專利名稱:基于meris全分辨率影像數據的內陸水體光學分類方法
技術領域:
本發(fā)明涉及遙感技術領域,特別涉及一種基于MERIS (The Medium ResolutionImaging Spectrometer)全分辨率影像數據的內陸水體光學分類方法。
背景技術:
內陸水體是保持生態(tài)平衡和保證水體周邊群眾供水的關鍵因素。以太湖為例,其是中國的第三大淡水湖,太湖為周邊的湖濱城市的供水起到了很重要的作用。但是近年來,太湖的污染越來越嚴重,并且出現了富營養(yǎng)化。嚴重威脅了太湖的自然生態(tài)功能。因此,對水體的定期監(jiān)測成為必然。在同一個水體中,遙感反射率會隨著水體組分的變化而不同,例如太湖的某些區(qū)域可能主要受到浮游植物的影響,而其他區(qū)域有可能主要受到無機懸浮顆粒的影響,甚至 是浮游藻類的影響。因此,針對太湖水體中不同區(qū)域的光學特性差異,將太湖水體分類,建立不同的反演模型成為必然。利用衛(wèi)星影像反演水環(huán)境參數,首先要解決的就是大氣校正問題。提高二類水體大氣校正的精度是水色遙感的一個難點。對于海洋一類水體,常采用暗像元校正方法來獲取氣溶膠濃度,但是,這種方法假設在近紅外波段水體離水輻射率為零,因此不適合于二類水體。所以,需要一種新的方法對二類水體進行大氣校正。目前,針對BEAM(Checking Toolfor Bugs Errors and Mistakes)軟件已開發(fā)了三種插件用于對內陸湖泊或二類水體進行大氣校正。這些插件是基于人工神經網絡的算法,可以從MERIS Ib數據大氣頂端的輻射率反演出地表遙感反射率,進而可以反演得到水體固有光學性質和水體組分濃度。這些研究取得了一些成果,但是針對內陸高渾濁和富營養(yǎng)化的水體,在大氣校正與光學分類方面考慮還不足。
發(fā)明內容
(一)要解決的技術問題本發(fā)明要解決的技術問題是如何提供一種基于MERIS全分辨率影像數據的內陸水體光學分類方法,以對內陸水體中不同區(qū)域的局部水體進一步分類,進而為提高遙感反演精度以及為具有相同光學特性的水體建立統(tǒng)一的反演模型提供數據支持。(二)技術方案為解決上述技術問題,本發(fā)明提供一種基于MERIS全分辨率影像數據的內陸水體光學分類方法,其包括步驟A :對內陸水體的MERIS全分辨率影像數據進行預處理;B :根據所述內陸水體的幾何參數和大氣條件,模擬大氣頂端輻射率,進而建立訓練集;C :根據所述訓練集構建前饋型BP神經網絡;D :將所述預處理后的MERIS全分辨率影像數據進行smile校正后輸入所述BP神經網絡,利用所述BP神經網絡對所述smile校正后的MERIS全分辨率影像數據中波段I至10以及波段12進行大氣校正,得到MERIS全分辨率影像數據中波段I至10以及波段12的地表遙感反射率數據;E :根據所述波段I至10以及波段12的地表遙感反射率數據,對所述內陸水體進行光學分類。優(yōu)選地,所述步驟A具體包括步驟Al :獲取具有野外實測數據對應日期的MERIS全分辨率影像數據,從中提取內陸水體的MERIS全分辨率影像數據;A2 :利用BEAM軟件對所述內陸水體的MERIS全分辨率影像數據進行輻射定標和幾何糾正。 優(yōu)選地,所述步驟B中,所述內陸水體的幾何參數包括所述內陸水體對應的平均海拔、太陽天頂角,以及傳感器的方位角。優(yōu)選地,所述步驟B中,所述內陸水體的大氣條件包括所述內陸水體對應的平均氣壓、平均溫度、平均濕度、平均臭氧密度和氣溶膠的組分濃度;所述氣溶膠中塵埃粒子的濃度為40%到50%,水溶性粒子的濃度為20%到50%,海洋性粒子的濃度為0,煤煙的濃度小于20% ;并且,所述氣溶膠中每種組分的濃度值的變化步長為10%。