CN114297938A - 一种基于神经网络的光学浅水水底深度的反演方法 - Google Patents
一种基于神经网络的光学浅水水底深度的反演方法 Download PDFInfo
- Publication number
- CN114297938A CN114297938A CN202111670094.XA CN202111670094A CN114297938A CN 114297938 A CN114297938 A CN 114297938A CN 202111670094 A CN202111670094 A CN 202111670094A CN 114297938 A CN114297938 A CN 114297938A
- Authority
- CN
- China
- Prior art keywords
- water
- optical
- depth
- neural network
- water depth
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 195
- 230000003287 optical effect Effects 0.000 title claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012937 correction Methods 0.000 claims abstract description 34
- 238000002310 reflectometry Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000010521 absorption reaction Methods 0.000 claims abstract description 8
- 230000000873 masking effect Effects 0.000 claims abstract description 7
- 238000005286 illumination Methods 0.000 claims abstract description 6
- 230000008447 perception Effects 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims abstract description 3
- 239000007789 gas Substances 0.000 claims description 11
- 239000000443 aerosol Substances 0.000 claims description 10
- 238000002834 transmittance Methods 0.000 claims description 9
- 239000000758 substrate Substances 0.000 claims description 8
- 239000004576 sand Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000009365 direct transmission Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 239000013535 sea water Substances 0.000 claims description 3
- 241001474374 Blennius Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000512259 Ascophyllum nodosum Species 0.000 description 1
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
一种基于神经网络的光学浅水水底深度的反演方法，涉及地球物理勘探。包括以下步骤：1)对光学影像的原始数据进行气体吸收校正和瑞利校正获得瑞利校正后反射率；2)计算光学影像中每个像元的云反照度，将其作为参考，使用阈值法对步骤1)获得的反射率进行云像元掩膜；3)根据已知水体类型，将遥感获得的影像数据中每个像元对应的水体分为光学深水区域和光学浅水区域；4)构建水深数据集；5)建立一个多层感知神经网络模型，以步骤4)中覆盖广泛的水深数据集对模型进行神经网络训练，获取光学浅水水深信号，预测水深。
Description
技术领域
本发明涉及地球物理勘探技术领域，尤其是涉及一种基于神经网络的光学浅水水底深度的反演方法。
背景技术
近岸浅水环境是重要的生态***，其中包括珊瑚礁、海草和海带床等。它们属于世界上最有价值和生产力的生态***，对其有效的监测是许多政府机构的重要任务。除了对这些生态***底质的健康状况检测以外，一个重要的监测参数是海底深度。它不仅对航行、科学研究非常重要，还是沿海事件管理(包括对风暴潮的监测和风电场的选址等)的必要参考因素。
