一种用于星载激光雷达探测次表层水体要素的反演方法与流程

1.本发明属于海洋激光雷达遥感探测技术领域，尤其涉及一种用于星载激光雷达探测次表层水体要素的反演方法。


背景技术：

2.激光雷达已广泛用于水体参数的反演，但由于激光雷达接收系统中探测器的瞬态响应，激光雷达在接收到海表反射的强信号后，不能立刻恢复到探测状态，会出现一个拖尾效应，将峰值能量延伸到后续的几个单元，使得后续测得的信号强度要比实际的后向散射信号偏高，继而影响后续信号的处理。因而，必须对水体回波信号进行去卷积，以消除探测器瞬态响应的影响，从而还原到达探测器的真实信号。此外，对于偏振激光雷达来说，由于偏振分束器的非理想特性，会导致部分平行偏振的信号转为垂直偏振的信号，使得垂直通道信号增强，平行通道的信号减弱，继而影响后续信号的处理。因此，必须对偏振分束器的串扰进行校正，以消除其影响，从而还原真实的平行通道和垂直通道信号。根据激光雷达信号先通过偏振分束器，继而被探测器接收的过程可知，在进一步反演水体参数之前，应当对激光雷达实测信号进行探测器瞬态响应的去卷积和偏振串扰校正，但目前的研究要么对探测器瞬态影响进行了校正，要么对偏振串扰进行了校正，缺乏对二者都进行校正的处理方法。
3.在对水体参数进行反演时，传统的激光雷达水体参数反演方法需要用到被动遥感卫星的漫衰减系数以及需要假定水体颗粒物后向散射系数与180
°
体散射系数之间的关系。但水体颗粒物后向散射系数与180
°
体散射系数之间的转换参数并不是一个固定的值，该值的不确定性为水体参数的反演引用了额外的误差。此外，常规的反演方法先将激光雷达信号的总退偏比转为水体后向散射系数，继而根据水体后向散射系数反演水体参数。但在转换过程中会存在一定的信息缺失。


技术实现要素：

4.针对现有技术的不足，本发明提供一种用于星载激光雷达探测次表层水体要素的反演方法，该方法通过对原始测量信号进行探测器瞬态响应校正和偏振串扰校正，以及使用深度学习训练模型，从而准确地反演水体参数。
5.本发明的目的通过如下的技术方案来实现：
6.一种用于星载激光雷达探测次表层水体要素的反演方法，该方法包括如下步骤：
7.步骤一：对星载激光雷达的回波剖面信号进行均值滤波；
8.步骤二：提取星载激光雷达探测的陆地表面数据，计算离散瞬态响应函数，拟合瞬态响应解析函数；然后根据探测器的瞬态响应解析函数组成的矩阵对滤波后的激光雷达测量信号进行瞬态响应校正；
9.步骤三：提取星载激光雷达探测的海洋近邻数据，计算积分衰减系数，再依次计算校正积分衰减系数和平行垂直相关系数，获取偏振串扰系数；根据偏振串扰系数对瞬态响
应校正后的信号再进行偏振串扰校正；
10.步骤四：计算水体总退偏比；
11.步骤五：计算水体后向散射系数；
12.步骤六：根据时间和经纬度匹配星载激光雷达和已有水体参数数据相对应的数据，然后将总退偏比、水体后向散射系数和纬度作为变量，水体参数作为真值输入深度神经网络进行学习，得到训练后的深度学习网络；
13.步骤七：将步骤四和五计算得到的所有的星载激光雷达的总退偏比、水体后向散射系数和纬度输入训练后的深度学习网络，网络输出水体参数。
14.进一步地，步骤一中对每30个回波剖面信号进行均值滤波，滤波后筛选气溶胶光学厚度小于3的回波信号进行陆地表面数据的提取，从而避免厚云对回波剖面信号的影响。
15.进一步地，所述离散瞬态响应函数f
′
(zj)为：
[0016][0017]
其中，β
′
(zj)为陆地表面近邻信号，p为峰值信号所在位置，i，j为信号所处单元；
[0018]
进一步地，步骤二的瞬态响应校正的计算公式为：
[0019]
β
′
(z)＝f-1
β(z)
[0020]
其中，β
′