優(yōu)選地,所述步驟C中,采用Matlab工具箱,根據所述訓練集構建前饋型BP神經網絡。優(yōu)選地,在所述步驟D之后還包括步驟S :將所述波段I至10以及波段12的地表遙感反射率數據與地面實測遙感反射率數據進行對比分析,判斷所述波段I至10以及波段12的地表遙感反射率數據的誤差是否小于預定閾值,如果是,執(zhí)行步驟E ;否則,返回所述步驟B。優(yōu)選地,所述波段I至10以及波段12的地表遙感反射率數據的誤差,通過計算所述波段I至10以及波段12的地表遙感反射率數據與地面實測遙感反射率數據的平均絕對百分比誤差或者均方根誤差獲得。優(yōu)選地,所述平均絕對百分比誤差的計算公式如下MAPE = -Y;
n Yi其中,MAPE表示所述平均絕對百分比誤差,n表示樣本象元數量,Yi表示樣本象元的地面實測遙感反射率,Y1 i表示樣本象元從影像反演獲得的地表遙感反射率。優(yōu)選地,所述平均絕對百分比誤差的計算公式如下RMSJ:^ I-YjIyl-yf ;其中,RMSE所述均方根誤差。優(yōu)選地,所述步驟E具體包括步驟El :將所述內陸水體按象元分為多個待測區(qū)域,獲取每個所述待測區(qū)域的波段I至10以及波段12的地表遙感反射率數據;E2 :判斷所述待測區(qū)域處波段9的地表遙感反射率是否大于波段5的地表遙感反射率,如果是,判定所述待測區(qū)域處的水體為A類水體;否則,執(zhí)行步驟E3 ;E3 :判斷所述待測區(qū)域處波段5的地表遙感反射率是否小于等于波段6的地表遙感反射率,如果是,判定所述待測區(qū)域處的水體為B類水體;否則,執(zhí)行步驟E4 ;E4 :判斷所述待測區(qū)域處波段6的地表遙感反射率是否小于等于波段7的地表遙感反射率,如果是,判定所述待測區(qū)域處的水體為B類水體;否則,執(zhí)行步驟E5 ;E5 :判斷所述待測區(qū)域處波段7的地表遙感反射率是否小于等于波段8的地表遙感反射率,如果是,判定所述待測區(qū)域處的水體為C類水體;否則,執(zhí)行步驟E6 ;E6 :判斷所述待測區(qū)域處波段8的地表遙感反射率是否小于波段9的地表遙感反射率,如果是,判定所述待測區(qū)域象元處的水體為C類水體;否則,判定所述待測區(qū)域處的水體為D類水體; 其中,所述A類水體,水面有水華漂浮,或有水生植物生長,并且葉綠素濃度大于等于 150mg/m3 ;所述B類水體,水面渾濁,懸浮物濃度大于等于100mg/L并且葉綠素濃度小于20mg/m3 ;所述C類水體,懸浮物濃度小于100mg/L,葉綠素濃度大于等于40mg/m3并且小于150mg/m3 ;所述D類水體,懸浮物濃度小于100mg/L,葉綠素濃度小于40mg/m3。(三)有益效果本發(fā)明的基于MERIS全分辨率影像數據的內陸水體光學分類方法,利用MERIS全分辨率的衛(wèi)星影像數據,結合神經網絡對內陸水體的MERIS數據進行大氣校正得到地表遙感反射率數據,進而根據地表遙感反射率的光譜曲線對內陸水體的局部水體進行分類,為提高遙感反演精度以及為具有相同光學特性的水體建立統(tǒng)一的反演模型提供了數據支持。
圖I是本發(fā)明實施例所述的基于MERIS全分辨率影像數據的內陸水體光學分類方法流程圖;圖2是A類水體的地表遙感反射率光譜圖;圖3是B類水體的地表遙感反射率光譜圖;圖4是C類水體的地表遙感反射率光譜圖;圖5是D類水體的地表遙感反射率光譜圖。
具體實施例方式下面結合附圖和實施例,對本發(fā)明的具體實施方式
