基于深度学习的海洋遥感波段特征收集方法、系统及装置制造方法及图纸

本发明专利技术涉及基于深度学习的海洋遥感波段特征收集方法、系统及装置，其方法包括获取遥感影像数据集以及实测数据集；分别对遥感影像数据集中的数据以及实测数据集中的数据进行数据预处理，对应得到遥感影像预处理数据集以及实测数据预处理数据集；将遥感影像预处理数据集中数据与实测数据预处理数据集中的数据进行数据匹配及数据关联，得到模型训练数据集；利用模型训练数据集中的数据训练计算机深度学习网络模型中的一维卷积神经网络模型以及反演模型，得到海洋遥感波段特征提取模型；利用海洋遥感波段特征提取模型进行特征提取，得到海洋遥感波段特征；本发明专利技术能够利用卫星遥感数据进行特征提取，降低了人工成本，提高了特征提取效率。特征提取效率。特征提取效率。

【技术实现步骤摘要】
基于深度学习的海洋遥感波段特征收集方法、系统及装置


[0001]本专利技术涉及海洋科学
，具体涉及基于深度学习的海洋遥感波段特征收集方法、系统及装置。

技术介绍

[0002]海洋遥感波段特征包括海洋表面的温度、盐度、叶绿素浓度以及湿度等，由于不同遥感波段特征具备不同的特性和应用环境，因此对不同特征的收集方式也会不同。
[0003]例如，海水盐度是海洋和气候研究中重要参数之一。海表面盐度(Sea Surface Salinity，SSS)传统是通过走航和浮标测量的，但是以这种方式获得的盐度在时空尺度上是稀疏的。随着土壤湿度和海表盐度卫星(Soil Moisture and 0cean Salinity，SMOS)，Aqurius/SAC
‑
D卫星以及主被动土壤湿度卫星(Soil Moisture Active Passive，SMAP)相继发射，从空中探测SSS成为可能。这些卫星反演海表面盐度数据质量的高低会影响它们应用的程度，因此国内外许多学者开展了卫星反演SSS数据的验证工作。
[0004]SST代表海表温度。海表温度(sea surface temperature,SST)是指海洋表层海水的温度。获取SST主要有传统的直接测量和卫星遥感的间接测量两种方式。依靠船舶、浮标等传统的测量方式获得的SST观测数据虽然精度较高，但在空间和时间上相对离散，且经常存在数据缺失的情况，为后续的研究带来诸多不便。与传统方式获取的SST相比，遥感数据具有空间覆盖面广，时间同步性强等特点，很大程度上弥补了传统方式获取的数据的不足。鉴于其在时空上所具有的无可比拟的优越性，已经成为间接获取SST的最佳数据来源。
[0005]现有技术中，对海表温度和盐度的数据采集已经从依靠船舶、浮标等传统的测量方式过渡到了利用卫星遥感数据进行反演的方式；导致感波段特征收集效率较低并且数据收集成本高，推广难度大。

