CN113639716A - 一种基于深度残差收缩网络的水深遥感反演方法 - Google Patents
一种基于深度残差收缩网络的水深遥感反演方法 Download PDFInfo
- Publication number
- CN113639716A CN113639716A CN202110861079.7A CN202110861079A CN113639716A CN 113639716 A CN113639716 A CN 113639716A CN 202110861079 A CN202110861079 A CN 202110861079A CN 113639716 A CN113639716 A CN 113639716A
- Authority
- CN
- China
- Prior art keywords
- water depth
- data
- depth
- remote sensing
- reflectivity
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000002310 reflectometry Methods 0.000 claims abstract description 32
- 238000012937 correction Methods 0.000 claims abstract description 13
- 239000000443 aerosol Substances 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000003384 imaging method Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 21
- 238000011160 research Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000035699 permeability Effects 0.000 claims description 6
- 238000002834 transmittance Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 2
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000009792 diffusion process Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000005316 response function Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007849 functional defect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度残差收缩网络的水深遥感反演方法，其步骤如下：输入原始卫星影像，确定原始影像坐标及像素信息；进行几何粗校正以***坐标经纬值；进行RST几何精校正以消除误差和几何畸变；基于暗光谱拟合算法进行大气校正以消除大气成分及气溶胶的影响；将实测数据筛选插值以匹配原始影像并通过多种方法计算各波段数据与水深数值相关性；结合深度残差收缩网络的原理建立反演模型，输入预处理后的影像反射率，得到水深反演值。本发明能实现对不同类型数据、分辨率类型影像、实际水深分布的卫星成像区域的水深情况的准确描述，是分析以水深值为代表的关键水文参数的有效工具。本发明具有运行速度快、适用场景丰富等优点。
Description
(一)所属技术领域
本发明涉及一种基于深度残差收缩网络的水深遥感反演方法，属于光学遥感与遥感数据处理方法与应用技术领域，在水色遥感技术研究以及水文生态学研究方面具有重要意义。
(二)背景技术
水深是一个关键的水文要素,测量水深值是开发和利用资源的先决条件。精度较高的水深测量在了解水底地形，泥沙运动，海岸港口管理保护，航海运输，沙滩沼泽开发，防洪和防涝，淤积工程等方面具有重要的意义。传统的水深测量方法会消耗大量的时间精力，而且成本较高。例如利用测量设备(如探空杆，声纳等)和定位设备(如GPS等)测量相关水域的布点测量值，该方法可以获得比较准确的深度数据，但同时也存在测量周期长，操作困难，人力物力消耗大，难以重复监测等等不足。在大多数情况下，传统的水深测量方法只能获取点或单一剖面的数据资料，当用于对于经济和生态具有重要意义的沿海区域或河口浅水区域来说，传统的水深测量方法效果不太显著。同时由于条件和技术方面的限制，对于一些有领土纠纷或海况危险的水域，很难利用传统方法去实地测量。
相比之下，利用遥感影像来反演水深，不仅速度更快，同时对各种各样的环境也有很强的适应性。通过遥感卫星可以快速获得多波段多时相的影像数据，这些影像具有大面积，准同步和高空间分辨率等特点。如果能从这些数据中利用各种反演算法获得比较准确的水深数据，不仅可以克服传统方法的诸多缺点，而且还可以促进遥感在工业开发，资源利用等方面的应用。
