据集;
S05:基于时空融合结果的时间信息,以及地面监测站的水质监测数据的空间信息,筛选反射率影像数据和水质监测数据,建立水质参数反演数据库;筛选水质参数反演数据库,提取训练集和测试集数据,利用多种机器学习算法,建立水质参数的反演模型;
S06:根据步骤S04生成的反射率影像数据集和建立的水质参数反演模型,输出水质参数反演成果。
优选的技术方案中,所述步骤S03中建立不同传感器的辐射归一化模型包括:
S31:基于高空间分辨率的第一卫星影像数据进行地物分类,将影像按照地物类型分类;
S32:按照季节及地物分类生成第一卫星影像数据集和第二卫星影像数据集;
S33:根据生成的影像数据集,基于邻近波段之间的相关性建立第一卫星影像的反射率数据的辐射归一化模型,将第二反射率数据同化为第一反射率数据,并建立第一卫星影像数据和同化后的第二卫星影像数据对。
优选的技术方案中,所述步骤S04中建立基于权重滤波的时空融合模型包括:
S41:以目标像元为中心像元,在邻域范围内设定一个搜索框,并按照设定的搜索规则在搜索框内逐像元选取与中心像元具有光谱和时间一致性的像元作为相似像元;
S42:根据相似像元与中心像元在光谱维和空间维的差异计算每个相似像元的权重比;
S43:根据设定的融合规则计算预测时刻目标像元值,对图像中所有像元逐一计算生成预测时刻高空间分辨率影像。
优选的技术方案中,所述步骤S41中按照设定的搜索规则在搜索框内逐像元选取与中心像元具有光谱和时间一致性的像元作为相似像元包括:
计算每一参考时刻搜索框内每个像元与中心像元值的差值,并与设定阈值比较;
若搜索框内每个像元与中心像元值的差值小于等于阈值,则判断该像元为相似像元,即|F(xi,yj,tk,B)-F(xw/2,yw/2,tk,B)|≤2ω(B)/m;
式中,F(xi,yj,tk,B)和F(xw/2,yw/2,tk,B)分别表示在参考时刻tk第一卫星搜索框内相似像元(xi,yj)和中心像元(xw/2,yw/2)在第B个波段的像元值,w表示邻域内搜索窗口大小,ω(B)表示第一卫星整幅图像在第B个波段的标准差,m表示分类数;
针对每一参考时刻进行相似像元选取,对其取交集,作为最终相似像元选取的结果;
优选的技术方案中,所述步骤S42权重计算步骤包括:
S421:计算基于参考时刻第一卫星影像的空间距离Dijk:
其中,Dijk表示相似像元与中心像元的空间距离,A为常数;
S422:计算不同源影像上(xi,yj)处相似像元在所有参考时刻和波段间的相关系数Rij:
式中,E表示均值,G表示方差,和分别表示相似像元(xi,yj)在第一卫星影像和第二卫星影像上各个波段和所有参考时刻的像元值的集合;
S423:考虑上述两个因素,并进行归一化处理,形成相似像元的权重Wijk:
其中,Pijk=(1-Rij)×Dijk。
优选的技术方案中,所述步骤S43计算预测时刻目标像元值,包括:
S431:对某一参考时刻tk的图像数据计算预测时刻tp的中心像元值,公式为:
式中,C(xi,yj,tk,B)和C(xi,yj,tp,B)分别表示参考时刻tk和预测时刻tp低空间分辨率图像搜索框内相似像元(xi,yj)在第B个波段的像元值,V表示转换系数;
S432:综合多个参考时刻预测结果,得到最终的目标像元值:
其中,Tk为:
优选的技术方案中,所述步骤S05建立水质参数的反演模型包括:
基于时空融合结果,构建波段间的两两比值、归一化值变量作为自变量,监测数据作为因变量,采用多种机器学习算法构建水质反演模型,选取精度最优反演模型;模型精度计算公式为:
式中,MAPE为平均相对误差,yi为实际监测值,为模型预测值,n为测试集因变量个数。
本发明还公开了一种卫星影像和机器学习的水质监测***,包括:
遥感影像获取模块,获取第一卫星影像数据和第二卫星影像数据;
遥感影像预处理模块,分别对获取的第一卫星影像数据和第二卫星影像数据进行预处理,并生成第一卫星影像反射率数据和第二卫星影像反射率数据;
不同源影像辐射归一化模块,根据不同季节和不同地物,建立不同传感器之间的辐射归一化模型,对第一、第二卫星影像反射率数据进行同化,生成辐射差异较小且波段数量相同的第一、第二卫星影像反射率数据;
遥感影像时空融合模块,基于不同源影像数据的同化结果,利用第二卫星影像地物反射率的时间信息,以及第一卫星影像数据的空间信息,建立基于权重滤波的时空融合模型,生成长时间序列连续的高空间分辨率遥感反射率影像数据集;
水质参数反演模型模块,基于时空融合结果的时间信息,以及地面监测站的水质监测数据的空间信息,筛选反射率影像数据和水质监测数据,建立水质参数反演数据库;筛选水质参数反演数据库,提取训练集和测试集数据,利用多种机器学习算法,建立水质参数的反演模型;
水质参数反演成果输出模块,根据生成的反射率影像数据集和建立的水质参数反演模型,输出水质参数反演成果。
