一种基于多来源多时相数据融合的海草床识别方法技术

本发明专利技术公开了一种基于多来源多时相数据融合的海草床识别方法，包括如下步骤：对目标海域的多光谱数据和雷达遥感数据进行预处理；提取预处理后的数据的特征参数；对实地勘测得到地质因素数据进行栅格网格化；将提取的特征参数和栅格网格化后的地质因素数据进行融合；将融合后的数据进行切割，并进行深度学习网络的海草床识别回归模型的训练和验证；获取待测海域的多光谱数据和雷达遥感数据，并进行数据融合，利用经过验证的海草床识别回归模型进行海草床的识别。本发明专利技术所公开的方法融合多种数据，建立水上水下一体化识别模式，突破水体浑浊度、水深、污染等环境因素对遥感反演技术的限制，实现了海草床的准确识别。实现了海草床的准确识别。实现了海草床的准确识别。

【技术实现步骤摘要】
一种基于多来源多时相数据融合的海草床识别方法


[0001]本专利技术涉及一种遥感
，特别涉及一种基于多来源多时相数据融合的海草床识别方法。

技术介绍

[0002]随着“蓝碳生态系统”经济价值地位的凸显，海草床作为“蓝碳生态系统”之一，得到越来越多的国际关注。同时，海草为沿海鱼类、贝类提供安全温暖的生活场所，增强了生物多样性，对沿海生态系统和经济价值起着关键作用。因此，确定海草的分布情况可为海草床保护、蓝碳估算和海岸带生态提供重要信息。
[0003]近些年来，传统的实地调查手段，获取了大量海草床的分布情况，但是由于实地调查费时费力，且仅限于较小的尺度，而且无法提前预知其存在性，难以实现海草床演化的监测。卫星遥感技术因具有观测空间尺度大、时间尺度长、数据获取相对容易等特点，已成为大规模研究海草分布的主要工具，该方法可更有效地监测大尺度范围的海草分布情况。然而，卫星遥感观测海草床易受水体浑浊度、水深、污染等环境因素的限制，无法准确进行海草床的识别。