(z)为探测器瞬态响应校正后的信号，β(z)为激光雷达测量信号，f为探测器的瞬态响应解析函数f(zi)组成的矩阵：
[0021][0022]
其中，f(zi)由探测器瞬态响应的解析函数f(z)计算而得，f(z)为：
[0023][0024]
其中，zs为峰值所处位置，σ1，σ2，β，σ3为函数参数，由最小二乘法根据探测器测量离散瞬态响应函数f
′
(zj)估算而得。
[0025]
进一步地，步骤三所述的偏振串扰校正为：
[0026][0027]
β
⊥
，c
＝β
⊥
，m-ct
×
β
||，c
[0028]
其中，β
||，c
和β
⊥
，c
分别为偏振串扰校正后平行通道和垂直通道的信号，β
||，m
和β
⊥
，m
分别为经过瞬态响应校正后的平行通道和垂直通道的信号，ct为偏振串扰系数，为平行垂直信号相关系数取得最小值的ct
p2s
,平行垂直信号相关系数ρ
xy
(ct
p2s
)为：
[0029]
ρ
xy
(ct
p2s
)＝|corr(x(ct
p2s
)，y)|
[0030]
其中，corr(*)表示求相关系数，|*|表示求绝对值；ct
p2s
为取值从0到0.02的备选
串扰系数，表示平行偏振转为垂直偏振信号的比例；x(ct
p2s
)为校正垂直通道积分衰减系数，y为平行通道积分衰减系数：
[0031]
x(ct
p2s
)＝γ
s，m-ct
p2s
×
γ
p，m
[0032]
y＝γ
p，m
[0033]
其中，γ
s，m
，γ
p，m
分别为垂直通道和平行通道的积分衰减系数：
[0034][0035][0036]
其中，β
′
s，m
(zj)和β
′
p，m
(zj)分别为海洋表面近邻的垂直通道和平行通道的回波信号。
[0037]
进一步地，步骤四的水体总退偏比δ
t
为：
[0038][0039]
进一步地，步骤五的水体后向散射系数γ为：
[0040][0041]
其中，βs为海表后向散射系数：
[0042][0043]
其中，θ为激光束天底角，σ2为海浪坡度均方差：
[0044]
σ2＝0.003+0.00512w
[0045]
其中，w为海表风速。
[0046]
一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现上述反演方法。
[0047]
一种计算机可读存储介质，其上存储有计算机程序或指令，该计算机程序或指令被处理器执行时实现上述的反演方法。
[0048]
本发明的有益效果如下：
[0049]
(1)本发明通过函数拟合计算探测器的归一化连续瞬态响应函数，消除采样信号对瞬态响应峰值位置的影响，获取更为精确的探测器瞬态响应函数，可以更加准确获取到达探测器的真实信号；
[0050]
(2)本发明基于平行偏振和垂直偏振信号之间的弱相关性，可以估算出最优串扰系数，从而还原真实的平行偏振和垂直偏振信号；
[0051]
(3)对实测信号进行探测器瞬态响应校正和偏振串扰校正，可以更好地消除激光雷达接收系统对信号造成的影响，从而还原真实的水体回波信号；同时将星载激光雷达的总退偏比和水体后向散射系数用于水体参数的反演，可以保留更多的水体信息，且可以根据空间变化选取最佳的转换参数，避免引用额外的假设，反演水体参数更加准确，且可以用
于多种水体要素的反演，具有广泛的适用性。
附图说明
[0052]
图1是用于星载激光雷达探测次表层水体要素的反演方法的流程图。
[0053]
图2是探测器瞬态响应函数，其中圆圈为离散的瞬态响应函数，实线为拟合的解析瞬态响应函数，左图为平行偏振通道的瞬态响应，右图为垂直偏振通道的瞬态响应。
[0054]
图3是探测器瞬态影响的校正结果，其中实线为测量的水体信号，虚线为校正后的水体信号，左图为平行偏振通道的校正结果，右图为垂直偏振通道的校正结果。