优选的技术方案中,所述不同源影像辐射归一化模块中建立不同传感器的辐射归一化模型包括:
S31:基于高空间分辨率的第一卫星影像数据进行地物分类,将影像按照地物类型分类;
S32:按照季节及地物分类生成第一卫星影像数据集和第二卫星影像数据集;
S33:根据生成的影像数据集,基于邻近波段之间的相关性建立第一卫星影像的反射率数据的辐射归一化模型,将第二反射率数据同化为第一反射率数据,并建立第一卫星影像数据和同化后的第二卫星影像数据对。
优选的技术方案中,所述遥感影像时空融合模块中建立基于权重滤波的时空融合模型包括:
S41:以目标像元为中心像元,在邻域范围内设定一个搜索框,并按照设定的搜索规则在搜索框内逐像元选取与中心像元具有光谱和时间一致性的像元作为相似像元;
S42:根据相似像元与中心像元在光谱维和空间维的差异计算每个相似像元的权重比;
S43:根据设定的融合规则计算预测时刻目标像元值,对图像中所有像元逐一计算生成预测时刻高空间分辨率影像。
与现有技术相比,本发明的有益效果是:
1、本发明构建了一种基于遥感影像的水质参数监测方法,将监测站点的监测数据和遥感影像光谱数据进行有效融合,通过水质参数反演算法生成水质空间数据,在污染源溯源、环境质量管控等方面提供空间数据支持。
2、本发明为缓解卫星遥感载荷的时空矛盾问题,首先建立了不同源影像反射率数据同化方法体系,利用基于空间滤波的时空融合方法,将哨兵2号卫星影像的高空间属性特征和哨兵3号卫星影像的高时间分辨率属性特征进行有效融合,生成同时具备高时间高空间分辨率属性特征的遥感影像数据,为城市水环境研究提供长时间连续的融合影像数据集。
3、本发明利用同时具备高时间、高空间分辨率属性特征的融合影像数据集,以及长时间序列的水质监测数据,利用随机森林、神经网络等机器学习算法搭建了水质参数反演模型,相比传统算法,水质参数反演精度得到提升,为城市水环境监测和管理提供水质空间分布数据集。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1为本发明卫星影像和机器学习的水质监测方法的流程图;
图2为本发明不同源遥感影像融合流程示意图;
图3为本发明水质参数反演模型构建流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
实施例:
一种卫星影像和机器学习的水质监测***,主要包括遥感影像获取模块、遥感影像预处理模块、不同源遥感影像辐射归一化模块、遥感影像时空融合模块、水质参数反演模型模块、水质参数反演成果输出模块。旨在利用遥感卫星影像反射率数据,通过水质参数反演模型,得到能够表征地表水环境质量空间分布特征的水质参数反演成果。为解决遥感影像受载荷硬件限制而导致的时间和空间分辨率的矛盾问题,构建了不同传感器之间反射率的同化体系,同时建立了基于空间滤波的时空融合算法模型,实现了高空间低时间分辨率影像和低空间高时间分辨率影像的融合,生成高空间高时间分辨率影像数据集。传统方法水质参数反演模型通常为经验或半经验模型,人工选取特征波段,通常反演模型精度较低,本发明建立了基于机器学习的水质参数反演模型,模型精度高,得到的水质参数反演成果能够反映水质参数的空间分布情况。
具体的各模块的功能如下:
遥感影像获取模块,获取第一卫星影像数据和第二卫星影像数据;
遥感影像预处理模块,分别对获取的第一卫星影像数据和第二卫星影像数据进行预处理,并生成第一卫星影像反射率数据和第二卫星影像反射率数据;
不同源影像辐射归一化模块,根据不同季节和不同地物,建立不同传感器的辐射归一化模型,生成辐射差异较小且波段数量相同的第一、第二卫星影像反射率数据;
遥感影像时空融合模块,基于不同源影像数据的同化结果,利用第二卫星影像地物反射率的时间信息,以及第一卫星影像数据的空间信息,建立基于权重滤波的时空融合模型,生成长时间序列连续的高空间分辨率遥感反射率影像数据集;
水质参数反演模型模块,基于时空融合结果的时间信息,以及地面监测站的水质监测数据的空间信息,筛选反射率影像数据和水质监测数据,建立水质参数反演数据库;筛选水质参数反演数据库,提取训练集和测试集数据,利用多种机器学习算法,建立水质参数的反演模型;
水质参数反演成果输出模块,根据生成的反射率影像数据集和建立的水质参数反演模型,输出水质参数反演成果。
如图1所示,本发明的卫星影像和机器学习的水质监测方法,包括以下步骤:
S01:获取第一卫星影像数据和第二卫星影像数据;
S02:分别对获取的第一卫星影像数据和第二卫星影像数据进行预处理,并生成第一卫星影像反射率数据和第二卫星影像反射率数据;
S03:根据不同季节和不同地物,建立不同传感器之间的辐射归一化模型,生成辐射差异较小且波段数量相同的第一、第二卫星影像反射率数据;