目前，国内外利用遥感技术测量浅水深度的原理主要是利用太阳光在水体中的穿透能力，通过传感器在一定深度的水中采集信息，然后通过信息处理方法分离水深信息。光波穿过大气并到达水体表面，少部分的能量在水面和大气交界面被反射并返回大气，大部分的能量透过水面被折射到水体中。由于水的吸收和散射，光波在传播过程中衰减。在水底，它被水的底部反射回空气中并被传感器接收。卫星遥感的大规模应用为水深遥感的研究提供了便利，国内外学术界已经应用成熟的遥感水深反演模型种类繁多，应用最多的模型包括经验模型和分析模型。但由于算法功能上的缺陷，此类模型大多在精度与反演速度上存在缺点，因此对于高光谱数据的水深反演需要寻找新的技术方法，本发明就是一种解决水深反演问题的一种新型技术方法。
(三)发明内容
本发明涉及一种基于深度残差收缩网络的水深遥感反演方法，它克服了传统经验与分析、半分析模型对于大尺度、大批量数据反演速度偏慢和精度偏低的问题，其技术解决方案是：输入原始影像，确定原始影像坐标及像素信息；进行几何粗校正以***粗坐标经纬值；进行RST几何精校正以消除误差和几何畸变；进行大气校正以消除大气成分及气溶胶的影响；将实测数据筛选插值以匹配原始影像并计算各波段数据与水深数值相关性；输入处理后的影像反射率，得到反演水深值。其具体步骤如下：
步骤一：输入原始多光谱或高光谱遥感影像数据及元数据信息；
步骤二：根据影像自带的RPC文件，对原始影像进行正射校正，以消除几何定位误差和几何畸变；
步骤三：基于暗光谱拟合算法对影像进行大气校正，以消除大气成分及气溶胶对成像的影响；
步骤四：将实测激光雷达水深数据筛选插值，以匹配原始影像并计算各波段数据与水深数值相关性，进而确定最优波段或波段组合，构建反演模型训练数据集；
步骤五：基于训练数据集，构建深度残差收缩网络水深反演模型，将预处理后的反射率影像输入训练完毕的反演模型，获得整个研究区水深空间分布图。
2、根据权利要求1所述的一种基于深度残差收缩网络的水深遥感反演方法，其特征在于：步骤三中所述的“基于暗光谱拟合算法对影像进行大气校正，以消除大气成分及气溶胶对成像的影响”，具体计算过程如下：
第一步：根据研究区域的范围对输入影像进行镶嵌和裁剪；
第二步：计算影像的大气层顶TOA反射率，对于单独像元，计算公式如下
其中，d为太阳和地球之间的距离，θs是太阳天顶角，Lt是使用辐射定标系数校正后的TOA辐射度，F0是地外的太阳辐射度。
第三步：根据研究区范围在线获取与影像同步或准同步的大气遥感产品数据，计算出修正气体透过率tgas
其中
为水蒸气透过率，
为臭氧的透过率，
为臭氧光学厚度，θs为太阳天顶角，θv为观察天顶角，
为大气层臭氧密度，
为从OCSSW(seadas.gsfc.nasa.gov)上下载得到的系数。
大气界面天空反射率ρsky计算如下，
ρsky＝τr·pr·(4 cosθs cosθv)-1
其中，τr为瑞利光学厚度，θs为太阳天顶角，θv为观察天顶角，Pr为瑞利散射相位函数。
瑞利反射率ρrayleigh计算如下，
其中，函数r(θ)为计算空气入射光的菲涅尔反射率，θt为传输角，nw为水的折射率，取值为1.34，Pr为瑞利散射相位函数，θ+为散射角，Δφ为太阳与传感器之间的相对方位角。
第四步：生成查找表LUT，针对每一类卫星传感器，根据其光谱响应函数文件，生成其对应的LUT表；根据研究区范围，在线获取高精度高程数据，根据高程数据确定研究区空间位置的大气压，对于每一个大气压，生成相对应的LUT表；
第五步：计算出ρdark，ρdark由各个波段的修正气体透过率的最低观测值组成；对于每一个波段，都可以计算出一个该波段对应的ρdark的值。采用回归拟合的方法，即将处理区域该波段的反射率从小到大排列，将序号作为横轴，反射率作为纵轴，进行线性拟合，拟合直线的截距即为该波段的ρdark值；
第六步：根据LUT表选择出合适的模型以及τa，计算出各个波段的ρpath，具体计算过程如下：
④对于每一个波段，计算在将该ρdark作为ρpath的值时得到τa值，对于每一个波段得到的τa值，选择全局最小的τa值作为最终模型选用的τa值；
⑤计算得到τa值之后，便可以根据该τa值为每个波段计算一个ρpath值；
⑥对于不同的模型，都可以计算出一个τa以及其相关的ρpath；计算ρpath以及各波段的ρdark之间的均方根误差，将最小的均方根误差对应的模型作为最终选用的模型；
第七步：计算地表反射率，由之前的各个波段的ρdark、tgas、ρsky和ρrayleigh即可计算得到最终的地表反射率
其中，ρpc为经过路径校正的反射率，tg为大气透过率，ρpath为路径反射率，ρsky为大气反射率，tdu为双向扩散大气透过率，sa为大气的球形反照率。
3、根据权利要求1所述的一种基于深度残差收缩网络的水深遥感反演方法，其特征在于：步骤四中所述的“将实测激光雷达水深数据筛选插值，以匹配原始影像并计算各波段数据与水深数值相关性，进而确定最优波段或波段组合，构建反演模型训练数据集”，其具体步骤如下：