随着计算机技术的迅速发展，神经网络(NN)是开发适用性广泛的水深反演算法的有效手段。相较传统的光学遥感水深反演的经验算法，神经网络的输入灵活多变。如Liu等人的文章“Deriving Bathymetry From Optical Images With a Localized NeuralNetwork Algorithm”(IEEE Transactions on Geoscience and Remote Sensing,2018.56(9):5334-5342.)中，作者结合了局部经验回归模型对数据要求的常规性与神经网络的低敏感性，提出了局部自适应反向传播神经网络，其主要思想就是使用研究区域中规则分布的常规站点的蓝光和绿光波段的反射率数据(Rrs)作为输入，以及对应的水深作为输出，分别训练了多个反向传播神经网络，而后对多个神经网络获得的像元水深进行投票，从而预测水深。Ai等人的文章“Convolutional Neural Network to Retrieve Water Depth inMarine Shallow Water Area From Remote Sensing Images”(IEEE Journal ofSelected Topics in Applied Earth Observations and Remote Sensing,2020,13:2888-2898.)中，作者使用3个高空间分辨率卫星(资源-3、高分-1及WorldView-2)，利用其中的近红外和可见光的4个波段的遥感反射率(Rrs)数据，匹配实测激光水深点与像元及其相邻像元对应的Rrs数据，通过训练卷积神经网络(CNN)，从而预测每个像元的水深。
目前，利用传统遥感方法开展水深反演的研究，都是利用遥感反射率(Rrs)这一光谱信息，而卫星遥感中的Rrs是对原始数据进行大气校正后才能得到。对于近岸浅水区，当使用卫星影像来获取水深时，Rrs要经过大气校正才能够获取，其水深反演结果对大气校正算法的反演精度很敏感，因此，由于大气校正算法在近岸浅水区的不确定性，近岸浅水区经常出现没有有效的Rrs或者错误的Rrs，从而导致这些地点无法从卫星影像获得水深，或者获得的水深含极高的误差。与之相比，采用大气顶部数据作为算法的输入可以避免Rrs无效和错误的窘境，从而获得对应位置的水深点。此外，相较传统的光学遥感水深反演的经验算法，神经网络的输入灵活多变，大量数据集的采用可以使模型具有普适性。
发明内容
本发明的目的是针对现有技术的不足，提供使用光学卫星从大气顶部获得的遥感数据，准确推算全球光学浅水水深的一种基于神经网络的光学浅水水底深度的反演方法。
本发明包括以下步骤：
1)对光学影像的原始数据进行气体吸收校正和瑞利校正获得瑞利校正后反射率；
2)计算光学影像中每个像元的云反照度，将其作为参考，使用阈值法对步骤1)获得的反射率进行云像元掩膜；
3)根据已知水体类型，将遥感获得的影像数据中每个像元对应的水体分为光学深水区域(ODW)和光学浅水区域(OSW)；
4)构建水深数据集；
5)建立一个多层感知神经网络(MLP)模型，以步骤4)中覆盖广泛的水深数据集对模型进行神经网络训练，获取光学浅水水深信号，预测水深。
在步骤1)中，所述对光学影像的原始数据进行气体吸收校正和瑞利校正的具体步骤可为：
卫星传感器在大气层顶观测到的反射率(ρt)表示为：
ρt(λ)＝tg[ρr(λ)+ρaer(λ)+ρra(λ)+T(λ)ρg+tstvπRrs(λ)] (1)
式中，λ是波长，tg是大气中气体的透射率，ρr代表气溶胶不存在时多重分子散射导致的瑞利反射率，ρaer代表空气分子不存在时多重散射造成的气溶胶反射率，ρra代表由空气分子和气溶胶耦合引起的信号，T是直接透射率，ρg代表太阳耀斑导致的散射信号，ts与tv分别是太阳到水面和水面到传感器的大气透射率，Rrs是由海水光学性质(水体的吸收和散射等)及水底信号决定的遥感反射率。
公式(1)中的大气中气体的透射率tg是已知量，并且ρr与ρg是可以精准计算的量，遥感中的大气校正就是准确估算ts、tv、ρaer和ρra进而获得Rrs；为了避免错误的估算，将这4项保留，只对ρt进行瑞利校正获得瑞利校正后的反射率ρrc，具体表示为：
将会影响水体信号的瑞利反射率信号和太阳耀斑导致的散射信号精确计算并去除的步骤被称为瑞利校正，其对地域没有任何依赖性；而ts、tv、ρaer和ρra这四个也会影响水体信号的大气参数，会因地域和大气条件变化，因此估算不准的大气参数会导致校正失败从而没有有效数据或低质量数据的情况。
在步骤2)中，所述计算光学影像中每个像元的云反照度cloud albedo，具体表示为：
式中，Lt(865)是865nm大气层顶辐亮度，Lr是瑞利辐射，F0是地外太阳辐照度，θs是太阳天顶角，toz是臭氧透射率；
所述使用阈值法对步骤1)获得的反射率进行云像元掩膜的具体方法可为：当影像像元中云量覆盖较厚时，大部分的光被云反射，导致cloud albedo增高；根据光学卫星特性设置一个阈值，将cloud albedo高于阈值的像元剔除，以避免云对数据的影响。
在步骤3)中，所述光学深水区域(ODW)和光学浅水区域(OSW)主要是通过太阳光是否能到达水底进行判断；光学深水区域(ODW)通常包括自然光无法到达水底的深水水体与自然光无法穿过的浑浊浅水水体，反之为光学浅水区域(OSW)。
