一种基于神经网络二次优化的二类水体大气校正方法
【专利摘要】本发明公开了一种基于神经网络二次优化的二类水体大气校正方法，它涉及遥感影像数据处理【技术领域】。其步骤为：对所获取的高光谱影像提取其几何信息、波长信息以及550nm处气溶胶光学厚度初值τ5500；将前述提取的参数输入神经网络模型，模拟输出大气漫射透过率t以及总贡献ρpath；利用近红外波段的离水反射率ρw(NIR)，连同t、ρpath，模拟出表观反射率ρtoasin；将ρtoasim与从影像中提取的真实表观反射率ρtoames进行光谱优化，最终得到最优解τ550opt、Ropt、nopt；将τ550opt带入神经网络模型中，得到所有高光谱波段的大气漫射透过率topt以及大气分子和气溶胶的总贡献ρpathopt；结合影像上真实表观反射率ρtoames，估算高光谱影像的离水反射率。本发明提高了模型的实用性，减少输入参数的同时提高了估算精度。
【专利说明】—种基于神经网络二次优化的二类水体大气校正方法
【技术领域】
[0001]本发明涉及的是遥感影像数据处理【技术领域】，具体涉及一种基于神经网络二次优化的二类水体大气校正方法。
【背景技术】
[0002]大气校正一直是水色遥感中数据预处理的一个重要问题。Morel&Prieur(1977)将海水划分为一类水体和二类水体。一类水体大多是远离陆地，较少受到人类活动影响的开阔大洋水体，水中叶绿素对其光学特性起决定性作用；二类水体大多是沿岸和内陆水体，受到人类活动的显著影响，水体的光学特性由有色可溶性有机物、悬浮无机物以及叶绿素共同决定，复杂多变。Gordon，et al.(1994)根据一类水体在近红外波段离水辐射率近似为O的特征，假设近红外波段的信号值全部来自于瑞利散射和气溶胶散射，发展了基于暗像元的标准大气修正算法，在一类水体中获得了较高的精度。然而，由于水体悬浮物在近红外波段的高反射，使得暗像元的假设在二类水体中不再成立，因此标准大气修正算法在二类水体不适用。
[0003]针对二类水体，国内外学者在标准大气修正算法的基础上，进行改进、发展，提出了新的大气校正方法。Wang，et al.(2007)认为浑浊水体在短波红外波段可视为暗像元，并利用MODIS短波红外和近红外波段相结合，定义了一个浑浊水体指数，当该指数值大于等于1.3时，视为浑浊水体，用短波红外波段进行大气校正，反之则用近红外波段校正。该方法适用于美国和中国的东部沿岸水体。Hu，et al.(2000)假设气溶胶类型在50?IOOkm空间范围内不变，找出研究区内的清洁水体，根据近红外波段离水辐射值为O的特征计算气溶胶参数，再用最临近象元法将其传递给浑浊水体。并在墨西哥湾进行实验，发现校正精度较高，改善了可见光短波波段被低估的情况。然而这些方法都要依赖于对清洁像元的选取，对于浑浊的二类水体，往往会出现过校正的现象。
【发明内容】
[0004]针对现有技术上存在的不足，本发明目的是在于提供一种基于神经网络二次优化的二类水体大气校正方法，针对二类水体，克服其暗像元难以选取的缺点，构建一种神经网络模型，建立一种优化算法，准确估算大气对卫星传感器获取信息的影响；为了提高估算精度，从影像直接提取参数参与优化过程，使得大气校正结果与数据获取时刻的大气条件更加接近。
[0005]为了实现上述目的，本发明是通过如下的技术方案来实现:一种基于神经网络二次优化的二类水体大气校正方法，其步骤为:A:对二类水体的高光谱影像数据进行预处理，提取影像表观反射率；
[0006]B:对所获取的高光谱影像提取其几何信息、波长信息以及550nm处气溶胶光学厚
度初值τ 550° ；
[0007]C:将B中提取的参数输入神经网络模型，模拟输出大气漫射透过率t以及大气分子和气溶胶的总贡献P path ；
[0008]D:利用近红外波段的离水反射率Pw(NIR),连同t、Ppath,模拟出表观反射率
P toaSim ；
[0009]E:将P t。广与A中提取的真实表观反射率P t0；es进行光谱优化，不断调整参数τ 55(|、R、η,直到模拟值最接近真实值，最终得到最优解τ 55广R°pt、nopt ；
[0010]F:将τ 550opt带入神经网络模型中，得到所有高光谱波段的大气漫射透过率t°pt以及大气分子和气溶胶的总贡献Ppath°Pt ;
[0011]G:结合影像上真实表观反射率P 估算高光谱影像的离水反射率。
[0012]优选地，所述步骤A具体包括步骤:
[0013]Al:获取所需进行大气校正的高光谱遥感影像，从中提取二类水体水域的影像数据；
[0014]A2:利用所 获取数据的定标参数(通常由传感器发射方提供)，对原始影像数据进行辐射定标和几何纠正；
[0015]A3:从A2处理后的原始影像中提取表观反射率数据P t0；eso
[0016]优选地,所述步骤B具体包括步骤:
[0017]B1:从A处理的影像直接提取高光谱影像的几何信息，包括太阳天顶角和方位角(θ3, Φ3)、卫星天顶角和方位角(θν, φν)；
[0018]Β2:从A处理的影像直接提取高光谱影像的波长信息；
[0019]B3:从A处理的影像直接提取550nm处气溶胶光学厚度初值τ 55(|°。
[0020]优选地，所述步骤C中，将B中提取的参数如太阳和卫星天顶角(0s，θν)、方位角(φ3，Φν)，影像多个波段的波长λ以及550nm处气溶胶光学厚度初值τ55(ι°，输入神经网络模型BP-Ppath以及BP-t，模拟输出大气漫射透过率t以及大气分子和气溶胶的总贡献P patho两个神经网络模型如下:
