一种无需大气校正的近海浒苔绿潮遥感监测方法技术

本发明专利技术公开了一种无需大气校正的近海浒苔绿潮遥感监测方法，具体地，本发明专利技术首先基于时空匹配的卫星遥感影像集，计算得到卫星大气层顶反射率数据，推导出专门用于浒苔增强的类缨帽变换矩阵，进而建立浒苔遥感监测算法(绿度指数)。然后，将其应用到长时间序列卫星遥感数据资料，最终得到浒苔灾害暴发全过程的分布信息。本发明专利技术为卫星遥感数据快速监测浒苔绿潮灾害提供了一种新的方法，对提高我国近海浒苔灾害的业务化监测能力及其制定应急响应决策等方面有着重要意义。

【技术实现步骤摘要】
一种无需大气校正的近海浒苔绿潮遥感监测方法
本专利技术涉及海洋遥感
，尤其涉及一种无需大气校正的近海浒苔绿潮遥感监测方法。
技术介绍
在特定环境条件下，海水中的某些绿色大型藻类出现爆发性增值或高度聚集而引起水体变色的一种有害生态现象，被称为绿潮。以浒苔(Ulvaprolifera)为优势种的绿潮是我国近海最常见的大型漂浮藻类灾害。浒苔属绿藻门、石莼目和石莼科，是一类广温、广盐，环境适应能力和繁殖能力较强的海洋绿藻。大规模浒苔暴发不仅恶化海洋生态环境和破坏海洋生态系统，而且给海滨旅游业、水产养殖、海洋运输业等造成巨大经济损失。此外，海岸带附近已死亡的藻体会“登陆”，并造成一系列严重经济和生态问题(2018年中国海洋灾害公报)。因此，及时准确地获取浒苔灾害的分布和漂移路径信息成为防灾减灾最重要的前提保障，对制定应急管理决策和降低损失等发挥着重要作用。自2007年之后，浒苔绿潮已经成为我国近海“每年必遇”的海洋生态灾害，特别是江苏至山东海域(Qi等，2017；Xing等，2019)。目前，浒苔灾害监控已成为我国政府和海洋环境研究学者关注的热点问题之一，并纳入国家海洋灾害公报统计。然而，受风、潮汐、海流等多种因素的综合影响，浒苔的时空分布经常发生变化，采用传统的调查观测方法难以掌握其变化规律且费时费力。相比而言，卫星遥感技术具有准实时、宏观和周期性等独特优势，可以实现在时间和空间尺度上连续地提供观测资料。因此，卫星遥感数据尤其是光学卫星遥感，已被广泛用于监测浒苔绿潮灾害。基于卫星遥感(光学和微波)数据，研究学者利用光学特性和散射特性开发了多种浒苔遥感算法。这些算法依赖于以下假设：绿色大型藻类的光学特性(可见光和红外波段)和后向散射特征(微波波段)明显区别于海水。主动式微波传感器具有全天时、全天候观测能力，但是数据成本较高和可获取性较低。相比而言，光学卫星遥感可进行高时空分辨率和周期性观测，并且直观地再现大型漂浮藻类现象。绝大多数的光学卫星遥感数据是免费公开，可获取性很高。因此，光学遥感数据广泛用于海洋大型漂浮藻类的研究(邱亚会和卢剑波，2015；颜天等，2018)，比如Aqua-Terra/MODIS(中分辨率图像光谱辐射计)、Landsat8-OLI(陆地成像仪)、GOCI(静止水色成像仪)、HJ-CCD(电荷耦合器件)、GF-WFV(宽视场多光谱相机)等。国内外学者基于光学遥感数据提出了许多浒苔绿潮遥感监测算法，如单波段法、多波段组合法、监督分类法和机器学习算法等。其中，针对陆地植被设计的植被指数也被用于浒苔监测(Liu等，2009；施英妮等，2012)，如最常用的归一化差异植被指数(NDVI)和增强植被指数(EVI)。然而，针对大型漂浮藻类和海水，NDVI和EVI算法对外界环境和观测条件变化很敏感(Trishchenko等，2002；Hu，2009)。Hu(2009)基于近红外(NIR)波段与红色和短波红外(SWIR)波段形成基线之间的瑞利校正反射率(Rrc)差异，设计了一种简单的漂浮藻类指数(FAI)。但是，该算法无法移植到缺少SWIR波段的卫星传感器，如HJ-CCD和GF-WFV等。Son等(2012)分析了浒苔的瑞利校正反射率和遥感反射率(Rrs)光谱特征，提出了“GOCI漂浮绿潮指数”(IGAG)。参考FAI设计思路，Xing和Hu(2016)设计了虚拟基线的漂浮藻类高度指数(VB-FAH)，将VB-FAH指数应用于HJ-CCD数据。Qiu等(2018)基于GOCI的瑞利校正后反射率数据利用神经网络算法自动提取中国黄海绿潮信息。综上所述，已有的光学遥感监测算法主要利用遥感反射率或瑞利校正反射率信号，而这些信号的获取则需要较复杂的大气校正步骤。这在一定程度上增加了算法实施的复杂性和降低算法的处理效率。因此针对现有浒苔遥感监测算法需要大气校正程序而造成算法实施复杂和降低处理效率的局限性。同时，大气校正需要更多的辅助信息，如传感器几何参数、依赖于天气条件的大气模型和气溶胶光学厚度参数等。
技术实现思路
针对以上问题，本专利技术提出一种无需大气校正的近海浒苔绿潮遥感监测方法。为实现本专利技术的目的，提供一种无需大气校正的近海浒苔绿潮遥感监测方法，包括如下步骤：s1、收集时空匹配的卫星遥感影像X和Landsat8-OLI影像对，并分别计算得到所述卫星影像X的大气层顶反射率ρx,i和所述Landsat8-OLI影像的大气层顶反射率ρOLI,i，再计算Landsat8-OLI的湿度分量TCWOLI；s2、基于上述步骤s1中收集的时空匹配的卫星遥感影像X和Landsat8-OLI影像对，采集若干种目标地物的像元样本，得到所述卫星影像X的大气层顶反射率ρx,i和所述Landsat8-OLI的湿度分量TCWOLI组成的时空匹配样本数据集；s3、基于上述步骤s2中收集的时空匹配样本数据集，采用多元线性拟合方法和施密特正交方法推导出面向所述卫星影像X的大气层顶反射率ρx,i的类缨帽变换矩阵c＝[c1,ic2,ic3,i]，i＝1,2,3,4；s4、构建绿度指数算法；s5、将上述步骤s4中的绿度指数算法应用于长时间序列卫星遥感影像，计算并得到每一副卫星影像的绿度遥感数据，进而得到卫星影像的浒苔遥感监测产品，最终基于长时序的浒苔遥感监测产品集分析并得到浒苔绿潮爆发过程的分布信息和漂移路径的动态信息。进一步地，所述步骤s1中所述卫星影像X的大气层顶反射率ρx,i和所述Landsat8-OLI影像的大气层顶反射率ρOLI,i的计算公式分别如下：其中，DNX,i表示所述卫星影像X在第i波段处的亮度值，Gaini、Biasi和Esuni分别表示第i波段的定标增益值、定标偏移值和大气顶部太阳辐照度，d为日地天文单位距离，θs为太阳天顶角；ρOLI,i＝(Mi·DNOLI,i+Ai)/cos(θs)；其中，DNOLI,i表示所述Landsat8-OLI影像在第i波段处的亮度值，Mi和Ai分别为第i波段的反射率乘法调整系数和加法调整系数。进一步地，所述步骤s1中的Landsat8-OLI的湿度分量TCWoLI的计算公式如下：TCWOLI＝0.13ρOLI,2+0.06ρoLI,3+0.03ρOLI,4-0.61ρOLI,5-0.55ρOLI,6-0.55ρOLI,7，其中，ρOLI,i为所述Landsat8-OLI影像的第i波段大气层顶反射率。进一步地，所述步骤s3中的类缨帽变换矩阵c的推导公式具体如下：首先，采用多元线性拟合方法计算湿度分量系数c3,i，计算公式：其中，wi为拟合系数，ρx,i表示所述卫星遥感影像X第i波段的大气层顶反射率，TCWOLI表示匹配样本对应的Landsat8-OLI湿度分量；接着，采用施密特正交方法计算亮度分量系数c1,i，计算公式：其中，表示裸地的大气层顶反射率光谱平均值，D13和bi为中间变量；最后，同样采用施密特正交方法计算绿度分量系数c2,i，本文档来自技高网...

