基于非线性分解多源卫星数据的藻华覆盖度计算方法技术

本发明专利技术涉及基于非线性分解多源卫星数据的藻华覆盖度计算方法，包括：获取不同数据源卫星数据，分别基于对应的藻华识别指数计算藻华覆盖度；所述不同数据源卫星数据包括一个高空间分辨率卫星数据和至少一个同步的中低空间分辨率卫星数据；以高空间分辨率的卫星数据提取的藻华覆盖度作为真值，分别建立真值与各同步的中低空间分辨率卫星数据的藻华识别指数的非线性分解模型；基于构建的各相关关系模型计算藻华绝对面积。本发明专利技术方法构建的富营养化水体藻华覆盖度非线性分解方法是提高藻华卫星遥感监测精度的前提和基础，对藻华的业务化日常监测和预测预警，具有较大的科学意义。具有较大的科学意义。具有较大的科学意义。

【技术实现步骤摘要】
基于非线性分解多源卫星数据的藻华覆盖度计算方法


[0001]本专利技术属于遥感
，具体涉及基于非线性分解多源卫星数据的藻华覆盖度计算方法。

技术介绍

[0002]富营养化水体，包括湖泊、水库、河流、近岸海洋等区域，经常暴发藻华。MODIS、VIIRS、OLCI、GOCI等中低空间分辨率卫星数据可以达到1
‑
2天的重访周期，其中GOCI可达每小时1景，一天8景。这些数据的空间分辨率在250到750米之间，为了更准确的提取藻华，需要进行像元分解。而已有的传统藻华覆盖度的计算方法，不考虑多次散射，多为线性混合模型，假设混合像元是纯水和纯藻华像元的线性组合。然而线性分解方法是基于单次散射建立的，没有考虑视场内的多重散射，随着藻华在水表面聚集，遥感信号渐近饱和，藻华覆盖度达到100％，因此已有线性分解方法无法反映藻华及其对应的遥感信号的实际情况。

