一种高精度海冰密集度反演方法技术

本发明专利技术涉及海冰密度检测技术领域，公开了一种高精度海冰密集度反演方法，包括收集目标海域光学遥感图像及与其相匹配的同一日期下的被动微波海冰密集度产品，并对收集的遥感图像进行预处理；提取步骤1预处理后图像的特征波段，并计算改进的归一化冰雪指数及每个特征波段对应的纹理特征指数；先验样本库的构建：从步骤1预处理后的图像中提取每个样本类别对应的样本数据；进行海冰范围提取：利用融合多特征的机器学习算法与阈值分割技术相结合的方法进行海冰提取；对步骤4所得的海冰范围结果进行后处理得到无云光学图像，利用统计冰像素个数的方法估算海冰密集度结果。本发明专利技术对于极地区域海冰密集度反演，准确性有所提高，反演精度更高。演精度更高。演精度更高。

【技术实现步骤摘要】
一种高精度海冰密集度反演方法


[0001]本专利技术涉及海冰密度检测
，尤其是一种高精度海冰密集度反演方法。

技术介绍

[0002]海冰信息获取对全球气候变化、海洋物理过程和海上航运等方面具有重要意义。目前被动微波遥感是进行长期极地海冰监测的主要手段。随着极地海冰的加速消融，海上经济活动、航运事业也日趋频繁，高分辨率海冰数据在气候研究和海上航运等方面越来越受到广泛关注。
[0003]光学遥感数据不仅具有较高的空间分辨率，并且在极地区域能够拥有极高的每日观测频次，能够为实现更高时空分辨率的海冰监测提供有力的数据支撑。高时空分辨率、高精度的海冰产品也是评估数值模型来预测未来气候变化的重要验证数据之一。然而，由于光学遥感数据容易受到云雾的影响而模糊了地表特征。并且，云和冰雪具有相似的光谱特征，低层特征较为接近，致使二者非常容易混淆，这在很大程度上干扰了海冰识别的准确度。尤其是由细小冰晶组成的高云和冷云，其反射率与海冰的反射率非常接近，在识别中极易被误判为海冰。NASA网站提供的MOD29海冰反射率产品在探测新冰区域中出现的冰水混合区和被云覆盖的冰区或水区时，容易出现误判的问题。这其中的一个主要原因是MOD29产品使用的是MOD35云掩膜产品，该产品在极地区域识别精度不够，尤其是在冰的上空有薄云或雾覆盖的区域。
[0004]利用阈值技术进行冰水分离是当前在利用光学遥感数据进行验证阶段较为常用的识别海冰的方法。利用MODIS数据反演海冰密集度时，所利用的MOD35云掩膜产品在极地区域对云识别的准确度尚有很大的提高空间，以及所使用的传统的NDSI算法对海冰识别的准确性有待提高，这些误差对于海冰密集度反演精度影响较大。因此，如何准确的将冰雪和云进行准确识别，以获取高精度、高分辨率的海冰密集度数据，是当前利用光学遥感影像进行海冰监测和预测亟需解决的难题。

