一种基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法技术

本发明专利技术属于海洋遥感技术领域，尤其涉及一种基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法。该方法可以利用改进的四波段遥感影像QAA算法进行水质反演得到黄色物质与碎屑的440nm处吸收系数和叶绿素a浓度，结合遥感反射率和水深控制点，利用机器学习的算法，进行水深反演。本发明专利技术可以充分利用遥感影像的所包含的水质和地形信息，从而进行卫星遥感水深反演，提高水深反演精度。提高水深反演精度。提高水深反演精度。

【技术实现步骤摘要】
一种基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法


[0001]本专利技术属于海洋遥感
，尤其涉及遥感图像处理以及水深遥感反演方法。

技术介绍

[0002]浅水珊瑚礁只占海洋的一小部分(0.015％)，它们的生物多样性为它们提供了重要的生态和经济价值以及自然遗产。由于全球变暖、海洋酸化、海平面上升或海底侵蚀等各种因素，世界60％的珊瑚礁受到直接威胁。因此，有必要开发能够全面监测珊瑚礁结构和群落的工具。为了协助珊瑚礁海域有效的资源政策和管理，确保可持续发展，及时和准确的环境数据(如水深测量)至关重要。单波束和多波束回声测深仪提供了最精确和有效的深度估计模型。然而，由于其高成本、低速度和对天气的依赖性，大型测量船不适合浅水作业。机载探测激光雷达是船舶运动的一种选择，其适用性已在沿海地区得到证明。该方法精度高、但对航高有要求，幅宽比较小，易受水质条件的影响。卫星测深(SDB)正在成为一种经济实惠的方法，可以快速有效地提供大范围的高分辨率测绘，它是对传统测深法的有效补充虽然在不同的观测条件下，要建立一个模型来解释多维特征值与水深之间的关系并不容易，但机器学习可用于自动研究数值模型并提供最优解。许多学者充分挖掘图像和地面真实数据的信息，以获得更高精度的水深结果，Tatsuyuki Sagawa等人(2019年)使用机器学习和多时相卫星图像来推导水深测量，RMSE为2.09
‑
3.26m。Evangelos Alevizos(2020)将机器学习与残差分析技术相结合，以改进从高光谱图像和稀疏地面真实信息中检索水深测量，RMSE为1.9
‑
2.4m。
[0003]准分析算法(QAA)是Lee等人提出的一种生物光学半分析模型，用于计算水体的总吸收系数和后向散射系数，该系数与珊瑚礁中岛屿周围的水深相关。在光学浅海中，底部反射率可构成离开水域的辐射的重要部分，QAA的IOPs将捕获这一额外信号，导致结果值显著的不准确，而这些QAA IOPs的图像将显示归因于水深和不同底栖基质的空间特征。Chen等人(2019年)使用QAA和Kd算法估计上升流和下降流光绿带的漫反射衰减系数之和，以反演水深。Li等人(2019年)使用了一种基于水柱衰减情况的深度估计器自适应调整算法来估计水深。大部分学者研究认为QAA反演的IOPs可能会影响水深反演的经验参数，并没有将QAA反演的IOPs作为水深反演的特征值。