对各个波段的反射率数据与水深数据进行相关性分析，筛选出强相关性波段备用；
根据实际应用场景筛选所需水深范围值域；根据研究区遥感影像空间分辨率大小以及实测水深数据点的分布密度，对遥感影像进行空间重采样；将遥感影像的像元和实测水深点位置按照真实地理坐标进行空间位置匹配：
abs(Pos遥感影像-Pos实测数据)＜Biaslon/lat
其中，Pos遥感影像表示遥感影像某一点的像元位置，Pos实测数据表示实测数据中与遥感影像数据对应的某一点像元位置，Biaslon/lat为遥感影像中两个像素中心点经纬度差值的一半；根据地理坐标对遥感影像各波段反射率信息与实测水深进行空间匹配，将波段信息与实测水深数据匹配融合，生成格式化的数据集；数据集中包含遥感影像中每个像素点的经度坐标、纬度坐标、水深值、各波段的反射率；按照80％和20％的比例，将训练数据和测试数据进行随机划分；将数据集进行标准化处理。
4、根据权利要求1所述的一种基于深度残差收缩网络的水深遥感反演方法，其特征在于：步骤五中所述的“基于训练数据集，构建深度残差收缩网络水深反演模型，将预处理后的反射率影像输入训练完毕的反演模型，获得整个研究区水深空间分布图”，具体步骤如下：
首先建立一个包含卷积层、一定数量的残差模块、批标准化、整流线性单元激活函数(Rectifier Linear Unit activation function,ReLU)、全局均值池化和全连接输出层的深度残差收缩网络模型，其中的主体部分由很多个残差模块构成。一个残差模块包含两个批标准化、两个整流线性单元激活函数、两个卷积层和恒等映射。恒等映射是深度残差网络的核心贡献，极大程度地降低了深度神经网络训练的难度。在深度残差网络进行基于反向传播的模型训练时，其损失不仅能够通过卷积层等进行逐层的反向传播，还能够通过恒等映射进行更为方便的反向传播，从而更容易训练得到更优的模型。将“软阈值化”作为“收缩层”引入残差模块之中，其中的软阈值化是将输入数据朝着零的方向进行收缩的一种函数，公式如下：
其中，X表示输入，Y表示输出，τ表示阈值，同时，软阈值化的导数公式如下：
通过学***均，获得一个特征，记为A。在另一条路径中，全局均值池化之后的特征值，被输入到一个小型的全连接网络。这个全连接网络以Sigmoid函数作为最后一层，将输出归一化到0和1之间，获得一个系数，记为α。最终的阈值可以表示为Aα。因此，阈值就是一个0和1之间的数字乘上特征绝对值的平均。这种方式，不仅保证了阈值为正，而且不会太大。最后，堆叠一定数量的基本模块以及卷积层、批标准化、激活函数、全局均值池化以及全连接输出层等，就得到了完整的深度残差收缩网络。
本发明与现有技术相比的优点在于：
(1)深度残差网络进行基于反向传播的模型训练时，其损失不仅能够通过卷积层等进行逐层的反向传播，而且能够通过恒等映射进行更为方便的反向传播，从而更容易训练得到更优的模型。
(2)通过数据筛选、波段相关性分析和算法原理的更新拓展了模型运用场景与大尺度、大批量数据处理时的运行速度。
(四)附图说明
图1为本发明流程框图。
(五)具体实施方式
为更好说明本发明涉及的一种基于深度残差收缩网络的水深遥感反演方法，利用本发明的模型进行了测试与验证，取得了良好的效果。具体实施方法如下：
(1)输入原始影像数据及元数据信息；
(2)进行几何校正以消除几何定位误差和几何畸变；
(3)基于暗光谱拟合算法进行大气校正以消除大气成分及气溶胶对成像的影响；
(4)将实测数据筛选插值并计算各波段数据与水深数值相关性；
(5)构建反演模型训练数据集，训练模型；
(6)输入预处理后的反射率影像，得到反演水深分布图。
Claims (4)
1.一种基于深度残差收缩网络的水深遥感反演方法，其特征在于包含以下步骤：
步骤一：输入原始多光谱或高光谱遥感影像数据及元数据信息；
步骤二：根据卫星影像自带的RPC文件，对原始影像进行正射校正，以消除几何定位误差和几何畸变；
步骤三：基于暗光谱拟合算法对影像进行大气校正，以消除大气成分及气溶胶对成像的影响；
步骤四：将实测水深数据筛选插值，以匹配原始影像并计算各波段反射率与水深的相关性，进而确定最优波段或波段组合，构建反演模型的训练数据集；
步骤五：基于训练数据集，构建深度残差收缩网络水深反演模型，将预处理后的反射率影像输入训练完毕的水深反演模型，获得整个研究区水深空间分布图；
步骤六：基于研究区当地潮汐数据，进行水位校正。
2.根据权利要求1所述的一种基于深度残差收缩网络的水深遥感反演方法，其特征在于：步骤三中所述的“基于暗光谱拟合算法对影像进行大气校正，以消除大气成分及气溶胶对成像的影响”，具体计算过程如下：
第一步：根据研究区域的范围对输入影像进行镶嵌和裁剪；
第二步：计算影像的大气层顶TOA表观反射率，对于每个像元，计算方法如下
其中，d为卫星成像时太阳和地球之间的距离，θs是太阳天顶角，Lt是使用辐射定标后的TOA辐亮度，F0是大气层外的太阳常数；
