The present invention relates to a depth-learning-based hyperspectral remote sensing water depth inversion method. The steps are as follows: geometric correction and atmospheric correction of the original hyperspectral remote sensing image in the study area to obtain the true reflectance of each band; selection of the measured water depth range in the study area in the range of 0-20 meters; clipping the remote sensing image according to the spatial range corresponding to the selected water depth data; It is a formatted data file; it uses spectral reflectance information of remote sensing image and bathymetric data to generate formatted training data set according to geographic coordinate matching; it uses Tensorflow and Keras deep learning framework to build fully connected neural network, 1D CNN network and 2D CNN network to train the data of the research area; and it uses the well-trained network model to train the data of the research area. The water depth of the study area can be retrieved by applying them to remote sensing image data. The invention can directly retrieve high-precision water depth data by using only spectral information of hyperspectral remote sensing image in optical shallow water area as input.
【技术实现步骤摘要】
一种基于深度学习的高光谱遥感水深反演方法(一)所属
本专利技术涉及一种基于深度学习的高光谱遥感水深反演方法,属于光学遥感领域,在水色遥感技术研究以及深度学习技术研究方面具有重要意义。(二)
技术介绍
水深是海洋环境的重要参数,也是重要的水文要素。海岸带近岸水下地形信息是海岸带工程建设、交通航运、渔业养殖、科学研究的基础资料,在经济活动以及自然环境保护方面具有重要的意义。海岸带地形对地质勘探、船舶运输、港湾建筑、围海造田、铺设电缆管道以及实施海岸军事工程及其他军事活动有着重要的影响,对沿岸的经济建设和可持续发展至关重要,也是海岸带科学研究的基础与依据。因此浅海海岸带水深探测对于海岸带管理、保护与开发,海洋规划、海上交通运输、海洋军事及海洋环境监测等具有重要意义。传统的水深测量方法是利用测量船上安装的测深设备和定位设备将测深水域网状布点,测出全水域各点的水深。这种调查方法存在诸多不足,如耗时长、资料的同步性差,花费的人力物力巨大,测量区域范围有限,数据更新频率非常低、对历史上缺乏的数据无能为力。此外,受自然条件因素影响大,因而对暗礁密布船只难以到达的危险海域、存在争议或他国非法侵占的岛礁附近海区的水深测量,传统方法往往难以实施,有时甚至是无能为力。因此,研究和不断发展基于卫星遥感平台的水深探测技术,具有迫切的应用需求,已是当前海洋测绘急需解决的问题之一。但由于受到水体浑浊度、水底反射、波浪表面反射、遥感器波段设置以及波段数量限制等诸多干扰因素的影响,目前常规的水深遥感反演面临精度不高的瓶颈问题,从而制约了水深遥感反演的实用化与工程应用。随着信息技术的快速发展, ...
【技术保护点】
1.一种基于深度学习的高光谱遥感水深反演方法,其特征在于包括步骤如下:步骤一:按照高光谱遥感影像的相关预处理方法,对原始高光谱影像进行辐射定标、几何精校正,利用FLAASH模型对影像数据进行大气校正,得到地表与水面真实反射率光谱;步骤二:根据实测水深数据,圈定0‑20米的水域范围作为研究区域;裁剪对应空间范围的遥感影像;根据遥感影像空间分辨率大小以及实测水深数据点的密度,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遥感影像是遥感影像某一点的像元位置,Pos实测数据是实测数据中与遥感影像数据对应的某一点像元位置,Biaslon/lat是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;步骤三:将步骤二中制作的数据集作为深度学习训练过程的输入;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;将数据集格式化为深度学习程序可直接读取的数 ...
【技术特征摘要】
1.一种基于深度学习的高光谱遥感水深反演方法,其特征在于包括步骤如下:步骤一:按照高光谱遥感影像的相关预处理方法,对原始高光谱影像进行辐射定标、几何精校正,利用FLAASH模型对影像数据进行大气校正,得到地表与水面真实反射率光谱;步骤二:根据实测水深数据,圈定0-20米的水域范围作为研究区域;裁剪对应空间范围的遥感影像;根据遥感影像空间分辨率大小以及实测水深数据点的密度,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遥感影像是遥感影像某一点的像元位置,Pos实测数据是实测数据中与遥感影像数据对应的某一点像元位置,Biaslon/lat是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;步骤三:将步骤二中制作的数据集作为深度学习训练过程的输入;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;将数据集格式化为深度学习程序可直接读取的数据,再根据深度学习训练的常规要求,将训练数据和测试数据按照80%和20%的比例进行随机划分;在输入数据之前将所有的数据进行批标准化;对隐藏层数据进行批标准化;步骤四:搭建不同的深度学习网络对上述数据集进行训...
【专利技术属性】
技术研发人员:周冠华,张潇阳,陈金勇,孙康,路志勇,杨松,
申请(专利权)人:北京航空航天大学,中国电子科技集团公司第五十四研究所,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。