[0021]Cl:神经网络模型BP-Ppath用于模拟输出大气分子和气溶胶的总贡献Ppath,其输入参数是太阳、卫星天顶角、方位角以及波长。神经网络模型可由辐射传输模拟构建的P path查找表建立，福射传输模拟可米用大气福射传输方程或现有公开发布的开源代码如6S模型完成。
[0022]C2:神经网络模型BP-t用于模拟输出大气漫射透过率t，其输入参数是太阳、卫星天顶角、方位角以及波长。神经网络模型可由辐射传输模拟构建的t查找表建立，辐射传输模拟可采用大气辐射传输方程或现有公开发布的开源代码如6S模型完成。
[0023]优选地，所述步骤D中，将754nm处离水反射率初值R°，光谱指数初值n°带入近红外离水反射率模型中，估算出近红外波段的离水反射率P w (NIR)，再连同t、P path，模拟出表观反射率P tMsim。具体计算方法如下:
[0024]
【权利要求】
1.一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，其步骤为:(A):对二类水体的高光谱影像数据进行预处理，提取影像表观反射率； (B):对所获取的高光谱影像提取其几何信息、波长信息以及550nm处气溶胶光学厚度初值τ 550° ； (C):将步骤B中提取的参数输入神经网络模型，模拟输出大气漫射透过率t以及大气分子和气溶胶的总贡献Ppath; (D):利用近红外波段的离水反射率Pw(NIR),连同t、Ppath,模拟出表观反射率P toaSim ； (E):将PtJim与步骤㈧中提取的真实表观反射率PttTs进行光谱优化，不断调整参数τ 55(|、R、η,直到模拟值最接近真实值，最终得到最优解τ 550op\ Rop\ nopt ； (F):将τ55(|-带入神经网络模型中，得到所有高光谱波段的大气漫射透过率t°pt以及大气分子和气溶胶的总贡献Ppath°Pt ; (G):结合影像上真实表观反射率P，估算高光谱影像的离水反射率。
2.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述的步骤(A)具体包括步骤:(Al):获取所需进行大气校正的高光谱遥感影像，从中提取二类水体水域的影像数据； (A2):利用所获取数据的定标参数(通常由传感器发射方提供)，对原始影像数据进行辐射定标和几何纠正； (A3):从步骤(A2)处理后的原始影像中提取表观反射率数据PtJ'
3.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(B)具体包括步骤: (BI):从步骤(A)处理的影像直接提取高光谱影像的几何信息，包括太阳天顶角和方位角(9S，Φ3)、卫星天顶角和方位角(θν，φν); (Β2):从步骤(A)处理的影像直接提取高光谱影像的波长信息； (B3):从步骤(A)处理的影像直接提取550nm处气溶胶光学厚度初值τ 55(|°。
4.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(C)中，将步骤⑶中提取的参数如太阳和卫星天顶角(es，θν)、方位角(φ3，Φν)，影像多个波段的波长λ以及550nm处气溶胶光学厚度初值τ55(ι°，输入神经网络模型BP-Ppath以及BP-t，模拟输出大气漫射透过率t以及大气分子和气溶胶的总贡献P path ;两个神经网络模型如下: (Cl):神经网络模型BP-Ppath用于模拟输出大气分子和气溶胶的总贡献Ppath,其输入参数是太阳、卫星天顶角、方位角以及波长。神经网络模型可由辐射传输模拟构建的Ppath查找表建立，福射传输模拟可米用大气福射传输方程或现有公开发布的开源代码如6S模型完成。 (C2):神经网络模型BP-t用于模拟输出大气漫射透过率t，其输入参数是太阳、卫星天顶角、方位角以及波长。神经网络模型可由福射传输模拟构建的t查找表建立,福射传输模拟可采用大气辐射传输方程或现有公开发布的开源代码如6S模型完成。
5.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(D)中，将754nm处离水反射率初值R°，光谱指数初值n°带入近红外离水反射率模型中，估算出近红外波段的离水反射率P w (NIR)，再连同t、P path，模拟出表观反射率P toaSim ;具体计算方法如下:
6.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(E)中，将P tJin与A中提取的真实表观反射率P t()ames进行光谱优化，不断调整参数T55(l、R、n，直到模拟值最接近真实值，最终得到最优解T55(l°pt、R°pt、n_。在光谱优化过程中，借助于罚函数判断模拟表观反射率与真实表观反射率的接近程度，使模型模拟的值更加逼近真值；罚函数P定义为模拟表观反射率与真实表观反射率误差的平方和，并加入参数初始值进行约束:
7.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(F)中，将τ55。-带入神经网络模型BP-Ppath以及BP-t中，得到所有高光谱波段的大气漫射透过率t°pt以及大气分子和气溶胶的总贡献Ppath°pt。
8.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(G)中，结合影像上真实表观反射率P 估算高光谱影像的离水反射率,计算由公式⑵完成。
【文档编号】G01N21/25GK103712955SQ201410010428
【公开日】2014年4月9日 申请日期:2014年1月2日 优先权日:2014年1月2日
【发明者】李云梅, 周莉, 黄昌春 申请人:李云梅