作進一步詳細描述。以下實施例用于說明本發(fā)明,但不用來限制本發(fā)明的范圍。本實施例以太湖作為內陸水體的示例,詳細說明對太湖中局部水體的進一步分類的過程。圖I是本發(fā)明實施例所述的基于MERIS全分辨率影像數據的內陸水體光學分類方法流程圖,如圖I所述,所述方法包括步驟A :對內陸水體的MERIS全分辨率影像數據進行預處理。所述步驟A具體包括步驟
Al :獲取具有野外實測數據對應日期的MERIS全分辨率影像數據,從中提取內陸水體的MERIS全分辨率影像數據。A2 :利用BEAM軟件對所述內陸水體的MERIS全分辨率影像數據進行輻射定標和幾何糾正。B :米用 6S (Second Simulation of the Satellite Signal in the SolarSpectrum)模型,根據所述內陸水體的幾何參數和大氣條件,模擬大氣頂端輻射率,進而建立訓練集。所述內陸水體的幾何參數包括所述內陸水體對應的平均海拔、太陽天頂角,以及傳感器的方位角。所述內陸水體的大氣條件包括所述內陸水體對應的平均氣壓、平均溫度、平均濕度、平均臭氧密度和氣溶膠的組分濃度;所述氣溶膠中塵埃粒子的濃度為40%到50%,水溶性粒子的濃度為20%到50%,海洋性粒子的濃度為0,煤煙的濃度小于20% ;并且,所述氣溶膠中每種組分的濃度值的變化步長為10%。
C :采用Matlab工具箱,根據所述訓練集構建前饋型BP (Back Propagation)神經網絡。D :將所述預處理后的MERIS全分辨率影像數據進行smile校正后輸入所述BP神經網絡,利用所述BP神經網絡對所述smile校正后的MERIS全分辨率影像數據中波段I至10以及波段12進行大氣校正,得到MERIS全分辨率影像數據中波段I至10以及波段12的地表遙感反射率數據。步驟S :將所述波段I至10以及波段12的地表遙感反射率數據與地面實測遙感反射率數據進行對比分析,判斷所述波段I至10以及波段12的地表遙感反射率數據的誤差是否小于預定閾值,如果是,執(zhí)行步驟E ;否則,返回所述步驟B。所述預定閾值一般為10%。所述波段I至10以及波段12的地表遙感反射率數據的誤差,通過計算所述波段I至10以及波段12的地表遙感反射率數據與地面實測遙感反射率數據的平均絕對百分比誤差或者均方根誤差獲得。所述平均絕對百分比誤差的計算公式如下MAPE = —Y —~—;其中,MAPE表示所述平均絕對百分比誤差,n表示樣本象元數量,Yi表示樣本象元的地面實測遙感反射率,y' i表示樣本象元從影像反演獲得的地表遙感反射率。為了避免像元光學特性空間差異的影響,被選取的所述樣本象元至少具有9個符合預定條件的鄰近象元,所述預定條件是指所述鄰近象元的變異系數小于10%。所述平均絕對百分比誤差的計算公式如下RMSE= I玄(y,—y;)2 ;
V n I=I其中,RMSE所述均方根誤差。E :根據所述波段I至10以及波段12的地表遙感反射率數據,對所述內陸水體進行光學分類。所述步驟E具體包括步驟El :將所述內陸水體按象元分為多個待測區(qū)域,獲取每個所述待測區(qū)域的波段I至10以及波段12的地表遙感反射率數據;
E2 :判斷所述待測區(qū)域處波段9的地表遙感反射率是否大于波段5的地表遙感反射率,如果是,判定所述待測區(qū)域處的水體為A類水體;否則,執(zhí)行步驟E3 ;E3 :判斷所述待測區(qū)域處波段5的地表遙感反射率是否小于等于波段6的地表遙感反射率,如果是,判定所述待測區(qū)域處的水體為B類水體;否則,執(zhí)行步驟E4 ;E4 :判斷所述待測區(qū)域處波段6的地表遙感反射率是否小于等于波段7的地表遙感反射率,如果是,判定所述待測 區(qū)域處的水體為B類水體;否則,執(zhí)行步驟E5 ;E5 :判斷所述待測區(qū)域處波段7的地表遙感反射率是否小于等于波段8的地表遙感反射率,如果是,判定所述待測區(qū)域處的水體為C類水體;否則,執(zhí)行步驟E6 ;E6 :判斷所述待測區(qū)域處波段8的地表遙感反射率是否小于波段9的地表遙感反射率,如果是,判定所述待測區(qū)域處的水體為C類水體;否則,判定所述待測區(qū)域處的水體為D類水體;其中,所述A類水體,水面有水華漂浮,或有水生植物生長,并且葉綠素濃度大于等于150mg/m3,圖2是A類水體的地表遙感反射率光譜圖。所述B類水體,水面渾濁,懸浮物濃度大于等于100mg/L并且葉綠素濃度小于20mg/m3,圖3是B類水體的地表遙感反射率光譜圖。所述C類水體,懸浮物濃度小于100mg/L,葉綠素濃度大于等于40mg/m3并且小于150mg/m3,圖4是C類水體的地表遙感反射率光譜圖。所述D類水體,懸浮物濃度小于100mg/L,葉綠素濃度小于40mg/m3,圖5是D類水體的地表遙感反射率光譜圖。本發(fā)明實施例所述基于MERIS全分辨率影像數據的內陸水體光學分類方法,利用MERIS全分辨率的衛(wèi)星影像數據,結合神經網絡對內陸水體的MERIS數據進行大氣校正得到地表遙感反射率數據,進而根據地表遙感反射率的光譜曲線對內陸水體的局部水體進行分類,為提高遙感反演精度以及為具有相同光學特性的水體建立統(tǒng)一的反演模型提供了數據支持。以上實施方式僅用于說明本發(fā)明,而并非對本發(fā)明的限制,有關技術領域的普通技術人員,在不脫離本發(fā)明的精神和范圍的情況下,還可以做出各種變化和變型,因此所有等同的技術方案也屬于本發(fā)明的范疇,本發(fā)明的專利保護范圍應由權利要求限定。
權利要求
1.一種基于MERIS全分辨率影像數據的內陸水體光學分類方法,其特征在于,包括步驟 A :對內陸水體的MERIS全分辨率影像數據進行預處理; B:根據所述內陸水體的幾何參數和大氣條件,模擬大氣頂端輻射率,進而建立訓練集; C :根據所述訓練集構建前饋型BP神經網絡; D :將所述預處理后的MERIS全分辨率影像數據進行smile校正后輸入所述BP神經網絡,利用所述BP神經網絡對所述smile校正后的MERIS全分辨率影像數據中波段I至10以及波段12進行大氣校正,得到MERIS全分辨率影像數據中波段I至10以及波段12的地表遙感反射率數據; E :根據所述波段I至10以及波段12的地表遙感反射率數據,對所述內陸水體進行光學分類。
2.如權利要求I所述的方法,其特征在于,所述步驟A具體包括步驟 Al :獲取具有野外實測數據對應日期的MERIS全分辨率影像數據,從中提取內陸水體的MERIS全分辨率影像數據; A2 :利用BEAM軟件對所述內陸水體的MERIS全分辨率影像數據進行輻射定標和幾何糾正。
3.如權利要求I所述的方法,其特征在于,所述步驟B中,所述內陸水體的幾何參數包括所述內陸水體對應的平均海拔、太陽天頂角,以及傳感器的方位角。
4.如權利要求I所述的方法,其特征在于,所述步驟B中,所述內陸水體的大氣條件包括所述內陸水體對應的平均氣壓、平均溫度、平均濕度、平均臭氧密度和氣溶膠的組分濃度;所述氣溶膠中塵埃粒子的濃度為40%到50%,水溶性粒子的濃度為20%到50%,海洋性粒子的濃度為0,煤煙的濃度小于20% ;并且,所述氣溶膠中每種組分的濃度值的變化步長為 10% ο
5.如權利要求I所述的方法,其特征在于,所述步驟C中,采用Matlab工具箱,根據所述訓練集構建前饋型BP神經網絡。