技术实现思路

[0003]本专利技术的目的在于建立考虑多重散射的混合像元藻华覆盖度与藻华识别指数的关系，提供基于非线性分解多源卫星数据的藻华覆盖度计算方法。
[0004]为实现上述目的，本专利技术所采用的技术方案如下：
[0005]基于非线性分解多源卫星数据的藻华覆盖度计算方法，包括：
[0006]获取不同数据源卫星数据，分别基于对应的藻华识别指数计算藻华覆盖度；所述不同数据源卫星数据包括一个高空间分辨率卫星数据和至少一个同步的中低空间分辨率卫星数据；
[0007]以高空间分辨率的卫星数据提取的藻华覆盖度作为真值，分别建立真值与各同步的中低空间分辨率卫星数据的藻华识别指数的非线性分解模型；
[0008]基于构建的各非线性分解模型计算藻华绝对面积。
[0009]作为一种优选的实施方式，所述方法还包括，对不同数据源的卫星数据计算结果两两之间进行一致性检验。
[0010]作为一种优选的实施方式，所述藻华识别指数为浮游藻类指数FAI或浮游藻类替代指数AFAI。
[0011]作为一种优选的实施方式，根据藻华识别指数，利用最大梯度法提取藻华像元，计算藻华覆盖度。
[0012]作为一种优选的实施方式，对于高空间分辨率卫星数据，获取其经过瑞利校正的遥感反射率数据，计算藻华识别指数后，重采样至中低空间分辨率卫星数据统一空间分辨率的整数倍，再计算藻华覆盖度。
[0013]作为一种优选的实施方式，所述同步的中低空间分辨率卫星数据为与高空间分辨率卫星数据过境时间在t时间内、无云、有藻华的中低空间分辨率卫星数据。
[0014]作为一种优选的实施方式，所述非线性分解模型为S曲线函数形式。
[0015]作为一种优选的实施方式，建立的非线性分解模型函数形式如下：
[0016][0017]其中，FAC为藻华覆盖度，根据a
×
a像元内藻华像元的个数占总像元个数的百分比计算，a根据统一空间分辨率确定，F指对应的藻华识别指数，m、n为拟合参数。
[0018]作为一种优选的实施方式，基于下式计算藻华绝对面积：
[0019][0020]式中，EBA指藻华绝对面积，N指一景影像中的像元总数，b为像元大小，根据统一空间分辨率确定，FAC为各模型计算的藻华覆盖度。
[0021]作为一种优选的实施方式，所述方法还包括，利用构建的各非线性分解模型应用于长时序的湖泊藻华绝对面积计算。
[0022]本专利技术方法构建的富营养化水体藻华覆盖度非线性分解方法是提高藻华卫星遥感监测精度的前提和基础，对藻华的业务化日常监测和预测预警，具有较大的科学意义。
附图说明
[0023]附图不意在按比例绘制，在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示，为了清晰起见，在每个图中，并非每个组成部分均被标记，现在，将通过例子并参考附图来描述本专利技术的各个方面的实施例，其中：
[0024]图1是研究区位置图。
[0025]图2是多源遥感数据的藻华识别指数对比散点图。
[0026]图3是藻华覆盖度非线性分解模型散点图。
[0027]图4是非线性分解方法与已发表的线性分解方法比较。
[0028]图5是非线性分解模型的敏感性分析。
[0029]图6是基于多源遥感数据的太湖、巢湖藻华时间序列。
[0030]前述图示1
‑
6中，作为英文形式表达的各坐标、标识或其他表示，均为本领域所公知的，并不在本例中再做赘述。
具体实施方式
[0031]为了更了解本专利技术的
技术实现思路
，特举具体实施例并配合所附图式说明如下。
[0032]在本公开中参照附图来描述本专利技术的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本专利技术的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本专利技术所公开的构思和实施例并不限于任何实施方式。另外，本专利技术公开的一些方面可以单独使用，或者与本专利技术公开的其他方面的任何适当组合来使用。
[0033]实施例1
[0034]本实施例说明本专利技术富营养化水体藻华覆盖度非线性分解方法。
[0035]本实施例基于多源卫星遥感数据构建富营养化水体藻华覆盖度非线性分解方法，
fitting功能获取。对于GOCI数据，m和n分别为5.0、73.6，如图3。根据图2中，各藻华识别指数之间的关系，分别建立了MODIS、VIIRS、OLCI的FAC与其对应的藻华识别指数的关系：
[0056][0057][0058][0059][0060]步骤4)计算中低空间分辨率遥感数据的藻华绝对面积EBA，N表示一景影像中的像元总数，不同数据源的FAC可分别从公式(4)～(7)获取。
[0061][0062]图4展示了2020年5月3日太湖一天之内不同时刻的7景不同数据源的藻华覆盖度计算结果，线性分解算法受纯水和藻华端元最大值最小值的影响较大，并且，相同算法的不同时刻间不如FAC稳定。分析了FAC模型中m和n的敏感性，以GOCI为例，在AFAI从0.02变化到0.12时，ΔFAC(＝FAC(m,n)
‑
FAC(5.0,73.6))随着m和n的变化情况(图5)。总体来看，ΔFAC变化均在10％以内，在AFAI的低值和高值区稳定性更高。
[0063]图6为2002年至2020年的多源数据藻华绝对面积的时间分布规律，2010年以后，藻华暴发强度明显高于2010年以前，也揭示了湖泊富营养化加剧的趋势。本案的方法确立了不同数据源之间的一致性，随着卫星的更替，可以得到长时序的数据集。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于非线性分解多源卫星数据的藻华覆盖度计算方法，其特征在于，包括：获取不同数据源卫星数据，分别基于对应的藻华识别指数计算藻华覆盖度；所述不同数据源卫星数据包括一个高空间分辨率卫星数据和至少一个同步的中低空间分辨率卫星数据；以高空间分辨率的卫星数据提取的藻华覆盖度作为真值，分别建立真值与各同步的中低空间分辨率卫星数据的藻华识别指数的非线性分解模型；基于构建的各非线性分解模型计算藻华绝对面积。2.根据权利要求1所述的方法，其特征在于，还包括，对不同数据源的卫星数据计算结果两两之间进行一致性检验。3.根据权利要求1所述的方法，其特征在于，所述藻华识别指数为浮游藻类指数FAI或浮游藻类替代指数AFAI。4.根据权利要求1所述的方法，其特征在于，根据藻华识别指数，利用最大梯度法提取藻华像元，计算藻华覆盖度。5.根据权利要求1所述的方法，其特征在于，对于高空间分辨率卫星数据，获取其经过瑞利校正的遥感反射率数据，计算藻华识别指数后，重采样至中低空间分辨率卫...

【专利技术属性】
技术研发人员：薛坤，马荣华，曹志刚，胡旻琪，
申请(专利权)人：中国科学院南京地理与湖泊研究所，
类型：发明
国别省市：