一种基于物理信息集成学习的浅海水深迁移反演方法及系统
本发明涉及浅海水下地形遥感反演,公开了一种基于物理信息集成学习的浅海水深迁移反演方法及系统。
背景技术:
1、浅海区域水深信息是保障海上航行安全、开展近岸资源调查、海洋环境监测以及生态系统保护的重要基础数据。随着海洋开发利用活动不断增加以及海洋生态保护需求持续提升,针对大范围浅海区域开展高精度水深信息获取具有重要意义。尤其对于远离陆地且环境复杂的岛礁区域,由于传统水深测量方式受到调查成本、作业条件以及区域环境因素限制,难以开展大范围、高频次的水深测量,导致部分浅海区域仍存在水深资料不足的问题。因此,利用遥感数据实现浅海水深快速获取,成为解决大范围水深信息缺失问题的重要技术途径。
2、现有浅海水深获取方法主要包括基于船载声呐、航空测量以及卫星遥感影像的水深测量方法。其中,卫星遥感水深反演方法利用遥感影像中的水体光谱信息建立影像特征与水深之间的映射关系,具有覆盖范围广、数据获取方便以及调查成本较低的特点,已被广泛应用于近岸和岛礁浅水区域的水深估算。现有卫星遥感水深反演方法主要包括基于水体辐射传输模型的物理方法、基于经验关系的统计方法以及基于机器学习的非线性预测方法。基于物理模型的方法能够结合水体光学特性和光传播过程进行水深估算,但通常需要较多先验参数输入,模型求解过程较为复杂;基于经验关系的方法通过建立遥感反射率与水深之间的统计关系实现反演,具有计算简单、应用方便的特点;基于机器学习的方法能够利用遥感影像特征与水深样本之间的复杂关系进行预测,在浅海水深反演中取得了一定应用效果。
3、然而,现有浅海水深反演方法在跨区域应用过程中仍存在一定局限性。一方面,现有方法通常依赖目标区域的实测水深数据进行模型训练或参数调整,当应用于缺少实测资料的新区域时,模型性能容易受到限制,难以满足数据稀缺海域的水深获取需求。另一方面,不同海域之间存在水体光学特性、底质类型以及环境条件差异,直接利用已有区域建立的反演模型迁移至其他区域时,遥感影像中的光谱信息与水深之间的对应关系可能发生变化,导致反演精度下降。在此基础上,现有基于单一模型的反演方法在复杂海洋环境下容易受到样本分布变化影响,模型预测结果稳定性不足。
技术实现思路
1、本发明要解决的技术问题是:克服现有浅海水深反演方法跨区域迁移能力不足、依赖目标区域实测水深数据以及反演结果稳定性较差的不足,解决缺少目标区域水深样本条件下水深迁移反演精度不高的问题,提出一种基于物理信息集成学习的浅海水深迁移反演方法及系统。
2、为解决上述技术问题,本发明提出了一种基于物理信息集成学习的浅海水深迁移反演方法,包括以下步骤:基于一致化预处理后的多光谱遥感影像,将落入同一影像像元内的若干有效水深点进行统计平均,获取与影像像元一一对应的源域有标签样本;构建蓝光波段遥感反射率、绿光波段遥感反射率、红光波段遥感反射率、三个辐射传输特征和漫射衰减系数特征组合而成的七维物理信息特征向量,其中,三个辐射传输特征包括:蓝光波段与绿光波段的遥感反射率比值的自然对数、绿光波段与红光波段的遥感反射率比值的自然对数、红光波段与蓝光波段反射率比值的自然对数,漫射衰减系数特征通过计算预设波长处的漫射衰减系数获得;利用源域有标签样本对应的物理信息特征向量训练若干异构基学习器,并利用不同异构基学习器的预测结果训练弹性网络模型作为元学习器,由训练后的异构基学习器和元学习器建立物理信息集成学习模型;其中,物理信息集成学习模型用于以目标域物理信息特征向量为输入,并输出目标域水深迁移反演结果。
3、进一步地,多光谱遥感影像包括源域多光谱遥感影像和目标域多光谱遥感影像;源域有标签样本的获取方式包括:根据云量、成像质量、覆盖完整性、浅水底部信号及与实测水深数据采集日期的接近程度,对源域和目标域的多光谱遥感影像进行筛选,并从筛选后的多光谱遥感影像中提取蓝光波段、绿光波段、红光波段及近红外波段;近红外波段用于太阳耀斑校正;对筛选后的多光谱遥感影像依次执行太阳耀斑校正、空间滤波和水陆分离,得到一致化预处理后的多光谱遥感影像;对实测水深数据依次执行异常值剔除、潮汐校正和坐标基准统一,并将处理后的源域实测水深与一致化预处理后的源域多光谱遥感影像进行空间匹配,获得源域有标签样本。
4、进一步地,对筛选后的多光谱遥感影像依次执行太阳耀斑校正、空间滤波和水陆分离,包括:分别建立近红外波段遥感反射率与各可见光波段遥感反射率之间的线性回归关系,并根据线性回归关系对相应可见光波段遥感反射率中的太阳耀斑影响进行校正;对太阳耀斑校正后的各可见光波段遥感反射率执行均值滤波,以抑制局部像元噪声;对均值滤波后的多光谱遥感影像应用陆地掩膜,以剔除陆地区域并保留水体的影像像元;其中,源域和目标域均采用相同的太阳耀斑校正方式、空间滤波方式和水陆分离方式,以使源域和目标域的光谱数据具有一致的预处理条件。