在步骤4)中，所述构建水深数据集是将步骤3)中的“浅水”水体类型的瑞利校正后反射率与其像元内真实的水深匹配组成水深数据集；可选择全球比较有代表性的浅水水体匹配不同季节、不同底质与不同大气条件下的ρrc和水深，以提升数据的覆盖范围；若实测水深数据的时间和卫星数据时间若不一致，则需要通过调和分析将实测水深数据的潮汐高度校正到卫星数据观测时间下对应的潮汐高度；实测测量水深的空间分辨率通常要远高于高分辨率卫星影像，因此当一个卫星影像像元中有多个水深点像元时，使用公式(4)计算卫星影像像元水深：
式中，Hpix为卫星影像像元水深，n为像元内实测水深点，Hi为每个实测水深点的水深。
在步骤5)中，所述建立一个多层感知神经网络(MLP)模型，以步骤4)中覆盖广泛的水深数据集对模型进行训练，输入为ρrc，输出为水深；通过不同类型的数据对神经网络训练，使得神经网络能在任何大气条件下获取光学浅水水深信号，也就是利用神经网络自主学习步骤1)中各季节、大气条件下会影响水体信号的两个大气参数来替代传统水色遥感的大气校正步骤，结合不同的底质信息，进而更好地预测水深。
与现有技术相比，本发明的优点如下：
1、本发明使用ρrc作为输入可以避免使用Rrs会出现的大气校正失败而没有有效数据(或者低质量数据)的情况。
2、神经网络具有灵活输入、高容错及自适应性的特点，利用ρrc结合神经网络在一定程度上是将大气校正过程放入了神经网络内部的训练中，用于适应不同大气、不同季节的水深环境条件。
3、目前大多数经验水深遥感算法没有普适性，与目前现有的水深反演方法相比，本发明在局部区域训练数据足够(不同季节、底质与大气条件)的情况下，可以很好地运用至全球其它地区的光学浅水水深反演。
4、本发明为目前光学卫星反演水深普遍使用遥感反射率Rrs预测局部水深提供一个新的全球化水深反演思路。
附图说明
图1是本发明实施例中实测水深数据与多光谱卫星的ρrc数据训练数据的数据匹配区域；
图2是本发明实施例中用于浅水水深预测的MLP神经网络结构图；
图3是本发明实施例中浅水水深算法验证区域(图中的实线条为影像匹配的ICESat-2数据的路径)；
图4是本发明实施例中验证区域水深遥感反演结果图；
图5是本发明实施例中反演水深精度验证结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下实施例将结合附图对本发明进行作进一步的说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，以下对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
本发明使用多光谱卫星的ρrc数据，通过一个多层感知神经网络模型，从而实现全球光学浅水水深遥感反演。
本发明包括以下步骤：
1)对光学影像的原始数据进行气体吸收校正和瑞利校正获得瑞利校正后反射率(ρrc)。卫星传感器在大气层顶观测到的反射率(ρt)表示为：
ρt(λ)＝tg[ρr(λ)+ρaer(λ)+ρra(λ)+T(λ)ρg+tstvπRrs(λ)] (1)
式中，λ是波长，tg是大气中气体的透射率，ρr代表气溶胶不存在时多重分子散射导致的瑞利反射率，ρaer代表空气分子不存在时多重散射造成的气溶胶反射率，ρra代表由空气分子和气溶胶耦合引起的信号，T是直接透射率，ρg代表太阳耀斑导致的散射信号，ts与tv分别是太阳到水面和水面到传感器的大气透射率，Rrs是由海水光学性质(水体的吸收和散射等)及水底信号决定的遥感反射率。
公式(1)中的tg是已知量，并且ρr与ρg是可以精准计算的量，遥感中的大气校正其实就是准确估算ts、tv、ρaer和ρra进而获得Rrs。为了避免错误的估算，将这4项保留，只对ρt进行瑞利校正获得瑞利校正后的反射率ρrc，具体表示为：
上面这步，也就是将会影响水体信号的瑞利反射率信号和太阳耀斑导致的散射信号精确计算并去除的步骤被称为瑞利校正，其对地域没有任何依赖性。而ts、tv、ρaer和ρra这四个也会影响水体信号的大气参数，会因地域和大气条件变化，因此估算不准的大气参数会导致校正失败从而没有有效数据(或者低质量数据)的情况。
2)计算光学影像中每个像元的云反照度(cloud albedo)，将其作为参考，使用阈值法对步骤1获得的ρrc进行云像元掩膜。cloud albedo具体表示为：
式中，Lt(865)是865nm大气层顶辐亮度，Lr是瑞利辐射，F0是地外太阳辐照度，θs是太阳天顶角，toz是臭氧透射率。
当影像像元中云量覆盖较厚时，大部分的光被云反射，导致cloud albedo增高。根据光学卫星特性设置一个阈值，将cloud albedo高于阈值的像元剔除，避免云对数据的影响。
3)根据已知水体类型，对遥感获得的影像数据种每个像元对应的水体分为光学深水区域(ODW)和光学浅水区域(OSW)。ODW和OSW主要是通过太阳光是否能到达水底进行判断。ODW通常包括自然光无法到达水底的深水水体与自然光无法穿过的浑浊浅水水体，反之为OSW。
4)将步骤3)中的“浅水”水体类型的ρrc与其像元内真实的水深匹配组成水深数据集。选择全球比较有代表性的浅水水体匹配不同季节、不同底质与不同大气条件下的ρrc和水深，提升数据的覆盖范围。实测水深数据的时间和卫星数据时间若不一致，需要通过调和分析将实测水深数据的潮汐高度校正到卫星数据观测时间下对应的潮汐高度。实测测量水深的空间分辨率通常要远高于高分辨率卫星影像，因此当一个卫星影像像元中有多个水深点像元时，使用公式(4)计算卫星影像像元水深：