[0055]
图4是偏振串扰校正结果，其中实线为测量的水体信号，虚线为校正后的水体信号，左图为平行偏振通道的校正结果，右图为垂直偏振通道的校正结果。
[0056]
图5是激光雷达反演结果和原位实测数据的对比，左图为水体颗粒后向散射，右图为叶绿素；离散的点代表激光雷达反演结果和原位实测数据的匹配点，虚线表示离散点的线性拟合，实线代表激光雷达反演结果和原位实测数据1:1线。
[0057][0058]
具体实施方式
[0059]
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0060]
已有的研究表明，总退偏比中已经包含有不少的水体参数信息，本发明使用深度学习，综合总退偏比和水体后向散射系数与水体参数的关系，同时可以自动拟合激光雷达回波信号与水体参数之间的非线性关系，从而更加准确地反演水体参数。
[0061]
如图1所示，本发明的用于星载激光雷达探测次表层水体要素的反演方法，具体包括如下步骤：
[0062]
步骤一：对星载激光雷达的回波剖面信号进行均值滤波；
[0063]
本实施例采用calipso星载激光雷达level-1b v4.1产品反演水体颗粒物后向散射作为样例，且回波信号滤波时，对每30个回波剖面信号进行均值滤波。避免厚云对回波剖面信号的影响，滤波后筛选气溶胶光学厚度小于3的回波信号进行陆地表面数据的提取。
[0064]
步骤二：提取星载激光雷达探测的陆地表面数据，计算离散瞬态响应函数，拟合瞬态响应解析函数；然后根据探测器的瞬态响应解析函数组成的矩阵对滤波后的激光雷达测量信号进行瞬态响应校正；
[0065]
其中，离散瞬态响应函数f
′
(zj)为：
[0066][0067]
其中，β
′
(zj)为陆地表面近邻信号，p为峰值信号所在位置，i，j为信号所处单元。使用位为51.61
°
s,17.998
°
w的2008年1月1日的激光雷达回波信号计算的f
′
(zj)如图2中圆圈所示。
[0068]
瞬态响应校正的计算公式为：
[0069]
β
′
(z)＝f-1
β(z)
[0070]
其中，β
′
(z)为探测器瞬态响应校正后的信号，β(z)为激光雷达测量信号，f为探测器的瞬态响应解析函数f(zi)组成的矩阵：
[0071][0072]
其中，f(zi)由探测器瞬态响应的解析函数f(z)计算而得，f(z)为：
[0073][0074]
其中，zs为峰值所处位置，σ1，σ2，α，σ3为函数参数，由最小二乘法根据探测器测量离散瞬态响应函数f
′
(zj)估算而得。本实施例中，估算的平行偏振信号的σ1，σ2，α，σ3分别为18.6，149，0.017，12.7；垂直偏振信号的σ1，σ2，α，σ3分别为19.2，149，0.015，14.2。拟合的瞬态响应解析函数f(z)如图2中的实线所示。图3显示瞬态响应校正的去卷积结果。其中实线为测量的水体信号，虚线为校正后的水体信号，左图为平行偏振通道的校正结果，右图为垂直偏振通道的校正结果。从图上可以看出，经过校正后水下信号明显减少，从而能够有效的分离水面信号与水体信号。
[0075]
步骤三：提取星载激光雷达探测的海洋近邻数据，计算积分衰减系数，再依次计算校正积分衰减系数和平行垂直相关系数，获取偏振串扰系数；根据偏振串扰系数对瞬态响应校正后的信号再进行偏振串扰校正；
[0076]
其中，偏振串扰校正的计算公式为：
[0077][0078]
β
⊥
，c
＝β
⊥
，m-ct
×
β
||，c
[0079]
其中，β
||，c
和β
⊥
，c
分别为偏振串扰校正后平行通道和垂直通道的信号，β
||，m
和β
⊥
，m