S04:基于不同源影像数据的同化结果,利用第二卫星影像地物反射率的时间信息,以及第一卫星影像数据的空间信息,建立基于权重滤波的时空融合模型,生成长时间序列连续的高空间分辨率遥感反射率影像数据集;
S05:基于时空融合结果的时间信息,以及地面监测站的水质监测数据的空间信息,筛选反射率影像数据和水质监测数据,建立水质参数反演数据库;筛选水质参数反演数据库,提取训练集和测试集数据,利用多种机器学习算法,建立水质参数的反演模型;
S06:根据步骤S04生成的反射率影像数据集和建立的水质参数反演模型,输出水质参数反演成果。
具体的卫星影像和机器学习的水质监测***和监测方法如下:
步骤一:自动爬取遥感载荷哨兵2号和哨兵3号影像数据,地面监测站水质监测成果获取,形成影像数据库以及水质监测数据库;
第一卫星(哨兵2号)和第二卫星(哨兵3号)影像获取,可以包括从欧洲航天局官网(https://scihub.copernicus.eu/dhus/#/home)获取传感器为哨兵2号和哨兵3号原始影像数据。
哨兵2号的载荷运行高度为786千米,时间分辨率为5天,空间分辨率为10、20、60米,光谱范围涵盖可见光、近红外和短波红外,一种多光谱卫星成像载荷;
哨兵3号的载荷运行高度为815千米,时间分辨率为1天,空间分辨率为300米,光谱范围涵盖可见光、近红外,是一种多光谱卫星成像载荷。
原始影像数据为由传感器载荷获取到的由电信号转换为DN值的原始数据。
步骤二:影像预处理包含辐射校正、几何校正以及云覆盖去除,并生成反射率数据;
遥感影像预处理,可以将下载的原始影像数据,经过辐射校正、几何校正的预处理工作,获取能够表征地物反射率信息的影像数据;
所述辐射校正包含传感器校正、大气校正,得到正确评价地物的反射特征以及辐射特征;
传感器校正,是为消除传感器本身光电***造成的影响;
大气校正,是为了消除地物反射率到传感器的过程中,由大气水汽浓度、气溶胶密度带来的影响,求解辐射传输方程式求解近似的真实反射率数据;
几何校正,是指原始遥感影像通常有严重的几何变形,利用图像纠正的方法对原始影像几何信息进行校正,图像纠正是指借助于一组地面控制点,对原始影像进行地理坐标校正。
步骤三:建立不同传感器的辐射归一化模型,生成基于哨兵2号的哨兵3号反射率模拟数据;
建立不同传感器的辐射归一化模型,用于不同传感器之间由于光谱响应函数的不同,造成传感器在同一中心波长内反射率数据有差异。本发明利用地物分类成果,建立了不同季节的不同源遥感影像的辐射归一化模型,生成辐射差异较小且波段数量相同的第一、第二卫星影像反射率数据。
光谱响应函数反应地物光谱在某个波段范围内的响应程度,不同传感器光谱响应函数不一致,导致在相同波段范围内获取的反射率值差异较大。
所述地物分类成果,是指基于高空间分辨率哨兵2号影像,将地物划分为植被、水体、不透水面三类,并按照分类成果对哨兵2号和哨兵3号影像数据进行地物分类;
建立不同季节的不同源遥感影像的辐射归一化模型,包括根据生成的影像数据集,基于波段之间的相关性建立哨兵2号影像的反射率数据辐射归一化模型,即将哨兵3号反射率数据同化为哨兵2号反射率数据,并建立哨兵2号和同化后的哨兵3号影像数据对。解决数据的之间由传感器硬件引起的反射率差异的问题,利用平均相对误差进行精度评价,能够保持精度在20%以内,下表展示了不同地物不同季节的辐射归一化模型及精度,其中Sn表示哨兵2号影像的第n个波段,Bm表示哨兵3号影像的第m个波段。
步骤四:建立哨兵2号和哨兵3号的时空融合模型
如图2所示,所述哨兵2号和哨兵3号的时空融合模型,是指建立基于权重滤波的时空融合模型,将哨兵2号的高空间属性和哨兵3号的高时间属性进行融合,生成同时具备高空间和高时间属性的影像数据,达到影像补充的目的。包含:相似像元选取、相似像元权重计算、时空转换系数计算、融合结果输出。
所述基于权重滤波的时空融合模型,可以根据输入同时具备哨兵2号和哨兵3号的参考时刻t1和t2影像对,以及输入预测时刻tp仅具备哨兵3号影像,通过基于权重滤波的时空融合算法,生成预测时刻tp的哨兵2号影像。
所述基于权重滤波的时空融合模型,建立方法包括:以目标像元为中心像元,在邻域范围内设定一个搜索框,并按照一定的搜索规则在搜索框内逐像元选取与中心像元具有光谱和时相变化一致性的像元作为相似像元,根据相似像元与中心像元在光谱维和空间维的差异计算每个相似像元所能提供辅助信息的权重比,最后根据设定的融合规则计算预测时刻目标像元值,对图像中所有像元逐一计算生成预测时刻高空间分辨率图像。
所述按照一定的搜索规则在搜索框内逐像元选取与中心像元具有光谱和时相变化一致性的像元作为相似像元,包括:首先针对每一参考时刻进行相似像元选取,进而对其取交集,作为最终相似像元选取的结果。单一参考时刻的相似像元选取计算方式如下:
|F(xi,yj,tk,B)-F(xw/2,yw/2,tk,B)|≤2ω(B)/m