第三步：根据研究区范围在线获取与影像同步或准同步的大气遥感产品数据，计算出修正气体透过率tgas：
其中
为大气中水气透过率，
为臭氧的透过率，
为臭氧光学厚度，θs为太阳天顶角，θv为观测天顶角，
为大气层臭氧密度，
为臭氧衰减系数；
气—水界面天空反射率ρsky计算如下，
ρsky＝τr·pr·(4cosθscosθv)-1
其中，τr为瑞利散射光学厚度，θs为太阳天顶角，θv为观测天顶角，Pr为瑞利散射相位函数；
瑞利反射率ρrayleigh计算如下，
其中，函数r(θ)为气—水界面的菲涅尔反射率，θ可分别取θs或θv；θt为透射角，nw为水的折射率，取值为1.34，Pr为瑞利散射相位函数，Θ为散射角，Δφ为太阳与传感器之间的相对方位角；
第四步：构建查找表LUT，针对每个特定的卫星传感器，根据其光谱响应函数文件，生成其对应的LUT表；根据研究区范围，在线获取高精度高程数据，根据高程数据确定研究区空间位置的大气压，对于每一个大气压，生成相对应的LUT表；
第五步：计算每个波段暗像元的反射率值ρdark，ρdark由各个波段的修正气体透过率的最低观测值组成；对于每一个波段，都可以计算出该波段对应的ρdark的值；采用回归拟合的方法，即将处理区域该波段的反射率从小到大排列，将序号作为横轴，反射率作为纵轴，进行线性拟合，拟合直线的截距即为该波段的ρdark值；
第六步：根据LUT表选择出合适的气溶胶模型以及大气光学厚度τa，计算出各个波段的大气程辐射ρpath，具体计算过程如下：
①对于每一个波段，计算在将该ρdark作为ρpath的值时得到τa值，对于每一个波段得到的τa值，选择全局最小的τa值作为最终气溶胶模型选用的τa值；
②计算得到τa值之后，便可以根据该τa值为每个波段计算一个ρpath值；
③对于不同的气溶胶模型，都可以计算出一个τa以及其相应的ρpath；计算ρpath以及各波段的ρdark之间的均方根误差，将最小的均方根误差对应的气溶胶模型作为最终选用的气溶胶模型；
第七步：计算地表反射率，由之前计算的各个波段的ρdark、tgas、ρsky和ρrayleigh即可计算得到最终的地表反射率：
其中，ρpc为经过大气程辐射校正后的反射率，tg为大气透过率，ρpath为路径反射率，ρsky为大气反射率，tdu为双向扩散大气透过率，sa为大气的球形反照率。
3.根据权利要求1所述的一种基于深度残差收缩网络的水深遥感反演方法，其特征在于：步骤四中所述的“将实测水深数据筛选插值，以匹配原始影像并计算各波段反射率与水深的相关性，进而确定最优波段或波段组合，构建反演模型的训练数据集”，其具体步骤如下：
(1)对各个波段的反射率数据与水深数据进行相关性分析，筛选出强相关性波段备用；
(2)根据实际应用场景筛选所需水深范围值域；根据研究区遥感影像空间分辨率大小以及实测水深数据点的分布密度，对遥感影像进行空间重采样；将遥感影像的像元和实测水深点位置按照真实地理坐标进行空间位置匹配：
abs(Pos遥感影像-Pos实测数据)＜Biaslon/lat
其中，Pos遥感影像表示遥感影像某一点的像元位置，Pos实测数据表示实测数据中与遥感影像数据对应的某一点像元位置，Biaslon/lat为遥感影像中两个像素中心点经纬度差值的一半；根据地理坐标对遥感影像各波段反射率信息与实测水深进行空间匹配，将波段信息与实测水深数据匹配融合，生成格式化的数据集；数据集中包含遥感影像中每个像素点的经度坐标、纬度坐标、水深值、各波段的反射率；
(3)按照80％和20％的比例，将训练数据和测试数据进行随机划分；将数据集进行标准化处理。
4.根据权利要求1所述的一种基于深度残差收缩网络的水深遥感反演方法，其特征在于：步骤五中所述的“基于训练数据集，构建深度残差收缩网络水深反演模型，将预处理后的反射率影像输入训练完毕的水深反演模型，获得整个研究区水深空间分布图”，具体步骤如下：
首先建立一个包含卷积层、一定数量的残差模块、批标准化、整流线性单元激活函数(Rectifier Linear Unit activation function,ReLU)、全局均值池化和全连接输出层的深度残差收缩网络模型，其中的主体部分由很多个残差模块构成；一个残差模块包含两个批标准化、两个整流线性单元激活函数、两个卷积层和恒等映射；在深度残差网络进行基于反向传播的模型训练时，其损失不仅能够通过卷积层等进行逐层的反向传播，还能够通过恒等映射进行更为方便的反向传播，从而更容易训练得到更优的模型；将“软阈值化”作为“收缩层”引入残差模块之中，其中的软阈值化是将输入数据朝着零的方向进行收缩的一种函数，公式如下：
其中，x表示输入，y表示输出，τ表示阈值，同时，软阈值化的导数公式如下：