技术实现思路

[0006]为了解决现有技术中，对海表温度和盐度的数据采集已经从依靠船舶、浮标等传统的测量方式过渡到了利用卫星遥感数据进行反演的方式；导致感波段特征收集效率较低并且数据收集成本高等技术问题，本专利技术提供基于深度学习的海洋遥感波段特征收集方法、系统及装置。
[0007]本专利技术解决上述技术问题的技术方案如下：
[0008]基于深度学习的海洋遥感波段特征收集方法，包括如下步骤：
[0009]获取预设时间范围内以及空间范围内海洋表面的遥感影像数据以及海洋遥感波段特征实测数据，分别得到遥感影像数据集以及实测数据集，其中，所述遥感影像数据集中的数据为所述遥感影像数据，所述实测数据集中的数据为所述海洋遥感波段特征实测数据；
[0010]分别对所述遥感影像数据集中的数据以及所述实测数据集中的数据进行数据预处理，对应得到遥感影像预处理数据集以及实测数据预处理数据集；
[0011]将所述遥感影像预处理数据集中数据与所述实测数据预处理数据集中的数据进行数据匹配及数据关联，得到模型训练数据集；
[0012]构建计算机深度学习网络模型，其中，所述计算机深度学习网络模型包括一维卷积神经网络模型以及反演模型，所述反演模型的输入值为所述一维卷积神经网络模型的输出值；
[0013]利用所述模型训练数据集中的数据训练所述计算机深度学习网络模型中的所述一维卷积神经网络模型以及所述反演模型，得到海洋遥感波段特征提取模型；
[0014]通过将待提取海洋遥感波段特征的海洋表面的遥感影像数据输入所述海洋遥感波段特征提取模型进行特征提取，得到海洋遥感波段特征。
[0015]本专利技术的有益效果是：通过构建了特征提取算法即一维卷积神经网络，并将其与反演模型结合提出了海洋遥感波段特征提取模型，可以为海洋遥感波段特征的提取提供新的思路。与传统的机器学习特征提取模型相比，海洋遥感波段特征提取模型中一维卷积神经网络能够实现对特征进行更充分的提取，并且构建出更适合于进行目标特征反演的原始影像中并不存在的新波段。一维卷积神经网络与反演模型结合成复合的计算机深度学习模型，能够在数据量较大时，相较于传统模型展现出更好的训练效率并且得到更高的特征提取精度。同时，本专利技术通过将遥感影像数据以及实测数据进行数据匹配之后能够让海洋遥感波段特征提取模型具有比传统仅仅利用遥感影像数据训练的特征提取模型更加准确的优点。并且能够利用卫星遥感数据进行特征提取，降低了人工成本，提高了特征提取效率。
[0016]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0017]进一步，获取预设时间范围内以及空间范围内海洋表面的遥感影像数据以及海洋遥感波段特征实测数据，分别得到遥感影像数据集以及实测数据集，包括如下步骤：
[0018]根据所述预设时间范围确定空间窗口；
[0019]根据所述空间范围确定时间窗口；
[0020]从国家数据浮标中心的海洋观测系统中筛选出所述空间窗口内以及所述时间窗口内海洋表面的所述海洋遥感波段特征实测数据，得到所述实测数据集；
[0021]从海洋遥感影像数据平台中筛选出所述空间窗口内以及所述时间窗口内海洋表面的所述遥感影像数据，得到所述遥感影像数据集。
[0022]进一步，所述空间窗口计算公式如下：
[0023][0024]a＝Lat1
‑
Lat2；
[0025]b＝Long1
‑
Long2；
[0026]其中， S表示所述空间窗口的大小，Lat1表示所述遥感影像数据的观测点的经度，Lat2表示所述海洋遥感波段特征实测数据的观测点的经度，Long1表示所述遥感影像数据的观测点的纬度，Long2表示所述海洋遥感波段特征实测数据的观测点的纬度，R表示地球半径；
[0027]所述时间窗口计算公式如下：
[0028]T＝Scantime
‑
Obsertime；
[0029]其中，T表示所述时间窗口的大小，所述Scantime表示所述遥感影像数据的观测时间，所述Obsertime表示所述海洋遥感波段特征实测数据的观测时间。
[0030]进一步，分别对所述遥感影像数据集中的数据以及所述实测数据集中的数据进行数据预处理，对应得到遥感影像预处理数据集以及实测数据预处理数据集，包括如下步骤：
[0031]利用遥感图像处理平台对所述遥感影像数据集中的数据均进行数据图像定标、图像去云处理以及几何定位处理，得到所述遥感影像预处理数据集；
