一种基于深度学习的海洋沉积物测试系统及方法技术方案

本发明专利技术属于海洋水质测试技术领域，具体涉及一种基于深度学习的海洋沉积物测试系统及方法。所述系统包括：海洋遥感卫星地面站、远程遥感卫星和连接海洋遥感卫星地面站与远程遥感卫星的反馈神经网络；所述远程遥感卫星有两组，分别为第一远程遥感卫星和第二远程遥感卫星；所述系统还包括：所述第一远程遥感卫星和第二远程遥感卫星获取海洋的电磁波特征数据信息，将数据信息发送到反馈神经网络；所述反馈神经网络对接收到的数据信息进行反馈修正，纠正数据信息误差，将纠正的信息误差发送到遥感卫星地面站。具有智能化程度高和准确度高的优点。

【技术实现步骤摘要】
一种基于深度学习的海洋沉积物测试系统及方法
本专利技术属于海洋水质测试
，具体涉及一种基于深度学习的海洋沉积物测试系统及方法。
技术介绍
1872～1876年英国“挑战者”号考察，揭开了海洋沉积物调查研究的序幕，特别是有关深海沉积物的分类至今仍有重要意义。1899～1900年，荷兰船“西博加”号进行的调查在沉积物的分布及组成等方面也取得重要成果。第二次世界大战后，随着军事的需求和海底石油等矿产资源的勘探开发，海洋沉积物的研究获得长足进展。人们开始对特定海域和重大理论课题开展专题调查研究。40年代末期，F.P.谢泼德和M.B.克列诺娃的海洋地质学专著相继问世，系统地总结了当时对海洋沉积的认识。50年代末和60年代初期，由于大规模的国际合作和新技术、新方法的运用，使海洋沉积物的研究提高到一个新水平。尤其是海底沉积矿产、浊流沉积、现代碳酸盐沉积和陆架沉积模式的研究取得了不少新认识。60年代末期开始实施的深海钻探计划，使海底沉积的研究进入新的阶段，特别是在深海沉积物的类型与分布以及成岩作用的研究方面获得了大量重要资料。70本文档来自技高网...

【技术保护点】
1.一种基于深度学习的海洋沉积物测试系统，所述系统包括：海洋遥感卫星地面站、远程遥感卫星、连接海洋遥感卫星地面站与远程遥感卫星的反馈神经网络以及运行反馈神经网络的辐射传输与大气校正模块；/n所述远程遥感卫星有两组，分别为第一远程遥感卫星和第二远程遥感卫星；/n其特征在于，所述系统还包括：所述第一远程遥感卫星和第二远程遥感卫星获取海洋的电磁波特征数据信息，所述电磁波特征数据信息为采用传感器采集到的，所述传感器将数据信息发送到运行所述反馈神经网络的辐射传输与大气校正模块；所述反馈神经网络对接收到的数据信息进行反馈修正，纠正数据信息误差，将纠正的信息误差发送到遥感卫星地面站；所述遥感卫星地面站对接收...

【技术特征摘要】
20191114 CN 20191111043271.一种基于深度学习的海洋沉积物测试系统，所述系统包括：海洋遥感卫星地面站、远程遥感卫星、连接海洋遥感卫星地面站与远程遥感卫星的反馈神经网络以及运行反馈神经网络的辐射传输与大气校正模块；
所述远程遥感卫星有两组，分别为第一远程遥感卫星和第二远程遥感卫星；
其特征在于，所述系统还包括：所述第一远程遥感卫星和第二远程遥感卫星获取海洋的电磁波特征数据信息，所述电磁波特征数据信息为采用传感器采集到的，所述传感器将数据信息发送到运行所述反馈神经网络的辐射传输与大气校正模块；所述反馈神经网络对接收到的数据信息进行反馈修正，纠正数据信息误差，将纠正的信息误差发送到遥感卫星地面站；所述遥感卫星地面站对接收到的数据信息进行处理和分析；结合接收到的检测结果和对数据信息的分析结果，进行综合分析，得出分析结果；将分析结果进行存储和发送；
所述辐射传输与大气校正模块进行数据信息反馈，包括以下步骤：
S1：构建所述传感器接收到的辐射量模型：



所述Latm-path为大气路径辐射量，所述Lbackgr-path为背景路径辐射量，所述Ltarget为海平面反射辐射量；
所述大气路径辐射量Latm-path是光没有经过海平面反射直接被传感器接收到的大气辐射量；所述背景路径辐射量Lbackgr-path为从目标像素附近散射到传感器视野中的反射辐射量；所述海平面反射辐射量Ltarget为所述光经过海平面反射的辐射量；
S2：对所述传感器接收到的大气路径辐射量Latm-path和背景路径辐射量Lbackgr-path进行信号修正：