技术实现思路

[0004]为解决上述技术问题，本专利技术提供了一种基于多来源多时相数据融合的海草床识别方法，以达到融合多种数据，建立水上水下一体化识别模式，突破水体浑浊度、水深、污染等环境因素对遥感反演技术的限制，实现海草床的准确识别的目的。
[0005]为达到上述目的，本专利技术的技术方案如下：
[0006]一种基于多来源多时相数据融合的海草床识别方法，包括如下步骤：
[0007]步骤一，对目标海域的多光谱数据和雷达遥感数据进行预处理；
[0008]步骤二，提取预处理后的多光谱数据和雷达遥感数据的特征参数；
[0009]步骤三，对实地勘测得到地质因素数据进行栅格网格化；
[0010]步骤四，将步骤二提取的特征参数和步骤三栅格网格化后的地质因素数据进行基于像素的融合，得到目标海域融合后的数据；
[0011]步骤五，将目标海域融合后的数据进行切割，并划分成训练集和验证集，利用训练集的数据输入到深度学习网络的海草床识别回归模型进行模型的训练，并用验证集的数据进行模型的验证；
[0012]步骤六，获取待测海域的多光谱数据和雷达遥感数据，并按照步骤一至步骤四的方法得到待测海域融合后的数据，将待测海域融合后的数据输入到经过验证的深度学习网络的海草床识别回归模型中，进行海草床的识别。
[0013]上述方案中，所述多光谱数据包括Landsat 8卫星的数据和高分1号卫星的数据，所述雷达遥感数据为高分3号卫星的数据。
[0014]上述方案中，所述步骤一中，预处理包括对多光谱数据进行辐射定标、大气校正和
几何校正；对雷达遥感数据进行辐射定标、多视处理、滤波处理与地理编码，得到VV和VH极化的地理坐标系的分辨率为5m
×
5m的后散射系数数据；以及对上述处理过的多光谱数据和后散射系数数据进行剪裁。
[0015]进一步的技术方案中，所述步骤二中，提取的特征参数包括Landsat 8卫星的有效波段组合图像、利用Landsat 8卫星的近红外波段和红外波段的辐射亮度值计算得到的悬浮泥沙浓度、利用高分1号卫星的多光谱数据得到的6波段的新图像数据、利用高分3号卫星的雷达遥感数据计算得到的雷达比值参数。
[0016]更进一步的技术方案中，所述步骤四中的具体方法如下：
[0017]首先，将栅格网格化后的地质因素数据与Landsat 8卫星的有效波段组合图像和悬浮泥沙浓度进行主成分分析，得到核心主成分分析KPCA1数据；
[0018]然后，将高分1号卫星的6波段的新图像数据与高分3号卫星的雷达比值参数使用Gram
‑
Schmidt方法进行融合，得到融合后GS2数据；
[0019]最后，使用NNDiffuse Pan Sharpening方法融合KCPA1数据和GS2数据，得到最终融合后的NND3数据。
[0020]上述方案中，所述步骤五中的模型训练具体方法如下：
[0021](1)将切割后的训练集数据输入到深度学习网络的海草床识别回归模型中，经过CONV卷积层提取特征图像，然后经过POOL池化层固定大小维度，然后经过CNN卷积层处理；
[0022](2)经过CNN卷积层提取到的特征图像上用一个3x3的滑动窗口，去遍历整个特征图像，在遍历过程中每个窗口中心生成靶点，然后再利用全连接层对每个靶点做二分类和初步归化分析，最后输出感兴趣区；
[0023](3)然后把输出的感兴趣区映射到ROI pooling的图像特征上进行回归和分类，得到海草的分布区域图。
[0024]更进一步的技术方案中，模型训练中步骤(3)中，采用随机森林的方法进行分类。
[0025]更进一步的技术方案中，所述悬浮泥沙浓度的计算公式如下：
[0026][0027]其中，SSC代表悬浮泥沙浓度，B5代表Landsat 8卫星近红外波段的辐射亮度值，B4代表Landsat 8卫星红波段的辐射亮度值。
[0028]更进一步的技术方案中，所述6波段的新图像数据的计算方法如下：
[0029]首先，计算归一化植被指数NDVI和归一化水体指数NDWI；
[0030][0031][0032]其中：Blue代表蓝波段辐射亮度值，Nir代表近红外波段辐射亮度值，Green代表绿波段辐射亮度，Red代表红波段辐射亮度；
[0033]然后，通过ENVI软件的LayerStack功能模块将归一化植被指数NDVI和归一化水体指数NDWI与蓝波段、近红外波段、绿波段、红波段进行组合，形成6波段的新图像数据。
[0034]更进一步的技术方案中，所述雷达比值参数的计算公式如下：
[0035][0036]其中，RI是雷达比值参数，σ
VV
是VV极化后向散射系数，σ
VH
是VH极化后向散射系数。
[0037]通过上述技术方案，本专利技术提供的基于多来源多时相数据融合的海草床识别方法具有如下有益效果：
[0038]1、本专利技术将多光谱数据和雷达遥感数据以及实地勘测得到的地质因素数据进行多源融合，建立水上水下一体化识别模式，从而突破水体浑浊度、水深、污染等环境因素对遥感反演技术的限制。
[0039]2、基于深度学习技术对数据处理的优势，构建适用于海草床时空分布探测的深度学习模型，自动建立回归关系，从而探测海草床分布和范围估算，实现了遥感数据与深度学习技术在海草床时空分布特征方面的应用。
[0040]3、本专利技术具有一定的引领性和开创性，为有效估算海岸带海草床的蓝碳储量、生态和经济价值，为制定科学、有效、准确地识别和监测海草床空间及生态特征分布方案提供科学依据。
附图说明
[0041]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
[0042]图1为本专利技术实施例所公开的一种基于多来源多时相数据融合的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多来源多时相数据融合的海草床识别方法，其特征在于，包括如下步骤：步骤一，对目标海域的多光谱数据和雷达遥感数据进行预处理；步骤二，提取预处理后的多光谱数据和雷达遥感数据的特征参数；步骤三，对实地勘测得到地质因素数据进行栅格网格化；步骤四，将步骤二提取的特征参数和步骤三栅格网格化后的地质因素数据进行基于像素的融合，得到目标海域融合后的数据；步骤五，将目标海域融合后的数据进行切割，并划分成训练集和验证集，利用训练集的数据输入到深度学习网络的海草床识别回归模型进行模型的训练，并用验证集的数据进行模型的验证；步骤六，获取待测海域的多光谱数据和雷达遥感数据，并按照步骤一至步骤四的方法得到待测海域融合后的数据，将待测海域融合后的数据输入到经过验证的深度学习网络的海草床识别回归模型中，进行海草床的识别。2.根据权利要求1所述的一种基于多来源多时相数据融合的海草床识别方法，其特征在于，所述多光谱数据包括Landsat 8卫星的数据和高分1号卫星的数据，所述雷达遥感数据为高分3号卫星的数据。3.根据权利要求1所述的一种基于多来源多时相数据融合的海草床识别方法，其特征在于，所述步骤一中，预处理包括对多光谱数据进行辐射定标、大气校正和几何校正；对雷达遥感数据进行辐射定标、多视处理、滤波处理与地理编码，得到VV和VH极化的地理坐标系的分辨率为5m
×
5m的后散射系数数据；以及对上述处理过的多光谱数据和后散射系数数据进行剪裁。4.根据权利要求2所述的一种基于多来源多时相数据融合的海草床识别方法，其特征在于，所述步骤二中，提取的特征参数包括Landsat 8卫星的有效波段组合图像、利用Landsat 8卫星的近红外波段和红外波段的辐射亮度值计算得到的悬浮泥沙浓度、利用高分1号卫星的多光谱数据得到的6波段的新图像数据、利用高分3号卫星的雷达遥感数据计算得到的雷达比值参数。5.根据权利要求4所述的一种基于多来源多时相数据融合的海草床识别方法，其特征在于，所述步骤四中的具体方法如下：首先，将栅格网格化后的地质因素数据与Landsat 8卫星的有效波段组合图像和悬浮泥沙浓度进行主成分分析，得到核心主成分分析KPCA1数据；然后，将高分1号卫星的6波段的新图像数据与高分3号卫星的雷达比值参数使用Gram
‑<...

【专利技术属性】
技术研发人员：逄增伦，逄增辉，宋怀荣，蔺天震，孙晓燕，张北，
申请(专利权)人：青岛浩海网络科技股份有限公司，
类型：发明
国别省市：