[0032]将所述实测数据集中的数据均转换为逗号分隔值文件格式的文本数据，得到所述实测数据预处理数据集。
[0033]进一步，所述反演模型具体为CatBoost回归模型。
[0034]采用上述进一步方案的有益效果是，CatBoost回归模型作为一种新型的回归模型，在精度上已经超过了经典回归模型如人工神经网络、支持向量机和随机森林回归等模型，能够显著提高特征反演的精度。
[0035]进一步，所述一维本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的海洋遥感波段特征收集方法，其特征在于，包括如下步骤：获取预设时间范围内以及空间范围内海洋表面的遥感影像数据以及海洋遥感波段特征实测数据，分别得到遥感影像数据集以及实测数据集，其中，所述遥感影像数据集中的数据为所述遥感影像数据，所述实测数据集中的数据为所述海洋遥感波段特征实测数据；分别对所述遥感影像数据集中的数据以及所述实测数据集中的数据进行数据预处理，对应得到遥感影像预处理数据集以及实测数据预处理数据集；将所述遥感影像预处理数据集中数据与所述实测数据预处理数据集中的数据进行数据匹配及数据关联，得到模型训练数据集；构建计算机深度学习网络模型，其中，所述计算机深度学习网络模型包括一维卷积神经网络模型以及反演模型，所述反演模型的输入值为所述一维卷积神经网络模型的输出值；利用所述模型训练数据集中的数据训练所述计算机深度学习网络模型中的所述一维卷积神经网络模型以及所述反演模型，得到海洋遥感波段特征提取模型；通过将待提取海洋遥感波段特征的海洋表面的遥感影像数据输入所述海洋遥感波段特征提取模型进行特征提取，得到海洋遥感波段特征。2.根据权利要求1所述的基于深度学习的海洋遥感波段特征收集方法，其特征在于，获取预设时间范围内以及空间范围内海洋表面的遥感影像数据以及海洋遥感波段特征实测数据，分别得到遥感影像数据集以及实测数据集，包括如下步骤：根据所述预设时间范围确定空间窗口；根据所述空间范围确定时间窗口；从国家数据浮标中心的海洋观测系统中筛选出所述空间窗口内以及所述时间窗口内海洋表面的所述海洋遥感波段特征实测数据，得到所述实测数据集；从海洋遥感影像数据平台中筛选出所述空间窗口内以及所述时间窗口内海洋表面的所述遥感影像数据，得到所述遥感影像数据集。3.根据权利要求2所述的基于深度学习的海洋遥感波段特征收集方法，其特征在于，所述空间窗口计算公式如下：a＝Lat1
‑
Lat2；b＝Long1
‑
Long2；其中， S表示所述空间窗口的大小，Lat1表示所述遥感影像数据的观测点的经度，Lat2表示所述海洋遥感波段特征实测数据的观测点的经度，Long1表示所述遥感影像数据的观测点的纬度，Long2表示所述海洋遥感波段特征实测数据的观测点的纬度，R表示地球半径；所述时间窗口计算公式如下：T＝Scantime
‑
Obsertime；其中，T表示所述时间窗口的大小，所述Scantime表示所述遥感影像数据的观测时间，所述Obsertime表示所述海洋遥感波段特征实测数据的观测时间。4.根据权利要求1所述的基于深度学习的海洋遥感波段特征收集方法，其特征在于，分别对所述遥感影像数据集中的数据以及所述实测数据集中的数据进行数据预处理，对应得
到遥感影像预处理数据集以及实测数据预处理数据集，包括如下步骤：利用遥感图像处理平台对所述遥感影像数据集中的数据均进行数据图像定标、图像去云处理以及几何定位处理，得到所述遥感影像预处理数据集；将所述实测数据集中的数据均转换为逗号分隔值文件格式的文本数据，得到所述实测数据预处理数据集。5.根据权利要求1所述的基于深度学习的海洋遥感波段特征收集方法，其特征在于，所述反演模型具体为CatBoost回归模型。6.根据权利要求1所述的基于深度学习的海洋遥感波段特征收集方法，其特征在于，所述一维卷积神经网络模型包括全连接层、特征提取层以及线性回归层；利用所述模型训练数据集中的数据训练所述计算机深度学习网络模型中的所述一维卷积神经网络模型以及所述反演模型，得到所述海洋遥感波段特征提取模型，包括如下步骤：将所述模型训练数据集分为训练集以及测试集，其中，所述训练集中的数据量占所述模型训练数据集中数据总量的70％，所述测试集中的数据量占所述模型训练...

【专利技术属性】
技术研发人员：何宏昌，范冬林，赵燕来，
申请(专利权)人：珠海漫漫科技有限公司，
类型：发明
国别省市：