通过学***均，获得一个特征，记为A；在另一条路径中，全局均值池化之后的特征值，被输入到一个小型的全连接网络；这个全连接网络以Sigmoid函数作为最后一层，将输出归一化到0和1之间，获得一个系数，记为α；最终的阈值表示为Aα；因此，阈值就是一个0和1之间的数字乘上特征绝对值的平均；这种方式，不仅保证了阈值为正，而且不会太大；最后，堆叠一定数量的基本模块以及卷积层、批标准化、激活函数、全局均值池化以及全连接输出层等，就得到了完整的水深反演深度残差收缩网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110861079.7A CN113639716A (zh) | 2021-07-29 | 2021-07-29 | 一种基于深度残差收缩网络的水深遥感反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110861079.7A CN113639716A (zh) | 2021-07-29 | 2021-07-29 | 一种基于深度残差收缩网络的水深遥感反演方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113639716A true CN113639716A (zh) | 2021-11-12 |
Family
ID=78418795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110861079.7A Pending CN113639716A (zh) | 2021-07-29 | 2021-07-29 | 一种基于深度残差收缩网络的水深遥感反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113639716A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114297938A (zh) * | 2021-12-31 | 2022-04-08 | 厦门大学 | 一种基于神经网络的光学浅水水底深度的反演方法 |
| CN114997326A (zh) * | 2022-06-20 | 2022-09-02 | 电子科技大学 | 一种基于多特征融合的机载雷达工作模式识别方法 |
| CN115797760A (zh) * | 2023-01-29 | 2023-03-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 主被动融合的水质立体遥感反演方法、***及存储介质 |
| CN116500604A (zh) * | 2023-06-27 | 2023-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种水深定量反演方法、装置 |
| CN117274831A (zh) * | 2023-09-04 | 2023-12-22 | 大连海事大学 | 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 |
| CN117372891A (zh) * | 2023-12-07 | 2024-01-09 | 中铁水利水电规划设计集团有限公司 | 一种利用卫星遥感影像进行水深反演的方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102628940A (zh) * | 2012-04-20 | 2012-08-08 | 中国科学院遥感应用研究所 | 一种遥感图像大气订正方法 |
| CN105445751A (zh) * | 2015-11-18 | 2016-03-30 | 国家***第一海洋研究所 | 一种浅水区域水深比值遥感反演方法 |
| CN105651263A (zh) * | 2015-12-23 | 2016-06-08 | 国家***第海洋研究所 | 浅海水深多源遥感融合反演方法 |
| 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 |
| CN110132246A (zh) * | 2019-04-03 | 2019-08-16 | 自然资源部第一海洋研究所 | 基于残差分区的水深遥感探测方法 |
| CN111795936A (zh) * | 2020-08-03 | 2020-10-20 | 长安大学 | 一种基于查找表的多光谱遥感影像大气校正***、方法及存储介质 |
| 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 |
| CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
-
2021
- 2021-07-29 CN CN202110861079.7A patent/CN113639716A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102628940A (zh) * | 2012-04-20 | 2012-08-08 | 中国科学院遥感应用研究所 | 一种遥感图像大气订正方法 |
