【技术实现步骤摘要】
本专利技术涉及遥感图像处理，具体为一种基于多算法的绿潮分析方法。
技术介绍
1、绿潮是海水中大型绿藻爆发性增殖或高度聚集引起水体变色的一类生态异常现象，大规模绿潮会竞争性消耗水体中的营养物质和氧气，造成海洋生物死亡，海草床生境退化等危害。2007年，我国黄海海域首次出现大规模绿潮爆发的现象，山东、江苏两省合计打捞绿藻高达6000吨，每年5-8月该海域绿潮都会反复爆发，至今已持续15年，对该海域的经济和社会发展造成了巨大影响。作为世界上最大规模的绿潮，目前黄海绿潮被认为是该海域最严重的海洋生态灾害之一。绿潮的动态监测及精准防控，对于黄海绿潮防灾减灾工作尤为重要。
2、卫星遥感技术凭借其大尺度、多空间分辨率、多光谱和高时效性的优点，成为绿潮动态监测的重要手段。针对遥感卫星影像的黄海绿潮信息提取问题，使用的影像数据多为中低分辨率数据，由于绿潮初期斑块面积较小，中低分辨率卫星难以对其进行准确监测。现有技术中，常见的绿潮提取算法多为阈值法，采用多波段比值算法计算单一指数，再对绿潮设定指数阈值从而进行识别。像元分割阈值在不同影像中会产生较大变化，且由于海洋环境的复杂性(气溶胶类型和厚度、观测角度、太阳耀光等影响)，单一指数分类方法在识别海洋上的绿潮具有一定的局限性，不能够有效识别和圈定各种海洋水域的浮游藻类。而近年来机器学习算法的快速发展为绿潮分类与识别带来了新的可能性。
3、因此，采用高分辨率多光谱遥感数据，结合多波段比值法、主成分分析方法和随机森林算法，构建一种融合ndvi/fai/pca的rf分类模型，对绿潮空
技术实现思路
1、本专利技术的目的在于针对复杂的海洋环境和绿潮动态监测的需求，提出一种基于多算法结合的绿潮分类方法，采用高分辨率多光谱遥感数据，结合多波段比值法、主成分分析方法和随机森林算法，构建一种融合ndvi/fai/pca的rf分类模型，对绿潮空间分布进行高精度提取，实现对早期绿潮在苏北海域的动态监测，为海洋环境生态及生物地球化学循环的相关研究与治理提供技术和数据支撑。
2、为了解决上述技术问题，本专利技术提供如下技术方案，一种基于多算法结合的绿潮分类方法，其方法步骤包括：
3、s1、对获取的高分辨率多光谱遥感数据进行预处理；所述预处理包括大气校正，重采样，格式转换，拼接，裁剪等；
4、s2、基于预处理过的高分辨率多光谱遥感数据，结合多波段比值算法和主成分分析算法，将ndvi、fai与pca影像进行融合，生成ndvi/fai/pca融合影像；
5、s3、基于随机森林算法构建rf分类模型，对ndvi/fai/pca融合影像进行分类以区分绿潮和非绿潮。
6、根据上述技术方案，所述高分辨率多光谱遥感数据步骤包括：
7、s101、获取高分辨率多光谱遥感数据，通过对影像云量进行筛选，结合绿潮爆发周期，筛选出云覆盖率低于10％的遥感数据；
8、s102、使用sen2cor对筛选出的云覆盖率低于10％的遥感数据进行辐射定标和大气校正；
9、s103、对辐射定标和大气校正后的遥感数据进行所有波段的空间分辨率的统一，在snap平台中将遥感数据各波段重新采样至10m，并转换格式以便后续在envi中进行处理；
10、s104、基于统一波段的空间分辨率的影像数据，根据选定的研究区范围使用envi软件将多景遥感影像镶嵌合并为一景，以用于步骤s2构建融合影像和步骤s3建立感兴趣区。
11、根据上述技术方案，所述ndvi、fai与pca影像融合步骤包括：
12、s201，选取s104预处理过的遥感影像中红光波段和近红外波段，通过多波段比值算法计算高分辨率多光谱遥感影像的ndvi；ndvi通过测量近红外(植被强烈反射)和红光(植被吸收)之间的差异来量化植被，具体表达式为
13、
14、式中：nir为近红外波段的反射率；red为红光波段的反射率。
15、s202，选取s104预处理过的遥感影像中红光波段、近红外波段和短波红外波段，通过多波段比值算法计算高分辨率多光谱遥感影像的fai；
16、fai利用多光谱影像的红光、近红外、短波红外波段进行组合运算，突出了浮游藻类与水体以及其他地物之间的差异，具体公式为
17、
18、式中：rred为红光波段的反射率；rnir为近红外波段的反射率；rswir为短波红外波段的反射率；λred为红光波段的中心波长；λnir为近红外波段的中心波长；λswir为短波红外波段的中心波长；r′nir为插值反射率，即红光和短波红外波段在近红外波段处采用线性内插方式得到的反射率信息。
19、s203，通过主成分分析算法对s104预处理过的影像信息进行凝练，选取累积特征值95％以上的主成分分量堆栈得到pca影像；所述累积特征值为利用主成分分析算法计算得到的因子累积贡献度；
20、s204，使用envi软件将pca影像与ndvi、fai进行融合，获得ndvi/fai/pca融合影像数据。
21、根据上述技术方案，所述s3步骤包括：
22、s301，确定训练样本并基于s104预处理过的遥感影像建立感兴趣区，并记录感兴趣区的总个数及面积，生成感兴趣区数据集文件；所述训练样本包括绿潮区域和非绿潮区域，所述训练样本的需求是根据人为经验目视解译；
23、s302，导入感兴趣区数据集文件，确定决策树数量并进行特征选择，利用随机森林算法算法构建rf分类模型；
24、其中，随机森林算法的主要思路是基于遥感数据及特征变量基础上，通过有放回随机抽取的方式，从原始的特征集中(假设共k个特征)抽取k个(k＜k)特征作为决策树分类依据，构建多个cart类型决策树，最后采用多决策树投票的方式确定数据类别归属；
25、对于一般的决策树，假如总共有k类，样本属于第k类的概率为：pk，则该概率分布的基尼指数为：
26、
27、基尼指数越大，说明不确定性就越大；基尼系数越小，不确定性越小，数据分割越彻底，越干净；...
【技术保护点】
1.一种基于多算法结合的绿潮分类方法，其特征在于，该分类方法包括：
2.根据权利要求1所述的一种基于多算法结合的绿潮分类方法，其特征在于，所述高分辨率多光谱遥感数据步骤包括：
3.根据权利要求1所述的一种基于多算法结合的绿潮分类方法，其特征在于，所述NDVI、FAI与PCA影像融合步骤包括：
4.根据权利要求1所述的一种基于多算法结合的绿潮分类方法，其特征在于，所述S3步骤包括：
【技术特征摘要】
1.一种基于多算法结合的绿潮分类方法，其特征在于，该分类方法包括：
2.根据权利要求1所述的一种基于多算法结合的绿潮分类方法，其特征在于，所述高分辨率多光谱遥感数据步骤包括：
3.根据权...
【专利技术属性】
技术研发人员：李达，周红武，潘锡山，周凯，韩雪，唐潇，李乔，张堃，赵敏，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。