式中,F(xi,yj,tk,B)和F(xw/2,yw/2,tk,B)分别表示在参考时刻tk哨兵2号搜索框内相似像元(xi,yj)和中心像元(xw/2,yw/2)在第B个波段的像元值,w表示邻域内搜索窗口大小设置为51,ω(B)表示哨兵2号整幅图像在第B个波段的标准差,m表示分类数设置为3。可见,相似像元选取时基于每个参考时刻内的哨兵2号影像,以目标像元为中心,在邻域范围内设定一定大小的搜索框,判断框内每个像元与中心像元值的差值,若该值小于阈值,则该像元为相似像元。
所述根据相似像元与中心像元在光谱维和空间维的差异计算每个相似像元所能提供辅助信息的权重比,包括:对于选取的相似像元,要对其进行权重分配,以用于预测时刻目标像元值的计算。权重计算步骤如下:
1)计算基于参考时刻哨兵2号影像的空间距离Dijk:
上式中Dijk表示相似像元与中心像元的空间距离,A为常数用于控制空间距离的大小,通常设定值为搜索框宽度。
2)计算不同源影像上(xi,yj)处相似像元在所有参考时刻和波段间的相关系数Rij:
式中,E表示均值,G表示方差,FijCij分别表示相似像元(xi,yj)在哨兵2号影像和哨兵3号影像上各个波段和所有参考时刻的像元值的集合。
考虑上述两个因素,并进行归一化处理,形成相似像元的权重Wijk:
其中,Pijk=(1-Rij)×Dijk。可见,相似像元权重计算是考虑了相似像元与中心像元的空间差异性,以及在参考时相上不同源影像之间相似像元值的相关性。
所述根据设定的融合规则计算预测时刻目标像元值,对图像中所有像元逐一计算生成预测时刻哨兵2号影像,包括:针对某一参考时刻tk的图像数据计算预测时刻tp的中心像元值,公式为:
式中,C(xi,yj,tk,B)和C(xi,yj,tp,B)分别表示参考时刻tk和预测时刻tp低空间分辨率图像搜索框内相似像元(xi,yj)在第B个波段的像元值,V表示转换系数,利用预测时刻前后两组不同源影像的相似像元值做线性回归分析,计算得到的斜率即为转换系数,表征了哨兵3号影像混合像元与哨兵3号影像纯像元间的转换关系。
进而,综合多个参考时刻预测结果,得到最终的目标像元值:
其中,Tk为:
步骤五:筛选并提取水质监测数据
所述筛选并提取水质监测数据,基于已建立的水质参数反演数据库,提取监测点位的经纬度信息,按照空间位置关系提取预处理完成后的影像(包括哨兵2号影像和融合影像)反射率数据。
步骤六:利用机器学习方法建立水质参数反演模型
如图3所示,所述利用机器学习方法建立水质参数反演模型,是指基于哨兵2号数据及其与哨兵3号数据的时空融合成果,构建波段间的两两比值、归一化值变量作为自变量,监测数据作为因变量。采用神经网络、随机森林、支持向量机、决策树、梯度提升树等机器学习方构建水质反演模型,选取精度最优反演模型。其中,70%的数据用于模型训练,30%的数据用于模型精度验证,模型精度计算步骤如下:
式中,MAPE为平均相对误差(%),yi为实际监测值,为模型预测值,n为测试集因变量个数。
步骤七:水质参数空间图像输出
所述水质参数空间图像输出,是指按照《地表水环境质量标准GB3838-2002》中的水质类别分级规定,对遥感反演影像进行分级色彩渲染,输出水质参数空间分布图。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (6)
1.一种卫星影像和机器学习的水质监测方法,其特征在于,包括以下步骤:
S01:获取第一卫星影像数据和第二卫星影像数据;
S02:分别对获取的第一卫星影像数据和第二卫星影像数据进行预处理,并生成第一卫星影像反射率数据和第二卫星影像反射率数据;
S03:根据不同季节和不同地物,建立不同传感器之间的辐射归一化模型,对第一、第二卫星影像反射率数据进行同化,生成辐射差异较小且波段数量相同的第一、第二卫星影像反射率数据;
S04:基于不同源影像数据的同化结果,利用第二卫星影像地物反射率的时间信息,以及第一卫星影像数据的空间信息,建立基于权重滤波的时空融合模型,生成长时间序列连续的高空间分辨率遥感反射率影像数据集;
S05:基于时空融合结果的时间信息,以及地面监测站的水质监测数据的空间信息,筛选反射率影像数据和水质监测数据,建立水质参数反演数据库;筛选水质参数反演数据库,提取训练集和测试集数据,利用多种机器学习算法,建立水质参数的反演模型;
S06:根据步骤S04生成的反射率影像数据集和建立的水质参数反演模型,输出水质参数反演成果;
所述步骤S03中建立不同传感器的辐射归一化模型包括:
S31:基于高空间分辨率的第一卫星影像数据进行地物分类,将影像按照地物类型分类;
S32:按照季节及地物分类生成第一卫星影像数据集和第二卫星影像数据集;