技术实现思路

[0005]为了克服现有技术中存在的上述问题，本专利技术提出一种高精度海冰密集度反演方法。
[0006]本专利技术解决其技术问题所采用的技术方案是：一种高精度海冰密集度反演方法，包括如下步骤：步骤1，收集目标海域光学遥感图像及与其相匹配的同一日期下的被动微波海冰密集度产品，并对收集的遥感图像进行预处理；步骤2，提取步骤1预处理后图像的特征波段，并计算改进的归一化冰雪指数及每个特征波段对应的纹理特征指数；步骤3，先验样本库的构建：从步骤1预处理后的图像中提取每个样本类别对应的样本数据；
步骤4，进行海冰范围提取：利用融合多特征的机器学习算法与阈值分割技术相结合的方法进行海冰提取；步骤5，对步骤4所得的海冰范围结果进行后处理得到无云光学图像，利用统计冰像素个数的方法估算海冰密集度结果；所述步骤5中对海冰范围结果进行后处理的具体过程为：对步骤4所得的海冰范围结果进行云类别噪声去除，并重新归类为周边覆盖面积较大的类别；利用与海冰范围结果相匹配的被动微波海冰密集度产品对被云覆盖的区域进行填充。
[0007]上述的一种高精度海冰密集度反演方法，所述步骤2中特征波段包括a、b、d、g波段，a、b、d、g波段的中心波长分别为650
±
10nm、860
±
10nm、560
±
10nm、2165
±
40nm。
[0008]上述的一种高精度海冰密集度反演方法，所述步骤2中改进的归一化冰雪指数NDSII
‑
2计算公式为：NDSII
‑
2=(Green
‑
NIR)/(Green+NIR)其中，Green和NIR分别为海冰在d和b波段的反射率；所述步骤2中纹理特征指数RELBP计算公式为：RELBP_CI(x
c
)=s(Φ(x
c,w
)
‑
μ
w
)其中，x
c,w
是w*w大小的局部斑块，其中心位于x
c
位置；Φ()是应用于斑块的滤波器，μ
w
是整张影像Φ(x
c,w
)的平均值。
[0009]上述的一种高精度海冰密集度反演方法，所述步骤3中样本类别包括海冰类别、海水类别和云类别。
[0010]上述的一种高精度海冰密集度反演方法，所述步骤4中海冰范围提取方法具体包括：步骤4.1，从步骤3所构建的先验样本库中以采样块为单元进行自助采样，每次采样选取的是整个采样块；步骤4.2，输入特征为反射率波段、改进的归一化冰雪指数、纹理特征指数作为输入特征，采用多种分类器机器学习算法进行模型训练，获得普适性较高的每种分类器的训练模型；步骤4.3，输入待分类图像，利用步骤4.2所得的每种分类器训练模型和阈值分割技术进行海冰识别；步骤4.4，将步骤4.3通过训练模型获取的海冰范围结果和基于阈值分割的海冰范围结果利用海冰判别准则逐像素进行集成，得到最终海冰范围结果。
[0011]上述的一种高精度海冰密集度反演方法，所述步骤4.4中海冰判别准则具体为：若当前像素在分类器训练模型中被判别为云类别，则该像素被判为云类别；否则，分别对每一种分类器获取的海冰范围结果和阈值分割结果通过赋予权重的方式，判别当前像素所属类别。
[0012]上述的一种高精度海冰密集度反演方法，所述步骤中利用与海冰范围结果相匹配的被动微波海冰密集度产品对被云覆盖的区域进行填充具体方法为：将被动微波海水密集度产品重采样到与光学图像空间分辨率相同，根据判别阈值与被动微波海冰密集度的大小判定海冰范围，若被动微波海冰密集度大于等于判别阈值，则为海冰类别，若被动微波海冰密集度小于判别阈值，则为水类别；利用获得的海冰范围结果提取海冰外缘线，根据海冰外
缘线判断光学图像识别结果中被云区所在位置，若云区是在海冰外缘线的外部，则该区域全部被认为是水类别；若云区是在海冰外缘线的内部，则利用根据被动微波海冰密集度产品获取的海冰范围进行填充。
[0013]本专利技术的有益效果是，本专利技术提出了一种基于光学遥感图像反演海冰密集度的方法，对于极地区域海冰密集度反演，本专利技术中的方法与已有的方法相比，准确性有所提高，证明本专利技术中的反演方法应用于极地区域光学遥感图像海冰密集度反演精度更高，更具有优势。
附图说明
[0014]下面结合附图和实施例对本专利技术进一步说明。
[0015]图1为本专利技术流程图；图2为本专利技术实施例遥感影像示意图；图3为本专利技术实施例得到的海冰密集度分布图；图4为对比例1方法获取的海冰密集度分布图；图5为对比例2方法获取的海冰密集度分布图。
具体实施方式
[0016]为使本领域技术人员更好的理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作详细说明。
[0017]本专利技术的具体实施例，一种光学遥感图像自动高精度反演海冰密集度的方法，以MODIS影像为例，成像时间为2022年5月28日，验证本专利技术效果。
实施例
[0018]以MODIS影像为例S1.收集目标海域光学遥感图像MO本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高精度海冰密集度反演方法，其特征在于：包括如下步骤：步骤1，收集目标海域光学遥感图像及与其相匹配的同一日期下的被动微波海冰密集度产品，并对收集的遥感图像进行预处理；步骤2，提取步骤1预处理后图像的特征波段，并计算改进的归一化冰雪指数及每个特征波段对应的纹理特征指数；步骤3，先验样本库的构建：从步骤1预处理后的图像中提取每个样本类别对应的样本数据；步骤4，进行海冰范围提取：利用融合多特征的机器学习算法与阈值分割技术相结合的方法进行海冰提取；步骤5，对步骤4所得的海冰范围结果进行后处理得到无云光学图像，利用统计冰像素个数的方法估算海冰密集度结果；所述步骤5中对海冰范围结果进行后处理的具体过程为：对步骤4所得的海冰范围结果进行云类别噪声去除，并重新归类为周边覆盖面积较大的类别；利用与海冰范围结果相匹配的被动微波海冰密集度产品对被云覆盖的区域进行填充。2.根据权利要求1所述的一种高精度海冰密集度反演方法，其特征在于，所述步骤2中特征波段包括a、b、d、g波段，a、b、d、g波段的中心波长分别为650
±
10nm、860
±
10nm、560
±
10nm、2165
±
40nm。3.根据权利要求2所述的一种高精度海冰密集度反演方法，其特征在于，所述步骤2中改进的归一化冰雪指数NDSII
‑
2计算公式为：NDSII
‑
2=(Green
‑
NIR)/(Green+NIR)其中，Green和NIR分别为海冰在d和b波段的反射率；所述步骤2中纹理特征指数RELBP计算公式为：RELBP_CI(x
c
)=s(Φ(x
c,w
)
‑
μ
w
)其中，x
c,w
是w*w大小的局部斑块，其中心位于x
c
...

【专利技术属性】
技术研发人员：姜丽媛，禹定峰，赵丹丹，安德玉，
申请(专利权)人：山东省科学院海洋仪器仪表研究所，
类型：发明
国别省市：