| CN105445751A (zh) * | 2015-11-18 | 2016-03-30 | 国家***第一海洋研究所 | 一种浅水区域水深比值遥感反演方法 |
| CN105651263A (zh) * | 2015-12-23 | 2016-06-08 | 国家***第海洋研究所 | 浅海水深多源遥感融合反演方法 |
| 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 |
| CN110132246A (zh) * | 2019-04-03 | 2019-08-16 | 自然资源部第一海洋研究所 | 基于残差分区的水深遥感探测方法 |
| 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 |
| CN111795936A (zh) * | 2020-08-03 | 2020-10-20 | 长安大学 | 一种基于查找表的多光谱遥感影像大气校正***、方法及存储介质 |
| CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
Non-Patent Citations (4)
| Title |
|---|
| MINGHANG ZHAO 等: "Deep Residual Shrinkage Networks for Fault Diagnosis", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
| QUINTEN VANHELLEMONT，KEVIN RUDDICK: "Atmospheric correction of metre-scale optical satellite data for inland and coastal water applications", 《REMOTE SENSING OF ENVIRONMENT》 * |
| 友成: "深度残差收缩网络", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/85238942》 * |
| 尹辉: "《粤北岩溶区遥感影像专题信息提取的流程与方法》", 华中科技大学出版社 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114297938A (zh) * | 2021-12-31 | 2022-04-08 | 厦门大学 | 一种基于神经网络的光学浅水水底深度的反演方法 |
| CN114297938B (zh) * | 2021-12-31 | 2024-06-07 | 厦门大学 | 一种基于神经网络的光学浅水水底深度的反演方法 |
| CN114997326A (zh) * | 2022-06-20 | 2022-09-02 | 电子科技大学 | 一种基于多特征融合的机载雷达工作模式识别方法 |
| CN114997326B (zh) * | 2022-06-20 | 2024-06-04 | 电子科技大学 | 一种基于多特征融合的机载雷达工作模式识别方法 |
| CN115797760A (zh) * | 2023-01-29 | 2023-03-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 主被动融合的水质立体遥感反演方法、***及存储介质 |
| CN116500604A (zh) * | 2023-06-27 | 2023-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种水深定量反演方法、装置 |
| CN117274831A (zh) * | 2023-09-04 | 2023-12-22 | 大连海事大学 | 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 |
| CN117372891A (zh) * | 2023-12-07 | 2024-01-09 | 中铁水利水电规划设计集团有限公司 | 一种利用卫星遥感影像进行水深反演的方法 |
| CN117372891B (zh) * | 2023-12-07 | 2024-02-13 | 中铁水利水电规划设计集团有限公司 | 一种利用卫星遥感影像进行水深反演的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113639716A (zh) | 一种基于深度残差收缩网络的水深遥感反演方法 | |
| Pottier et al. | Merging SeaWiFS and MODIS/Aqua ocean color data in North and Equatorial Atlantic using weighted averaging and objective analysis | |