S33:根据生成的影像数据集,基于邻近波段之间的相关性建立第一卫星影像的反射率数据的辐射归一化模型,将第二反射率数据同化为第一反射率数据,并建立第一卫星影像数据和同化后的第二卫星影像数据对;
所述步骤S04中建立基于权重滤波的时空融合模型包括:
S41:以目标像元为中心像元,在邻域范围内设定一个搜索框,并按照设定的搜索规则在搜索框内逐像元选取与中心像元具有光谱和时间一致性的像元作为相似像元;
S42:根据相似像元与中心像元在光谱维和空间维的差异计算每个相似像元的权重比;
S43:根据设定的融合规则计算预测时刻目标像元值,对图像中所有像元逐一计算生成预测时刻高空间分辨率影像。
2.根据权利要求1所述的卫星影像和机器学习的水质监测方法,其特征在于,所述步骤S41中按照设定的搜索规则在搜索框内逐像元选取与中心像元具有光谱和时间一致性的像元作为相似像元包括:
计算每一参考时刻搜索框内每个像元与中心像元值的差值,并与设定阈值比较;
若搜索框内每个像元与中心像元值的差值小于等于阈值,则判断该像元为相似像元,即|F(xi,yj,tk,B)-F(xw/2,yw/2,tk,B)|≤2ω(B)/m;
式中,F(xi,yj,tk,B)和F(xw/2,yw/2,tk,B)分别表示在参考时刻tk第一卫星搜索框内相似像元(xi,yj)和中心像元(xw/2,yw/2)在第B个波段的像元值,w表示邻域内搜索窗口大小,ω(B)表示第一卫星整幅图像在第B个波段的标准差,m表示分类数;
针对每一参考时刻进行相似像元选取,对其取交集,作为最终相似像元选取的结果。
3.根据权利要求1所述的卫星影像和机器学习的水质监测方法,其特征在于,所述步骤S42权重计算步骤包括:
S421:计算基于参考时刻第一卫星影像的空间距离Dijk:
其中,Dijk表示相似像元与中心像元的空间距离,A为常数;
S422:计算不同源影像上(xi,yj)处相似像元在所有参考时刻和波段间的相关系数Rij:
式中,E表示均值,G表示方差,和分别表示相似像元(xi,yj)在第一卫星影像和第二卫星影像上各个波段和所有参考时刻的像元值的集合;
S423:考虑空间距离Dijk和相关系数Rij两个因素,并进行归一化处理,形成相似像元的权重Wijk:
其中,Pijk=(1-Rij)×Dijk。
4.根据权利要求3所述的卫星影像和机器学习的水质监测方法,其特征在于,所述步骤S43计算预测时刻目标像元值,包括:
S431:对某一参考时刻tk的图像数据计算预测时刻tp的中心像元值F(xw/2,yw/2,tp,B),公式为:
式中,C(xi,yj,tk,B)和C(xi,yj,tp,B)分别表示参考时刻tk和预测时刻tp低空间分辨率图像搜索框内相似像元(xi,yj)在第B个波段的像元值,V表示转换系数;
S432:综合多个参考时刻预测结果,得到最终的目标像元值:
其中,Tk为:
5.根据权利要求1所述的卫星影像和机器学习的水质监测方法,其特征在于,所述步骤S05建立水质参数的反演模型包括:
基于时空融合结果,构建波段间的两两比值、归一化值变量作为自变量,监测数据作为因变量,采用多种机器学习算法构建水质反演模型,选取精度最优反演模型;模型精度计算公式为:
式中,MAPE为平均相对误差,yi为实际监测值,为模型预测值,n为测试集因变量个数。
6.一种卫星影像和机器学习的水质监测***,其特征在于,包括:
遥感影像获取模块,获取第一卫星影像数据和第二卫星影像数据;
遥感影像预处理模块,分别对获取的第一卫星影像数据和第二卫星影像数据进行预处理,并生成第一卫星影像反射率数据和第二卫星影像反射率数据;
不同源影像辐射归一化模块,根据不同季节和不同地物,建立不同传感器之间的辐射归一化模型,对第一、第二卫星影像反射率数据进行同化,生成辐射差异较小且波段数量相同的第一、第二卫星影像反射率数据;
遥感影像时空融合模块,基于不同源影像数据的同化结果,利用第二卫星影像地物反射率的时间信息,以及第一卫星影像数据的空间信息,建立基于权重滤波的时空融合模型,生成长时间序列连续的高空间分辨率遥感反射率影像数据集;
水质参数反演模型模块,基于时空融合结果的时间信息,以及地面监测站的水质监测数据的空间信息,筛选反射率影像数据和水质监测数据,建立水质参数反演数据库;筛选水质参数反演数据库,提取训练集和测试集数据,利用多种机器学习算法,建立水质参数的反演模型;
水质参数反演成果输出模块,根据生成的反射率影像数据集和建立的水质参数反演模型,输出水质参数反演成果;
所述不同源影像辐射归一化模块中建立不同传感器的辐射归一化模型包括:
S31:基于高空间分辨率的第一卫星影像数据进行地物分类,将影像按照地物类型分类;
S32:按照季节及地物分类生成第一卫星影像数据集和第二卫星影像数据集;
S33:根据生成的影像数据集,基于邻近波段之间的相关性建立第一卫星影像的反射率数据的辐射归一化模型,将第二反射率数据同化为第一反射率数据,并建立第一卫星影像数据和同化后的第二卫星影像数据对;