式中，Hpix为卫星影像像元水深，n为像元内实测水深点，Hi为每个实测水深点的水深。
5)建立一个多层感知神经网络(MLP)模型，以步骤4)中覆盖广泛的水深数据集对模型进行训练，输入为ρrc，输出为水深。通过不同类型的数据对神经网络训练，使得神经网络能在任何大气条件下获取光学浅水水深信号，也就是利用神经网络自主学习步骤1中各季节、大气条件下会影响水体信号的两个大气参数来替代传统水色遥感的大气校正步骤，结合不同的底质信息，进而更好地预测水深。
下面结合附图和具体实施例，详细描述本发明的具体实施过程：
1、获取研究区的多光谱高分辨率卫星影像，本实施例采用Landsat-8光学卫星数据，使用开源专业软件Acolite对原始影像进行瑞利校正，从而获得每个像元的瑞利校正后反射率ρrc。ρrc的计算公式为：
式中，λ是波长，ρt为卫星传感器在大气层顶观测到的反射率，tg是大气中气体的透射率，T是直接透射率，ρg代表太阳耀斑导致的散射信号，ρr代表气溶胶不存在时多重分子散射导致的瑞利反射率。瑞利反射率信号和太阳耀斑导致的散射信号能够精确计算，对地域没有任何依赖性。
2、使用开源专业软件SeaDAS计算原始影像中每个像元的cloud albedo，使用阈值法对每个像元进行掩膜。cloud albedo计算公式为：
式中，Lt(865)是865nm大气层顶辐亮度，Lr是瑞利辐射，F0是太阳辐照度，θs是太阳天顶角，ts与tv分别是太阳到水面和水面到传感器的大气透射率，toz是臭氧透射率。
cloud albedo大于设定阈值的像元为云像元，其数据设为无效值，其余的为水体像元，数据保留。每个光学卫星cloud albedo阈值标准不一致，本实施例中使用Landsat-8，采用阈值为0.018。
3、匹配研究区中实测水深数据与“浅水”的光谱(图1)组成浅水水深数据集。本实施例中使用的为ICESat-2激光雷达实测水深数据。实施例中选取的训练数据研究区域为巴哈马浅滩(Great Bahama Bank)与萨尔岛浅滩(Cay Sal Bank)，匹配2018年10月到2021年3月期间所有Landsat-8与ICESat-2卫星数据。巴哈马浅滩和萨尔岛浅滩分别有72,178组与20,728组数据。巴哈马浅滩的水深分布是～0～15m，底质类型包括海草、微型藻、棕色大型藻和沙等；而萨尔岛浅滩的水深分布为～5～25m，底质类型有海草和沙等。从～0–25m的浅水水深范围几乎是所有光学浅水水深的分布范围，两个地区的底质类型也涵盖了大多数光学浅水底质类型。两年的匹配时间，包括了所有季节与几乎所有类型大气条件。ICESat-2卫星数据时间都与Landsat-8数据时间不一致，所以ICESat-2获得的水深需要通过调和分析将潮汐校正到Landsat-8卫星数据时间下。ICESat-2激光测量水深的空间分辨率要远高于高分辨率卫星影像，一个Landsat-8像元中有多个ICESat-2水深点，需要使用公式(4)计算像元水深：
式中，Hpix为像元水深，n为像元内实测水深点，Hi为每个实测水深点的水深。
5、构建一个MLP模型用于光学浅水水深的预测(图2)。经过测试，输入层的神经元个数为ρrc波段的数量，实施例中使用的Landsat-8卫星数据有7个ρrc波段，波段范围为430–2300nm；中间层为3层，神经元个数分别为128、32和16，中间层的激活函数为修正线性单元(ReLU)；输出层神经元个数为1，激活函数为Linear，输出水深。同时使用第4步中获得的浅水水深数据集训练模型，使用均方差(MSE)作为损失函数，运用自适应矩估计(Adam)与批量梯度下降法(BGD)优化模型梯度下降，学习率使用0.001，当损失函数收敛训练结束。
6、将第4步中训练获得的光学浅水水深预测的MLP模型应用到训练区域以外的光学浅水区域(Little Bahama Bank、Dry Tortugas、The Bight of Acklins、Xisha Island和Dongsha Island)的Landsat-8光学卫星影像上(图3)，获得水深反演结果(图4)。
7、选取ICESat-2激光水深点(分布见图4)对水深反演结果进行精度验证，绘制实测水深(Htrue)和反演水深(Hest)对比散点图，计算绝对相关系数R2、均方根误差RMSD和平均绝对相关系数MARD(图5)。总体来说，R2为0.98、RMSD为0.5m和MARD为8.3％。使用位于巴哈马浅滩与萨尔岛浅滩的作为训练数据而获得的模型能很好地运用至全球其他6个独立的验证区域的水体，本发明的适用更广。
Claims (7)
1.一种基于神经网络的光学浅水水底深度的反演方法，其特征在于包括以下步骤：
1)对光学影像的原始数据进行气体吸收校正和瑞利校正获得瑞利校正后反射率；
2)计算光学影像中每个像元的云反照度，将其作为参考，使用阈值法对步骤1)获得的反射率进行云像元掩膜；
3)根据已知水体类型，将遥感获得的影像数据中每个像元对应的水体分为光学深水区域和光学浅水区域；
4)构建水深数据集；
5)建立一个多层感知神经网络模型，以步骤4)中覆盖广泛的水深数据集对模型进行神经网络训练，获取光学浅水水深信号，预测水深。