5、进一步地,有效水深点通过对实测水深数据执行质量控制,并从中筛选出位于浅水深度范围内的水深点得到;对实测水深数据依次执行异常值剔除、潮汐校正和坐标基准统一,并将处理后的源域实测水深与一致化预处理后的源域多光谱遥感影像进行空间匹配,包括:对实测水深数据进行异常值剔除,根据水深数据采集时刻对应的潮位资料,对异常值剔除后的实测水深数据进行潮汐校正,并对潮汐校正后的实测水深数据进行坐标基准统一;从完成潮汐校正和坐标基准统一的实测水深数据中保留浅水深度范围内的有效水深点,并根据各有效水深点的平面坐标确定其对应的影像像元;当同一影像像元内对应多个有效水深点时,对所有有效水深点的水深进行统计平均,并将统计平均后的水深与对应影像像元进行一一匹配,以形成源域有标签样本。
6、进一步地,物理信息特征向量的构建方式包括:分别读取一致化预处理后的多光谱遥感影像中同一影像像元对应的蓝光波段遥感反射率、绿光波段遥感反射率和红光波段遥感反射率;基于同一影像像元对应的蓝光波段遥感反射率与绿光波段遥感反射率之间的相对关系计算漫射衰减系数,确定影像像元对应的漫射衰减系数特征;分别基于同一影像像元对应的蓝光波段遥感反射率与绿光波段遥感反射率、绿光波段遥感反射率与红光波段遥感反射率以及红光波段遥感反射率与蓝光波段遥感反射率之间的比值关系进行自然对数变换,确定影像像元对应的三个辐射传输特征;将同一影像像元对应的蓝光波段遥感反射率、绿光波段遥感反射率、红光波段遥感反射率、三个辐射传输特征及漫射衰减系数特征按照相同顺序组合,得到物理信息特征向量。
7、进一步地,基于同一影像像元对应的蓝光波段遥感反射率与绿光波段遥感反射率之间的相对关系计算漫射衰减系数,确定影像像元对应的漫射衰减系数特征,包括:根据同一影像像元对应的蓝光波段遥感反射率和绿光波段遥感反射率的比值,确定蓝绿波段相对反射关系;通过将蓝绿波段相对反射关系代入经验参数化关系,计算得到对应的影像像元在490nm波长处的漫射衰减系数;将490nm波长处的漫射衰减系数作为对应影像像元的漫射衰减系数特征,并按照相同的计算方式分别构建源域多光谱遥感影像和目标域多光谱遥感影像的漫射衰减系数特征。
8、进一步地,对用于构建三个辐射传输特征和物理信息特征向量的遥感反射率执行零值、负值和无效值检查,对不满足特征计算条件的像元进行无效掩膜处理,且源域和目标域均采用相同的特征计算顺序和无效值处理规则;将完成无效值处理后的蓝光波段遥感反射率、绿光波段遥感反射率和红光波段遥感反射率,与对应的三个辐射传输特征以及漫射衰减系数特征按照预设顺序组合,得到物理信息特征向量。
9、本发明还提出一种基于物理信息集成学习的浅海水深迁移反演系统,包括:数据预处理模块,用于基于一致化预处理后的多光谱遥感影像,将落入同一影像像元内的若干有效水深点进行统计平均,获取与影像像元一一对应的源域有标签样本;物理信息特征构建模块,用于构建蓝光波段遥感反射率、绿光波段遥感反射率、红光波段遥感反射率、三个辐射传输特征和漫射衰减系数特征组合而成的七维物理信息特征向量,其中,三个辐射传输特征包括:蓝光波段与绿光波段的遥感反射率比值的自然对数、绿光波段与红光波段的遥感反射率比值的自然对数、红光波段与蓝光波段反射率比值的自然对数,漫射衰减系数特征通过计算预设波长处的漫射衰减系数获得;迁移反演算法建立模块,用于利用源域有标签样本对应的物理信息特征向量训练若干异构基学习器,并利用不同异构基学习器的预测结果训练弹性网络模型作为元学习器,由训练后的异构基学习器和元学习器建立物理信息集成学习模型;其中,物理信息集成学习模型用于以目标域物理信息特征向量为输入,并输出目标域水深迁移反演结果。
10、本发明有益效果如下:
11、1、本发明通过将多光谱遥感影像中的蓝光、绿光和红光波段遥感反射率、辐射传输特征以及漫射衰减系数特征进行融合,构建包含水体光学传输信息的物理信息特征向量,使模型能够利用浅水区域光传播过程中的物理规律,提高不同海域之间光谱信息与水深关系的稳定性,降低因水体环境差异导致的迁移反演误差。
12、2、本发明利用多层感知机模型、支持向量机模型、k近邻模型和随机森林模型构建多个异构基学习器,并利用弹性网络模型对不同基学习器的预测结果进行融合,充分利用不同模型的预测优势,降低单一模型受样本分布变化影响造成的预测偏差,提高浅海水深迁移反演结果的准确性和稳定性。
13、3、本发明基于源域有标签样本完成模型训练,并将训练后的物理信息集成学习模型应用于缺少水深标签的目标区域,实现无需目标区域实测水深数据参与训练的跨区域水深迁移反演,降低了传统水深调查方法对现场测量数据的依赖,为测深资料缺乏区域提供了一种高效的浅海水深获取方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com