所述遥感影像时空融合模块中建立基于权重滤波的时空融合模型包括:
S41:以目标像元为中心像元,在邻域范围内设定一个搜索框,并按照设定的搜索规则在搜索框内逐像元选取与中心像元具有光谱和时间一致性的像元作为相似像元;
S42:根据相似像元与中心像元在光谱维和空间维的差异计算每个相似像元的权重比;
S43:根据设定的融合规则计算预测时刻目标像元值,对图像中所有像元逐一计算生成预测时刻高空间分辨率影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011243483.XA CN112464746B (zh) | 2020-11-10 | 2020-11-10 | 一种卫星影像和机器学习的水质监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011243483.XA CN112464746B (zh) | 2020-11-10 | 2020-11-10 | 一种卫星影像和机器学习的水质监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464746A CN112464746A (zh) | 2021-03-09 |
CN112464746B true CN112464746B (zh) | 2023-09-12 |
Family
ID=74826376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011243483.XA Active CN112464746B (zh) | 2020-11-10 | 2020-11-10 | 一种卫星影像和机器学习的水质监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464746B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255961B (zh) * | 2021-04-16 | 2022-05-10 | 长江水利委员会长江科学院 | 基于时序多源光谱遥感数据的湖泊水环境监测站点优化布局方法 |
CN113324923B (zh) * | 2021-06-07 | 2023-07-07 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
CN113534158B (zh) * | 2021-06-10 | 2024-06-11 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 |
CN113536606A (zh) * | 2021-09-15 | 2021-10-22 | 成都同飞科技有限责任公司 | 一种水体水质变化检测方法及***、存储介质和装置 |
CN113624778B (zh) * | 2021-09-18 | 2022-07-12 | 重庆星视空间科技有限公司 | 一种基于遥感影像反演的水质污染溯源***和方法 |
CN114965918A (zh) * | 2022-04-20 | 2022-08-30 | 重庆两江生态渔业发展有限公司 | 一种基于卫星遥感图像的水质分析方法 |
CN115907267A (zh) * | 2022-08-24 | 2023-04-04 | 武汉大学 | 基于高空间分辨率卫星的地面水质监测方法 |
CN115439757A (zh) * | 2022-08-26 | 2022-12-06 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的水质污染源溯源方法、装置以及设备 |
CN115830473B (zh) * | 2023-02-20 | 2023-05-09 | 江苏省生态环境监测监控有限公司 | 基于卫星遥感和自动监测的水质反演方法、*** |
CN117422987A (zh) * | 2023-09-06 | 2024-01-19 | 中国热带农业科学院环境与植物保护研究所 | 基于卫星遥感影像和机器学习的河流水质监测方法 |
CN117470789A (zh) * | 2023-11-06 | 2024-01-30 | 中国自然资源航空物探遥感中心 | 一种识别钠闪石的方法、装置、设备和可读存储介质 |
CN117351373B (zh) * | 2023-12-04 | 2024-03-12 | 厦门大学 | 一种河口海湾水质遥感产品智能融合处理方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927455A (zh) * | 2014-04-24 | 2014-07-16 | 中国科学院遥感与数字地球研究所 | 基于高分一号卫星的陆地气溶胶光学性质反演方法 |