2.如权利要求1所述一种基于神经网络的光学浅水水底深度的反演方法，其特征在于在步骤1)中，所述对光学影像的原始数据进行气体吸收校正和瑞利校正的具体步骤为：
卫星传感器在大气层顶观测到的反射率ρt表示为：
ρt(λ)＝tg[ρr(λ)+ρaer(λ)+ρra(λ)+T(λ)ρg+tstvπRrs(λ)] (1)
式中，λ是波长，tg是大气中气体的透射率，ρr代表气溶胶不存在时多重分子散射导致的瑞利反射率，ρaer代表空气分子不存在时多重散射造成的气溶胶反射率，ρra代表由空气分子和气溶胶耦合引起的信号，T是直接透射率，ρg代表太阳耀斑导致的散射信号，ts与tv分别是太阳到水面和水面到传感器的大气透射率，Rrs是由海水光学性质及水底信号决定的遥感反射率；
公式(1)中的大气中气体的透射率tg是已知量，并且ρr与ρg是可以精准计算的量，遥感中的大气校正就是准确估算ts、tv、ρaer和ρra进而获得Rrs；为了避免错误的估算，将这4项保留，只对ρt进行瑞利校正获得瑞利校正后的反射率ρrc，具体表示为：
将会影响水体信号的瑞利反射率信号和太阳耀斑导致的散射信号精确计算并去除的步骤被称为瑞利校正，其对地域没有任何依赖性；而ts、tv、ρaer和ρra这四个也会影响水体信号的大气参数，会因地域和大气条件变化，因此估算不准的大气参数会导致校正失败从而没有有效数据或低质量数据的情况。
3.如权利要求1所述一种基于神经网络的光学浅水水底深度的反演方法，其特征在于在步骤2)中，所述计算光学影像中每个像元的云反照度cloud albedo，具体表示为：
式中，Lt(865)是865nm大气层顶辐亮度，Lr是瑞利辐射，F0是地外太阳辐照度，θs是太阳天顶角，toz是臭氧透射率。
4.如权利要求1所述一种基于神经网络的光学浅水水底深度的反演方法，其特征在于在步骤2)中，所述使用阈值法对步骤1)获得的反射率进行云像元掩膜的具体方法为：当影像像元中云量覆盖较厚时，大部分的光被云反射，导致cloud albedo增高；根据光学卫星特性设置一个阈值，将cloud albedo高于阈值的像元剔除，以避免云对数据的影响。
5.如权利要求1所述一种基于神经网络的光学浅水水底深度的反演方法，其特征在于在步骤3)中，所述光学深水区域和光学浅水区域主要是通过太阳光是否能到达水底进行判断；光学深水区域通常包括自然光无法到达水底的深水水体与自然光无法穿过的浑浊浅水水体，反之为光学浅水区域。
6.如权利要求1所述一种基于神经网络的光学浅水水底深度的反演方法，其特征在于在步骤4)中，所述构建水深数据集是将步骤3)中光学浅水区域水体类型的瑞利校正后反射率与其像元内真实的水深匹配组成水深数据集；选择全球比较有代表性的浅水水体匹配不同季节、不同底质与不同大气条件下的ρrc和水深，以提升数据的覆盖范围；若实测水深数据的时间和卫星数据时间若不一致，则需要通过调和分析将实测水深数据的潮汐高度校正到卫星数据观测时间下对应的潮汐高度；实测测量水深的空间分辨率通常要远高于高分辨率卫星影像，因此当一个卫星影像像元中有多个水深点像元时，使用公式(4)计算卫星影像像元水深：
式中，Hpix为卫星影像像元水深，n为像元内实测水深点，Hi为每个实测水深点的水深。
7.如权利要求1所述一种基于神经网络的光学浅水水底深度的反演方法，其特征在于在步骤5)中，所述建立一个多层感知神经网络(MLP)模型，以步骤4)中覆盖广泛的水深数据集对模型进行训练，输入为ρrc，输出为水深；通过不同类型的数据对神经网络训练，使得神经网络能在任何大气条件下获取光学浅水水深信号，也就是利用神经网络自主学习步骤1)中各季节、大气条件下会影响水体信号的两个大气参数来替代传统水色遥感的大气校正步骤，结合不同的底质信息，进而更好地预测水深。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111670094.XA CN114297938B (zh) | 2021-12-31 | 2021-12-31 | 一种基于神经网络的光学浅水水底深度的反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111670094.XA CN114297938B (zh) | 2021-12-31 | 2021-12-31 | 一种基于神经网络的光学浅水水底深度的反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114297938A true CN114297938A (zh) | 2022-04-08 |
| CN114297938B CN114297938B (zh) | 2024-06-07 |
Family
ID=80973181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111670094.XA Active CN114297938B (zh) | 2021-12-31 | 2021-12-31 | 一种基于神经网络的光学浅水水底深度的反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114297938B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116879237A (zh) * | 2023-09-04 | 2023-10-13 | 自然资源部第二海洋研究所 | 一种近海浑浊水体的大气校正方法 |
