一种基于深度残差神经网络的海表面叶绿素a浓度遥感反演方法技术

本发明专利技术涉及一种基于深度残差神经网络的海表面叶绿素a浓度遥感反演方法，步骤包括：根据选取的红绿蓝三个波段的遥感反射率数据，计算蓝绿波段和红绿波段的遥感反射率数据比值；采用聚类分析将红绿蓝三个波段的遥感反射率数据分为三类，与实测叶绿素a浓度数据匹配生成对应的数据集；计算时间注意力权重，针对三类数据集分别构建引入时间注意力权重的神经网络模型并训练，得到三类反演叶绿素a浓度的深度残差神经网络模型；分别输入与之对应的深度残差神经网络模型中，反演得到海表面叶绿素a浓度。本发明专利技术不需要针对特定海域进行算法的校准、不需要针对不同水体采用不同的算法，便可以反演得到高精度的全球海表面叶绿素a浓度。度。

【技术实现步骤摘要】
一种基于深度残差神经网络的海表面叶绿素a浓度遥感反演方法


[0001]本专利技术属于环境信息监测
，涉及海表面叶绿素a浓度遥感反演
，具体涉及一种基于深度残差神经网络的海表面叶绿素a浓度遥感反演方法。

技术介绍

[0002]叶绿素a(Chl
‑
a)是海洋浮游植物细胞内的主要色素，是衡量海洋浮游植物量的主要指标，海洋浮游植物是海洋生态系统中的第一生产者，为整个海洋生态系统提供基础的物质和能量，是海洋生态系统的物质基础。海洋浮游植物是贝、虾、鱼类幼体的天然饵料，高叶绿素a浓度的海域，海洋渔业资源也相对丰富，因此，海表面海洋叶绿素a浓度的准确观测对生态保护和经济开发有着重要意义。
[0003]海表面叶绿素a浓度反演算法大致可以分为六类：叶绿素a特征荧光峰或反射峰算法、蓝绿波段组合或近红外
‑
红光波段组合的波段算法、针对不同水体特性的指数算法、机器学习和深度学习算法、水体分类算法和分析类算法，在这些不同类别的算法中，经验算法和半经验半分析算法研究较多。早期的实践表明，经验算法的性能要优于半经验半分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度残差神经网络的海表面叶绿素a浓度遥感反演方法，其特征在于，包括以下步骤：(1)根据选取的红绿蓝三个波段的遥感反射率数据，计算蓝绿波段和红绿波段的遥感反射率比值；(2)采用聚类分析将红绿蓝三个波段的遥感反射率数据分为三类输入特征，分别与实测叶绿素a浓度数据匹配生成对应的数据集；(3)根据现场观测叶绿素a浓度数据与遥感反射率数据的观测时间，计算时间注意力权重其中，t
diff
为现场观测叶绿素a浓度数据与遥感反射率数据观测时间之差，t
win
为匹配数据集时间窗大小；针对三类数据集分别构建引入时间注意力权重的神经网络模型并训练，得到反演叶绿素a浓度的深度残差神经网络模型；(4)对步骤(1)得到的红绿蓝三个波段的遥感反射率数据以及蓝绿波段和红绿波段的遥感反射率比值，采用步骤(2)中的聚类分析方法进行特征分类，三类数据分别输入步骤(3)构建的三类深度残差神经网络模型中，反演得到海表面叶绿素a浓度。2.根据权利要求1所述的海表面叶绿素a浓度遥感反演方法，其特征在于，所述步骤(1)中，针对不同传感器的波段设置，选取最接近红绿蓝三个波段的遥感反射率数据Rrs
red
、Rrs
green
、Rrs
blue
，计算得到红绿波段的遥感反射率数据比值和蓝...

【专利技术属性】
技术研发人员：徐青，许思阳，殷晓斌，杨桂英，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：