CN105184076A (zh) * | 2015-09-02 | 2015-12-23 | 安徽大学 | 一种遥感地表温度数据的时空一体化融合方法 |
CN107316017A (zh) * | 2017-06-22 | 2017-11-03 | 河海大学 | 基于作物信息遥感精确反演的非点源污染源强估算方法 |
CN107610050A (zh) * | 2017-08-31 | 2018-01-19 | 北京航天绘景科技有限公司 | 一种基于多源卫星数据的高时空分辨率陆表温度融合方法 |
CN108613933A (zh) * | 2018-06-13 | 2018-10-02 | 中南林业科技大学 | 基于多源遥感数据融合的林地干旱时空动态监测方法 |
CN108985959A (zh) * | 2018-08-09 | 2018-12-11 | 安徽大学 | 一种基于地表温度反演技术的小麦白粉病遥感监测方法 |
CN109933873A (zh) * | 2018-11-02 | 2019-06-25 | 中国林业科学研究院资源信息研究所 | 一种荒漠化地区土壤有机碳密度高空间遥感估测的方法 |
CN110865040A (zh) * | 2019-11-29 | 2020-03-06 | 深圳航天智慧城市***技术研究院有限公司 | 天空地一体化高光谱水质监测分析方法 |
CN111444351A (zh) * | 2020-03-24 | 2020-07-24 | 清华苏州环境创新研究院 | 一种行业工艺领域知识图谱构建方法及装置 |
CN111639719A (zh) * | 2020-06-08 | 2020-09-08 | 安徽大学 | 基于时空运动和特征融合的足迹图像检索方法 |
CN111666896A (zh) * | 2020-06-09 | 2020-09-15 | 中国科学院地理科学与资源研究所 | 一种基于线性融合模型的遥感影像时空融合方法 |
CN111797186A (zh) * | 2020-06-17 | 2020-10-20 | 南开大学 | 一种遥感反演水体cod的方法 |
-
2020
- 2020-11-10 CN CN202011243483.XA patent/CN112464746B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927455A (zh) * | 2014-04-24 | 2014-07-16 | 中国科学院遥感与数字地球研究所 | 基于高分一号卫星的陆地气溶胶光学性质反演方法 |
CN105184076A (zh) * | 2015-09-02 | 2015-12-23 | 安徽大学 | 一种遥感地表温度数据的时空一体化融合方法 |
CN107316017A (zh) * | 2017-06-22 | 2017-11-03 | 河海大学 | 基于作物信息遥感精确反演的非点源污染源强估算方法 |
CN107610050A (zh) * | 2017-08-31 | 2018-01-19 | 北京航天绘景科技有限公司 | 一种基于多源卫星数据的高时空分辨率陆表温度融合方法 |
CN108613933A (zh) * | 2018-06-13 | 2018-10-02 | 中南林业科技大学 | 基于多源遥感数据融合的林地干旱时空动态监测方法 |
CN108985959A (zh) * | 2018-08-09 | 2018-12-11 | 安徽大学 | 一种基于地表温度反演技术的小麦白粉病遥感监测方法 |
CN109933873A (zh) * | 2018-11-02 | 2019-06-25 | 中国林业科学研究院资源信息研究所 | 一种荒漠化地区土壤有机碳密度高空间遥感估测的方法 |
CN110865040A (zh) * | 2019-11-29 | 2020-03-06 | 深圳航天智慧城市***技术研究院有限公司 | 天空地一体化高光谱水质监测分析方法 |
CN111444351A (zh) * | 2020-03-24 | 2020-07-24 | 清华苏州环境创新研究院 | 一种行业工艺领域知识图谱构建方法及装置 |
CN111639719A (zh) * | 2020-06-08 | 2020-09-08 | 安徽大学 | 基于时空运动和特征融合的足迹图像检索方法 |
CN111666896A (zh) * | 2020-06-09 | 2020-09-15 | 中国科学院地理科学与资源研究所 | 一种基于线性融合模型的遥感影像时空融合方法 |