【技术保护点】
1.一种无需大气校正的近海浒苔绿潮遥感监测方法，其特征在于，包括如下步骤：/ns1、收集时空匹配的卫星遥感影像X和Landsat8-OLI影像对，并分别计算得到所述卫星影像X的大气层顶反射率ρ

【技术特征摘要】
1.一种无需大气校正的近海浒苔绿潮遥感监测方法，其特征在于，包括如下步骤：
s1、收集时空匹配的卫星遥感影像X和Landsat8-OLI影像对，并分别计算得到所述卫星影像X的大气层顶反射率ρx，i和所述Landsat8-OLI影像的大气层顶反射率ρOLI，i，再计算Landsat8-OLI的湿度分量TCWOLI；
s2、基于上述步骤s1中收集的时空匹配的卫星遥感影像X和Landsat8-OLI影像对，采集若干种目标地物的像元样本，得到所述卫星影像X的大气层顶反射率ρx，i和所述Landsat8-OLI的湿度分量TCWOLI组成的时空匹配样本数据集；
s3、基于上述步骤s2中收集的时空匹配样本数据集，采用多元线性拟合方法和施密特正交方法推导出面向所述卫星影像X的大气层顶反射率ρx，i的类缨帽变换矩阵c＝[c1，ic2，ic3，i]，其中，i＝1，2，3，4；
s4、构建绿度指数算法；
s5、将上述步骤s4中的绿度指数算法应用于长时间序列卫星遥感影像，计算并得到每一副卫星影像的绿度遥感数据，进而得到卫星影像的浒苔遥感监测产品，最终基于长时序的浒苔遥感监测产品集分析并得到浒苔绿潮爆发过程的分布信息和漂移路径的动态信息。


2.根据权利要求1所述的一种无需大气校正的近海浒苔绿潮遥感监测方法，其特征在于，所述步骤s1中所述卫星影像X的大气层顶反射率ρx，i和所述Landsat8-OLI影像的大气层顶反射率ρOLI，i的计算公式分别如下：



其中，DNx，i表示所述卫星影像X在第i波段处的亮度值，Gaini、Biasi和Esuni分别表示第i波段的定标增益值、定标偏移值和大气顶部太阳辐照度，d为日地天文单位距离，θs为太阳天顶角；
ρOLI，i＝(Mi·...

【专利技术属性】
技术研发人员：张海龙，孙德勇，丘仲锋，王胜强，何宜军，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32