6.如權利要求I所述的方法,其特征在于,在所述步驟D之后還包括步驟S:將所述波段I至10以及波段12的地表遙感反射率數據與地面實測遙感反射率數據進行對比分析,判斷所述波段I至10以及波段12的地表遙感反射率數據的誤差是否小于預定閾值,如果是,執(zhí)行步驟E ;否則,返回所述步驟B。
7.如權利要求6所述的方法,其特征在于,所述波段I至10以及波段12的地表遙感反射率數據的誤差,通過計算所述波段I至10以及波段12的地表遙感反射率數據與地面實測遙感反射率數據的平均絕對百分比誤差或者均方根誤差獲得。
8.如權利要求7所述的方法,其特征在于,所述平均絕對百分比誤差的計算公式如下 MAPE = -T ; n tf yf 其中,MAPE表示所述平均絕對百分比誤差,η表示樣本象元數量,Yi表示樣本象元的地面實測遙感反射率,I' i表示樣本象元從影像反演獲得的地表遙感反射率。
9.如權利要求8所述的方法,其特征在于,所述平均絕對百分比誤差的計算公式如下 RMSE^; 其中,RMSE所述均方根誤差。
10.如權利要求I所述的方法,其特征在于,所述步驟E具體包括步驟 El :將所述內陸水體按象元分為多個待測區(qū)域,獲取每個所述待測區(qū)域的波段I至10以及波段12的地表遙感反射率數據; E2 :判斷所述待測區(qū)域處波段9的地表遙感反射率是否大于波段5的地表遙感反射率,如果是,判定所述待測區(qū)域處的水體為A類水體;否則,執(zhí)行步驟E3 ; E3 :判斷所述待測區(qū)域處波段5的地表遙感反射率是否小于等于波段6的地表遙感反 射率,如果是,判定所述待測區(qū)域處的水體為B類水體;否則,執(zhí)行步驟E4 ; E4 :判斷所述待測區(qū)域處波段6的地表遙感反射率是否小于等于波段7的地表遙感反射率,如果是,判定所述待測區(qū)域處的水體為B類水體;否則,執(zhí)行步驟E5 ; E5 :判斷所述待測區(qū)域處波段7的地表遙感反射率是否小于等于波段8的地表遙感反射率,如果是,判定所述待測區(qū)域處的水體為C類水體;否則,執(zhí)行步驟E6 ; E6 :判斷所述待測區(qū)域處波段8的地表遙感反射率是否小于波段9的地表遙感反射率,如果是,判定所述待測的水體為C類水體;否則,判定所述待測區(qū)域處的水體為D類水體;其中,所述A類水體,水面有水華漂浮,或有水生植物生長,并且葉綠素濃度大于等于150mg/m3; 所述B類水體,水面渾濁,懸浮物濃度大于等于100mg/L并且葉綠素濃度小于20mg/m3 ;所述C類水體,懸浮物濃度小于100mg/L,葉綠素濃度大于等于40mg/m3并且小于150mg/m3 ; 所述D類水體,懸浮物濃度小于100mg/L,葉綠素濃度小于40mg/m3。
全文摘要
本發(fā)明公開了一種基于MERIS全分辨率影像數據的內陸水體光學分類方法,涉及遙感技術領域。所述方法包括對內陸水體的MERIS全分辨率影像數據進行預處理;模擬大氣頂端輻射率,進而建立訓練集;構建前饋型BP神經網絡;利用BP神經網絡對smile校正后的MERIS全分辨率影像數據中波段1至10以及波段12進行大氣校正,得到MERIS全分辨率影像數據中波段1至10以及波段12的地表遙感反射率數據;根據波段1至10以及波段12的地表遙感反射率數據,對內陸水體進行光學分類。所述方法,實現了對內陸水體中局部水體的分類,為提高遙感反演精度以及為具有相同光學特性的水體建立統(tǒng)一的反演模型提供了數據支持。
文檔編號G06F17/50GK102955878SQ20121032669
公開日2013年3月6日 申請日期2012年9月5日 優(yōu)先權日2012年9月5日
發(fā)明者王橋, 李云梅, 李淵, 呂恒 申請人:環(huán)境保護部衛(wèi)星環(huán)境應用中心, 南京師范大學