| CN117789056A (zh) * | 2024-02-27 | 2024-03-29 | 杭州蚁联传感科技有限公司 | 一种带太阳耀斑的遥感数据处理方法、装置及存储介质 |
| CN117975255A (zh) * | 2024-04-02 | 2024-05-03 | 国家海洋信息中心 | 一种多光谱遥感影像浅海底质类型识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060235616A1 (en) * | 2004-09-15 | 2006-10-19 | Gallegos Sonia C | System and method for extracting optical properties from environmental parameters in water |
| CN102176001A (zh) * | 2011-02-10 | 2011-09-07 | 哈尔滨工程大学 | 一种基于透水波段比值因子的水深反演方法 |
| 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 |
| CN113255144A (zh) * | 2021-06-02 | 2021-08-13 | 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 |
-
2021
- 2021-12-31 CN CN202111670094.XA patent/CN114297938B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060235616A1 (en) * | 2004-09-15 | 2006-10-19 | Gallegos Sonia C | System and method for extracting optical properties from environmental parameters in water |
| CN102176001A (zh) * | 2011-02-10 | 2011-09-07 | 哈尔滨工程大学 | 一种基于透水波段比值因子的水深反演方法 |
| 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 |
| CN113255144A (zh) * | 2021-06-02 | 2021-08-13 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| 施英妮;张亭禄;周晓中;吴耀平;石立坚;: "基于神经网络方法的高光谱遥感浅海水深反演", 高技术通讯, no. 01, 25 January 2008 (2008-01-25) * |
| 赖文典: "A Portable Algorithm to Retrieve Bottom Depth of Optically Shallow Waters from Top-Of-Atmosphere Measurements", JOURNAL OF REMOTE SENSING, 3 February 2022 (2022-02-03) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116879237A (zh) * | 2023-09-04 | 2023-10-13 | 自然资源部第二海洋研究所 | 一种近海浑浊水体的大气校正方法 |
| CN116879237B (zh) * | 2023-09-04 | 2023-12-12 | 自然资源部第二海洋研究所 | 一种近海浑浊水体的大气校正方法 |
| CN117789056A (zh) * | 2024-02-27 | 2024-03-29 | 杭州蚁联传感科技有限公司 | 一种带太阳耀斑的遥感数据处理方法、装置及存储介质 |
| CN117789056B (zh) * | 2024-02-27 | 2024-05-07 | 杭州蚁联传感科技有限公司 | 一种带太阳耀斑的遥感数据处理方法、装置及存储介质 |
| CN117975255A (zh) * | 2024-04-02 | 2024-05-03 | 国家海洋信息中心 | 一种多光谱遥感影像浅海底质类型识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114297938B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114297938A (zh) | 一种基于神经网络的光学浅水水底深度的反演方法 | |
| Zhao et al. | Mapping large-area tidal flats without the dependence on tidal elevations: A case study of Southern China | |