分别为经过瞬态响应校正后的平行通道和垂直通道的信号，ct为偏振串扰系数，为平行垂直信号相关系数取得最小值的ct
p
2s,平行垂直信号相关系数为：
[0080]
ρxy(ct
p2s
)＝|corr(x(ct
p2s
)，y)|
[0081]
其中corr(*)表示求相关系数，|*|表示求绝对值。ct
p2s
为取值从0到0.02的备选串扰系数，表示平行偏振转为垂直偏振信号的比例。x(ct
p2s
)为校正垂直通道积分衰减系数，y为平行通道积分衰减系数：
[0082]
x(ct
p2s
)＝γ
s，m-ct
p2s
×
γ
p，m
[0083]
y＝γ
p，m
[0084]
其中，γ
s，m
，γ
p，m
分别为垂直通道和平行通道的积分衰减系数：
[0085]
[0086][0087]
其中，β
′
s，m
(zj)和β
′
p，m
(zj)分别为海洋表面近邻的垂直通道和平行通道的回波信号。本实施例计算得到ct为0.44％。图4显示偏振串扰校正结果。其中实线为测量的水体信号，虚线为校正后的水体信号，左图为平行偏振通道的校正结果，右图为垂直偏振通道的校正结果。从图上可以看出，经过校正后垂直偏振信号明显减小，平行偏振信号略有增强，从而可以求得准确的退偏比。
[0088]
步骤四：计算水体总退偏比，计算公式如下：
[0089][0090]
其中，δ
t
为水体总退偏比。
[0091]
步骤五：计算水体后向散射系数γ，计算公式如下：
[0092][0093]
其中，βs为海表后向散射系数：
[0094][0095]
其中，θ为激光束天底角，σ2为海浪坡度均方差：
[0096]
σ2＝0.003+0.00512w
[0097]
其中，w为海表风速。
[0098]
步骤六：根据时间和经纬度匹配星载激光雷达和已有水体参数数据相对应的数据，然后将总退偏比、水体后向散射系数和纬度作为变量，水体参数作为真值输入深度神经网络进行学习，得到训练后的深度学习网络。
[0099]
本实施例中，将modis的水体颗粒后向散射系数产品与calipso数据进行匹配，输入模型进行训练得到水体颗粒后向散射系数的反演模型。
[0100]
步骤七：将步骤四和五计算得到的所有的星载激光雷达的总退偏比、水体后向散射系数和纬度输入训练后的深度学习网络，网络输出水体参数。
[0101]
本实施例中，将calipso的总退偏比、水体后向散射系数和纬度输入水体颗粒后向散射系数的反演模型中，得到calipso反演的水体颗粒后向散射系数产品。
[0102]
根据modis水体颗粒后向散射月产品和calipso反演水体颗粒后向散射月产品进行对比，二者是非常接近的，且二者的相关系数为0.82。
[0103]
使用星载激光雷达calipso数据和modis叶绿素产品进行匹配建立的叶绿素反演模型，将calipso的总退偏比、水体后向散射系数和纬度输入所建立的叶绿素反演模型中，得到calipso反演的叶绿素产品。modis叶绿素月产品和calipso反演产品进行对比，二者是非常接近的。
[0104]
图5是激光雷达水体参数反演结果和原位实测结果的对比图，当离散点越靠近1:1线时，表明反演结果越准确。图5中的离散点集中在1:1线的附近，且激光雷达反演结果和原
位实测数据的相关系数r2在0.7以上。左图中的后向散射系数的最大值为0.01，反演的均方根误差rmse为0.0009，右图中的原位测量叶绿素最大值为10，反演的均方根误差rmse为0.674，所以，两者均方根误差rmse远小于最大值，从而证明了本发明的反演方法是可行有效的。
[0105]
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。