其中，所述F0为多余的海平面太阳辐射量，所述Ratm(θv,θs,φv-φs)为描述光被大气反射的系数，所述θs为太阳天顶角，所述φs为太阳方位角，所述θv为观测天顶角，所述为φv观测方位角；
所述Ed为海平面上方的下沉辐照度，所述tdif为太阳光从海平面到所述传感器的漫射透射率，所述ρbackgr为海底背景反射率；
S3：对所述传感器接收到的海平面反射辐射量Ltarget进行提取：



所述tdir为太阳光海平面到传感器的直接反射透射率，所述τ为大气中的光学深度，所述ρs为海洋水面反射率；
S4：对所述S3步骤得到的海平面反射辐射量Ltarget进行气溶胶光学厚度校正，得到校正后的定标海平面反射辐射量L′target；
S5：对所述S2步骤得到的背景路径辐射量Lbackgr-path进行邻近效应产生的辐射量进行校正，得到修正后的海底背景反射率ρ′backgr，进而得到修正后的背景路径辐射量L′backgr-path；
S6：利用所述S4步骤得到的校正后的定标海平面反射辐射量L′target和所述S5步骤的修正后的背景路径辐射量L′backgr-path最终对所述S1步骤的传感器接收到的辐射量进行修正：





2.根据权利要求1所述的一种基于深度学习的海洋沉积物测试系统，其特征在于，所述步骤S2和所述步骤S3中的地表上方的下沉辐照度Ed的计算公式如下：



所述t(θs)为太阳到海洋沉积物的总透射率，t(θs)＝tdir(τ,θv)+tdif(τ,θv)，所述s*为太阳光在大气球面反照率。


3.根据权利要求1所述的一种基于深度学习的海洋沉积物测试系统，其特征在于，所述步骤S3中的海洋水面反射率ρs的计算公式如下：



其中，所述c1＝-Latm-path，所述所述所述所述c5＝s*；所述为所述传感器测量得到的背景辐射量。


4.根据权利要求1所述的一种基于深度学习的海洋沉积物测试系统，其特征在于，所述S4步骤包括以下步骤：
S41：选择五个具有高光谱对比度的像素，计算所述五个高光谱对比度的像素校正过的海洋水面反射率ρk：
ρk＝Cv×ρveg+Cs×ρsoil；
其中，所述ρveg为预定的海底植物的反射光谱值，所述ρsoil为海底土壤的反射光谱值，所述Cv为预定海底植物光谱的反演参数，所述Cs为海底土壤光谱的反演系数；所述Cv＞0，所述Cs＞0，所述ρk∈[0,1]，k＝1,2,3,4,5；
S42：利用所述S41步骤得到的校正过的海洋水面反射率ρk和所述S3步骤的计算公式，重新进行所述传感器接收到的海平面反射辐射量Ltarget的定标，得到校正后的定标海平面反射辐射量L′target：





5.根据权利要求4所述的一种基于深度学习的海洋沉积物测试系统，其特征在于，所述五个具有高光谱对比度的像素包括至少两个预定义默认值的海底植物光谱像素和至少一个预定义默认值的海底土壤光谱像素。


6.根据权利要求1所述的一种基于深度学习的海洋沉积物测试系统，其特征在于，所述S5步骤包括以下步骤：
S51：于近天体探测飞行天顶角为0°时的大气顶层光照下，通过价值函数δ2的最小化实现大气顶层光照辐射量反演：



其中，所述LSIM为所在像素的模拟大气顶层光照辐射量，所述LSIM为存储在MODTRAN5.2.2大气辐射传输计算软件包中并对应不同的波段进行查询得到的；所述LSENS为所述传感器测量得到的所在像素的大气顶层光照辐射量；所述ωpix为加权因子；所述λi为对应于第i波段的中心波长，单位为μm；
S52：假设曲面是朗伯曲面，按照太阳光谱波段卫星信号6S模型，将气体吸收从每个波段i的太阳光照散射中分离出来后的模拟大气顶层光照辐射量LSIM(μs,μv,φ)：



所述tg为大气透过率，所述L0为本征大气辐射量，即大气路径辐射，所述ρ′backgr为没有去除邻近效应的海底背景反射率，所述S为从海平面表面进入大气的各向同性光的球面反射率，所述μv为建立半球视图天顶角的余弦，所述μs为太阳天顶角的余弦，所述φ为太阳与所述建立半球视图观测方向之间的相对方位角，所述Esc为外星反射太阳辐射量，所述T↑为在观测方向向上的总大气透过率，所述T↓为在观测方向向下...

【专利技术属性】
技术研发人员：江峦，陈路，尤蓉蓉，肖志伟，吕冰冰，
申请(专利权)人：湖南国天电子科技有限公司，
类型：发明
国别省市：湖南;43