技术实现思路

[0004]为了充分利用遥感影像中的水体信息，本专利技术提供一种基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法。该方法将QAA的反演的IOP结果作为水深反演的特征值，与遥感反射率一起进行训练，从而提高水深反演的精度。
[0005]本专利技术的目的通过如下的技术方案来实现：
[0006]一种基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法，该方法包括如下步骤：
[0007]步骤1：筛选研究区影像，并对研究区的多光谱卫星数据进行预处理，包括影像裁剪，几何校正和大气校正；
[0008]步骤2：利用水体指数NDWI进行水体信息提取，水体识别的条件是NDWI>0；
[0009]步骤3：对处理后的遥感影像进行耀斑去除；
[0010]步骤4：运行改进的四波段QAA算法，得到有地形信息的CDOM吸收系数和叶绿素a浓度；
[0011]步骤5：将水深控制点对应的步骤4结果和步骤3结果作为输入参数，带入机器学习模型进行训练；
[0012]步骤6：利用训练的模型反演整幅遥感影像的水深值；
[0013]步骤7：潮汐改正并进行精度评价和遥感制图。
[0014]作为优选，步骤1所述的影像筛选是筛选研究区内无云的遥感高分辨率影像，所述预处理包括影像裁剪、几何校正和大气校正；大气校正算法为基于6S模型的大气校正算法。
[0015]作为优选，步骤2所述的水体信息提取方法为：计算NDWI，并将NDWI>0的区域识别为水体，其中，
[0016][0017]公式中Green为绿波段的反射率，NIR为近红外波段的反射率。
[0018]作为优选，步骤3所述的耀斑去除算法为：
[0019][0020]是可见光波段去除耀斑后的反射率数据，ρ(λ)是有耀斑波段的反射率数据，ρ
NIR
是近红外波段反射率数据，是研究区视野内近红外波段的反射率最小值，b
λ
(λ)是研究区视野内近红外波段和可见光波段反射率数据的回归系数，λ是不同波段的中心波长。
[0021]作为优选，步骤4所述改进的四波段QAA算法，其方法如下：浮游植物在440nm处的色素吸收系数和后向散射系数可用叶绿素a浓度C表示为：
[0022]a
phy
(440)＝0.06*C
0.65
，
[0023][0024]这里Y＝0.67875，
[0025]b
bp
(550)＝0.0111*C
0.62
，
[0026]在清澈的海水中，
[0027]a
phy
(λ)＝[a0(λ)+a1(λ)*a
phy
(440)]*a
phy
(440)
[0028]a
g
(λ)＝a
g
(440)*exp(
‑
0.015*(λ
‑
440))，
[0029]a(λ)＝a
w
(λ)+a
ph
y(λ)+a
g
(λ)，
[0030]b(λ)＝b
w
(λ)+b
bp
(λ)，
[0031][0032]QAA算法中，
[0033][0034][0035]其中g0、g1是常数，分别为0.08945、0.1247；
[0036]光学深水下表面遥感反射率的估计值和实际值之间的差异尽可能小，即使u
m
和u0的值差异尽可能小；我们通过Levenberg
–
Marquardt方法确定了黄色物质和碎屑的吸收系数a
g
(440)和叶绿素a浓度C的最佳值；
[0037]上述公式中：a是水体的吸收系数，a0、a1是随波段变化的常数，a
phy
是叶绿素吸收系数，a
g
是黄色物质和碎屑的吸收系数，a
w
是纯水的吸收系数，b
w
是纯水的后向散射系数，b
bp
是浮游植物后向散射系数，λ是不同波段的中心波长。
[0038]作为优选，步骤5所述的机器学习算法为BP神经网络，其中输入层分别为控制点对应位置的R，G，B，NIR四波段遥感反射率和CDOM吸收系数a
g
(440)和叶绿素a浓度6个参数，期望输出为控制点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法，其特征在于，该方法依次包括如下步骤：步骤1：筛选研究区影像，并对研究区的多光谱卫星数据进行预处理，包括影像裁剪，几何校正和大气校正；步骤2：利用水体指数NDWI进行水体信息提取，水体识别的条件是NDWI>0；步骤3：对处理后的遥感影像进行耀斑去除；步骤4：运行改进的四波段QAA算法，得到有地形信息的CDOM吸收系数和叶绿素a浓度；步骤5：将水深控制点对应的步骤4结果和步骤3结果作为输入参数，带入机器学习模型进行训练；步骤6：利用训练的模型反演整幅遥感影像的水深值；步骤7：潮汐改正并进行精度评价和遥感制图。2.根据权利要求1所述的基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法，其特征在于，步骤1所述的影像筛选是筛选研究区内无云的遥感高分辨率影像，根据研究区范围进行裁剪，并且进行辐射定标，大气校正；大气校正算法为基于6S模型的大气校正算法。3.根据权利要求1所述的基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法，其特征在于，步骤2所述的水体信息提取方法为：计算NDWI，并将NDWI>0的区域识别为水体，其中，公式中Green为绿波段的反射率，NIR为近红外波段的反射率。4.根据权利要求1所述的基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法，其特征在于，步骤3所述的耀斑去除算法为：征在于，步骤3所述的耀斑去除算法为：是可见光波段去除耀斑后的反射率数据，ρ(λ)是有耀斑波段的反射率数据，ρ
NIR
是近红外波段反射率数据，是研究区视野内近红外波段的反射率最小值，b
λ
(λ)是研究区视野内近红外波段和可见光波段反射率数据的回归系数，λ是不同波段的中心波长。5.根据权利要求1所述的基于利用改进的四波段遥感影像QAA算法水质反演结果反演水深的方法，其特征在于，步骤4所述改进的四波段QAA算法，其方法如下：浮游植物在440nm处的色素吸收系数和后向散射系数可用叶绿素a浓度C表示为：a
phy
(440)＝0.06*C
0.65
，这里Y＝0.67875，b
bp
(550)＝0.0111*C
0.62
，在清澈的海水中：
a
phy
...

【专利技术属性】
技术研发人员：毛志华，吴忠强，陶邦一，李由之，
申请(专利权)人：自然资源部第二海洋研究所，
类型：发明
国别省市：