基于被动遥感光谱图像应用神经网络的光学浅水分类方法与流程

本发明涉及信号处理领域，尤其涉及一种基于被动遥感光谱图像应用神经网络的光学浅水分类方法。

背景技术：

1、近岸浅水环境是世界上最具社会经济重要性和生产力的生态系统之一，对近岸浅水环境的监测是一项重要任务。除了监测此类生态系统中底部基质的变化外，一个所需的参数是底部深度，因为它不仅对于海上航行很重要，而且对于沿海环境管理也很重要。许多具有良好空间分辨率成像仪的被动水色卫星，例如landsat-8（30 m分辨率）、sentinel-2（20 m分辨率）和 coastal zone imager（50 m分辨率），一直在对沿海地区进行常规测量，测量得到的被动遥感图像是作为观察海洋水体性质的基础资料。随着主动遥感卫星冰、云和陆地高程卫星二号（icesat-2）的发射和运行，该卫星搭载的先进地形激光高度计系统（atlas）能够获得高精度的水深地形数据。由于激光雷达的穿透能力有限，目前atlas仅能够获得50米以内的水深信息，这部分水深信息对应的恰好是光学浅水区域水体。

2、对于浅水区域的管理，首先需要区分出浅水与深水区域。传统光学深水区与和浅水区域的分类主要基于原位测深数据，原位测量需要实地测量，这种方式效率低下且成本昂贵。或者采用目视解译的方式，通过人工区别被动遥感图像的深水区、浅水区，这种方式效率十分低下，且只能粗略区分水域。基于上述问题，基于atlas水深数据能够高效率生成光学浅水区的数据集，基于该水深数据能够高效率生成光学浅水区的数据集，不再依靠实地测量的方式获得浅水信息。而神经网络的方法由于拥有强大的分类能力，可以很好地辅助水体的分类。结合两者的分类方法能够很好地构建水体分类的新方法。

技术实现思路

1、针对现有技术的不足，本发明提出一种基于被动遥感光谱图像应用神经网络的光学浅水分类方法。

2、具体技术方案如下：

3、一种基于被动遥感光谱图像应用神经网络的光学浅水分类方法，包括以下步骤：

4、s1：获得icesat-2 atl03数据中的指定位置海底地形测深点作为先验水深数据点，并获取该区域的被动遥感图像；

5、s2：对所述被动遥感图像进行预处理，获得包含不同波段对应的遥感反射率的光谱图像；

6、s3：使用预处理后的被动遥感图像中红色波段、绿色波段、蓝色波段的遥感反射率，分别计算对应波段之间的辐射传输数据；

7、s4：获取所述先验水深数据点对应位置的被动遥感图像中红色波段、绿色波段、蓝色波段的遥感反射率和辐射传输数据，并将其作为浅水训练数据集；

8、s5：根据已知的原位测深数据集，随机选取与先验水深数据点数量相等的深水区位置对应的被动遥感图像中红色波段、绿色波段、蓝色波段的遥感反射率和辐射传输数据，并将其作为深水训练数据集；原位测深数据集为实地测出的一系列水深数据；

9、s6：将浅水训练数据集和深水训练数据集输入神经网络模型进行训练，得到训练好的神经网络模型；

10、s7：将预处理后的被动遥感图像中的红色波段、绿色波段、蓝色波段的遥感反射率，对应波段之间的辐射传输数据组成整幅图像的特征数据集；将所述特征数据集输入训练好的神经网络模型中，获取整幅被动遥感图像的光学深水区和光学浅水区分类结果。

11、进一步地，所述s3中，被动遥感图像的辐射传输数据计算表达式如下：

12、；

13、；

14、；

15、式中，p1是蓝、绿波段之间的辐射传输数据层信息，p2是红、绿波段之间的辐射传输数据层信息，p3是红、蓝波段之间的辐射传输数据层信息；r红是被动遥感图像中红色波段的遥感反射率，r绿是被动遥感图像中绿色波段的遥感反射率，r蓝是被动遥感图像中蓝色波段的遥感反射率。

16、进一步地，所述s2中，预处理的操作包括大气校正。

17、进一步地，所述s1中，采用dbscan算法获取先验水深数据点。

18、进一步地，所述s6中，神经网络模型是一种双层的前向反馈神经网络，在隐藏层具有s形传递函数，在输出层具有线性传递函数，隐藏层的大小设置为50。

19、进一步地，所述s5中，深水区为水深在50米以上的区域。

20、本发明的有益效果是：

21、本发明方法采用icesat-2测量的先验水深数据点替代没有原位测深数据的区域的数据，帮助水体分类；采用被动遥感图像的辐射传输数据，可以更好突出光谱数据的光学特点；结合了神经网络模型进行训练，能够精确、快速地分类水体环境。

技术特征：

1.一种基于被动遥感光谱图像应用神经网络的光学浅水分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于被动遥感光谱图像应用神经网络的光学浅水分类方法，其特征在于，所述s3中，被动遥感图像的辐射传输数据计算表达式如下：

3.根据权利要求1所述的基于被动遥感光谱图像应用神经网络的光学浅水分类方法，其特征在于，所述s2中，预处理的操作包括大气校正。

4.根据权利要求1所述的基于被动遥感光谱图像应用神经网络的光学浅水分类方法，其特征在于，所述s1中，采用dbscan算法获取先验水深数据点。

5.根据权利要求1所述的基于被动遥感光谱图像应用神经网络的光学浅水分类方法，其特征在于，所述s6中，神经网络模型是一种双层的前向反馈神经网络，在隐藏层具有s形传递函数，在输出层具有线性传递函数，隐藏层的大小设置为50。

6.根据权利要求1所述的基于被动遥感光谱图像应用神经网络的光学浅水分类方法，其特征在于，所述s5中，深水区为水深在50米以上的区域。

技术总结
本发明公开了一种基于被动遥感光谱图像应用神经网络的光学浅水分类方法，包括：根据卫星数据获取先验水深数据点，对被动遥感图像做预处理后，使用红绿蓝波段的遥感反射率计算辐射传输数据，将红绿蓝波段的遥感反射率和辐射传输数据组成特征数据集；获取先验水深数据点对应位置的红绿蓝波段的遥感反射率和辐射传输数据作为浅水训练数据集；根据已知的原位测深数据集，获取深水区位置对应的红绿蓝波段的遥感反射率和辐射传输数据作为深水训练数据集；将浅水训练数据集和深水训练数据集输入神经网络模型训练；将特征数据集输入训练好的神经网络模型中，获取分类结果。本发明突出了光谱数据的光学特点，能够精确、快速地分类水体环境。

技术研发人员：陈鹏,谢丛霜,张镇华,张思琪,黄海清
受保护的技术使用者：自然资源部第二海洋研究所
技术研发日：
技术公布日：2024/2/8