| CN112013822A (zh) | 基于改进gwr模型的多光谱遥感水深反演方法 | |
| CN113221813B (zh) | 一种海岸线遥感提取方法 | |
| Zhou et al. | Bathymetry retrieval from spaceborne multispectral subsurface reflectance | |
| Maciel et al. | Evaluation of ACOLITE atmospheric correction methods for Landsat-8 and Sentinel-2 in the Río de la Plata turbid coastal waters | |
| CN114201732A (zh) | 一种基于Sentinel-2A影像的浅海海域水深反演方法 | |
| CN111651707A (zh) | 一种基于光学浅水区卫星遥感影像的潮位反演方法 | |
| CN114297938B (zh) | 一种基于神经网络的光学浅水水底深度的反演方法 | |
| Jiang et al. | Diurnal currents in the Bohai Sea derived from the Korean geostationary ocean color imager | |
| CN113960625B (zh) | 一种基于星载单光子激光主被动遥感融合的水深反演方法 | |
| Zhang et al. | A multiband model with successive projections algorithm for bathymetry estimation based on remotely sensed hyperspectral data in Qinghai Lake | |
| CN117423002B (zh) | 一种基于dem的小尺度潮滩图像处理方法 | |
| CN114218786A (zh) | 非偏振卫星传感器在轨偏振辐射特性反演方法 | |
| Chen et al. | Improving surface current estimation from Geostationary Ocean Color Imager using tidal ellipse and angular limitation | |
| CN117274831B (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 | |
| Huang et al. | An appraisal of atmospheric correction and inversion algorithms for mapping high-resolution bathymetry over coral reef waters | |
| Tang et al. | Imagery-derived bathymetry in Strait of Johor’s turbid waters using multispectral images | |
| CN105259145B (zh) | 一种同时遥感岛礁水下地形和地物的方法 | |
| Zhan et al. | MODIS-based research on Secchi disk depth using an improved semianalytical algorithm in the Yellow Sea | |
| Zhao et al. | Development of a practical atmospheric correction algorithm for inland and nearshore coastal waters | |
| CN115060656B (zh) | 基于稀疏先验实测点的卫星遥感水深反演方法 | |
| Wang et al. | Study on Remote Sensing of Water Depths Based on BP Artificial Neural Network. | |
| Liu et al. | Bathymetric ability of SPOT-5 multi-spectral image in shallow coastal water | |
| Liu et al. | Using a semi-analytical model to retrieve Secchi depth in coastal and estuarine waters |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211112 |
|
| WD01 | Invention patent application deemed withdrawn after publication |