CN111797186A (zh) * | 2020-06-17 | 2020-10-20 | 南开大学 | 一种遥感反演水体cod的方法 |
Non-Patent Citations (1)
Title |
---|
ESTARFM 相似像元选取方法的改进研究;董世元 等;《遥感技术与应用》;第35卷(第1期);第185-193页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112464746A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112464746B (zh) | 一种卫星影像和机器学习的水质监测方法及*** | |
CN110363246B (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
Hecht et al. | Estimation of urban green volume based on single-pulse LiDAR data | |
CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
US20230186503A1 (en) | Method for troubleshooting hidden dangers of trees near power transmission lines by combining icesat-2 with jl-1 images | |
CN106779067B (zh) | 基于多源遥感数据的土壤湿度重建方法和*** | |
Kaivosoja et al. | A case study of a precision fertilizer application task generation for wheat based on classified hyperspectral data from UAV combined with farm history data | |
CN110927120B (zh) | 一种植被覆盖度预警方法 | |
CN112699959A (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
CN113553697B (zh) | 基于长时序多源数据的煤炭开采植被扰动分析方法 | |
Song et al. | Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data | |
CN114881620B (zh) | 一种基于卫星遥感的国土空间监测方法与*** | |
Lang et al. | High carbon stock mapping at large scale with optical satellite imagery and spaceborne LIDAR | |
CN115272860A (zh) | 一种水稻种植区的确定方法、***、电子设备及存储介质 | |
KR102476565B1 (ko) | Sar 레이더 영상의 통계적 특성을 이용한 호소의 부유성 폐기물 탐지시스템 및 그 방법 | |
CN117114147A (zh) | 基于雷达和卫星遥感的森林植被碳储量估算的方法和装置 | |
CN115420690A (zh) | 近地表痕量气体浓度反演模型及反演方法 | |
Engstrom et al. | Evaluating the Relationship between Contextual Features Derived from Very High Spatial Resolution Imagery and Urban Attributes: A Case Study in Sri Lanka | |
Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
CN110070513A (zh) | 遥感影像的辐射校正方法及*** | |
Moya et al. | Sparse representation-based inundation depth estimation using sAR data and digital elevation model | |
CA3232760A1 (en) | Methods and systems for use in processing images related to crops |
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 |