| CN102176001B (zh) | 一种基于透水波段比值因子的水深反演方法 | |
| Lai et al. | A portable algorithm to retrieve bottom depth of optically shallow waters from top-of-atmosphere measurements | |
| Dickens et al. | Application of machine learning in satellite derived bathymetry and coastline detection | |
| CN113639716A (zh) | 一种基于深度残差收缩网络的水深遥感反演方法 | |
| CN112013822A (zh) | 基于改进gwr模型的多光谱遥感水深反演方法 | |
| Hestir et al. | Classification trees for aquatic vegetation community prediction from imaging spectroscopy | |
| Lee et al. | Confidence measure of the shallow-water bathymetry map obtained through the fusion of Lidar and multiband image data | |
| Jawak et al. | Spectral information analysis for the semiautomatic derivation of shallow lake bathymetry using high-resolution multispectral imagery: A case study of Antarctic coastal oasis | |
| Chu et al. | Technical framework for shallow-water bathymetry with high reliability and no missing data based on time-series sentinel-2 images | |
| CN114201732A (zh) | 一种基于Sentinel-2A影像的浅海海域水深反演方法 | |
| CN116295285A (zh) | 基于区域自适应的浅海水深遥感反演方法 | |
| Matsui et al. | Improving the resolution of UAV-based remote sensing data of water quality of Lake Hachiroko, Japan by neural networks | |
| Susa | Satellite derived bathymetry with Sentinel-2 imagery: Comparing traditional techniques with advanced methods and machine learning ensemble models | |
| CN115376002A (zh) | 一种基于stacking集成模型的多光谱卫星遥感测深方法 | |
| 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 | |
| CN113763272B (zh) | 一种富营养化湖泊光合有效辐射衰减系数遥感反演方法 | |
| Xie et al. | Satellite-derived bathymetry combined with Sentinel-2 and ICESat-2 datasets using machine learning | |
| 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 | |
| Ashphaq et al. | Analysis of univariate linear, robust-linear, and non-linear machine learning algorithms for satellite-derived bathymetry in complex coastal terrain | |
| CN115060656B (zh) | 基于稀疏先验实测点的卫星遥感水深反演方法 | |
| Liu et al. | A neural networks based method for suspended sediment concentration retrieval from GF-5 hyperspectral images | |
| Liu et al. | Bathymetric ability of SPOT-5 multi-spectral image in shallow coastal water |
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 |