基于星载多光谱遥感影像的水质分级方法及装置与流程

本技术涉及星载遥感处理，特别是涉及一种基于星载多光谱遥感影像的水质分级方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术：

1、传统的水体监测主要依赖地面人工采样分析，虽然单点精度较高，但空间覆盖稀疏、时间频次低，难以满足流域尺度的动态监管需求。随着遥感技术的快速发展，卫星遥感技术凭借其大范围同步观测能力，已成为大范围水环境监测的重要手段。

2、传统遥感水质监测的典型流程为：卫星获取影像后，将原始数据下传至地面站，由地面服务器运行归一化差异水体指数（ndwi）或改进的归一化差异水体指数（mndwi）等指数法，或基于卷积神经网络（cnn）、transformer等深度学习模型进行水体提取，再基于经验或半经验回归模型反演浑浊度等单一水质参数，最后由人工结合经验阈值进行定性等级判断。然而，上述地面处理模式存在数据下传量大、处理时效性差等问题，难以满足突发水环境污染事件的快速响应需求。

3、近年来，星载人工智能处理技术逐渐发展，但在轨方案尚停留在目标检测或单一参数的定性识别层面，未能形成“水体精确分割—多参数定量反演—水质精细分级”的在轨一体化处理能力。具体而言，在面对星载实时水质监测需求时，传统技术面临以下瓶颈：其一，基于水体指数的方法在建筑物阴影、山体阴影及富营养化植被干扰下误判率高；而cnn感受野有限，对细小河流易断裂；transformer自注意力机制虽能建模全局依赖，但计算复杂度随图像尺寸呈二次增长，难以适应星载算力约束。其二，星上无法运行复杂的辐射传输模型进行精确大气校正，多时相影像的辐射域偏移导致固定回归模型泛化失效。其三，传统方案多反演单一水质参数，缺乏浑浊度与叶绿素a浓度的协同反演机制，无法有效区分高含沙水体与有机污染黑臭水体，难以满足饮用水源地精细管理的决策需求。其四，星载内存与i/o带宽极度有限，全幅影像遍历处理易引起内存溢出，缺乏针对性的轻量化数据流引擎与资源动态调度手段，处理可靠性难以保障。

4、因此，在星载计算资源、内存与下行带宽均严格受限的条件下，如何实现从多光谱影像到水质分级图的全流程在轨一体化处理，成为本领域亟待解决的技术问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种基于星载多光谱遥感影像的水质分级方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种基于星载多光谱遥感影像的水质分级方法，所述方法包括：

3、获取单景多光谱遥感影像原始数据及成像辅助数据；所述多光谱包括沿海气溶胶波段、蓝波段、绿波段、红波段、近红外波段和短波红外波段；

4、基于所述成像辅助数据对所述原始数据进行微窗口滑动预处理，逐像素计算各波段下的地表反射率并提取光谱指数；

5、将各波段下的所述地表反射率与所述光谱指数沿通道维度拼接，构建增强特征图，基于预先训练的基于状态空间模型的语义分割网络对所述增强特征图进行水体提取，得到水体掩膜；所述语义分割网络以线性计算复杂度捕获全局空间上下文；

6、基于所述水体掩膜，针对每个水体像素提取对应水体像素各波段下的目标光谱指数与微窗口邻域统计特征，通过特征融合得到对应的特征向量；

7、将所述特征向量输入预先训练的多输出回归模型，逐像素并行计算水体浑浊度和叶绿素a浓度；

8、根据预设的浑浊度与叶绿素a浓度联合阈值矩阵，以及各水体像素的水体浑浊度和叶绿素a浓度逐像素进行水质等级分类，得到对应的水质分级结果。

9、在其中一个实施例中，所述逐像素计算各波段下的地表反射率并提取光谱指数，包括：

10、基于所述成像辅助数据中的辐射定标系数，对预处理后的影像进行逐像素逐波段辐射定标，得到每个像素各波段下的辐射亮度；

11、基于所述成像辅助数据中的太阳辐照度、太阳高度角及日地距离参数，将每个像素各波段下的所述辐射亮度转换为对应的大气层顶表观反射率；

12、从预置的全球典型大气条件查找表中获取成像区域的大气状态参数，并基于简化辐射传输查找表匹配大气校正参数组合，将每个像素各波段下的所述表观反射率转换为对应的初始地表反射率；

13、对每个像素各波段下的所述初始地表反射率进行双向反射分布函数归一化处理，得到对应归一化后的地表反射率；

14、基于每个像素各波段下归一化后的地表反射率，确定每个像素的光谱指数。

15、在其中一个实施例中，所述基于每个像素各波段下归一化后的地表反射率，确定每个像素的光谱指数，包括：

16、，

17、，

18、，

19、，

20、，

21、，

22、其中，、、、、、分别表示沿海气溶胶波段、蓝波段、绿波段、红波段、近红外波段和短波红外波段下归一化后的地表反射率；表示归一化差异水体指数，表示浑浊度指数，表示叶绿素a指数，表示浮游藻类指数，表示短波红外与红比值，表示近红外与红比值；表示传感器在近红外波段的中心波长，表示传感器在红波段的中心波长、表示传感器在短波红外波段的中心波长。

23、在其中一个实施例中，所述预先训练的基于状态空间模型的语义分割网络采用编码器、解码器架构，所述编码器包括多个下采样阶段，每个所述下采样阶段包括堆叠的多个视觉状态空间模块；

24、所述基于预先训练的基于状态空间模型的语义分割网络对所述增强特征图进行水体提取，得到水体掩膜，包括：

25、所述视觉状态空间模块将输入的所述增强特征图沿预设的多个方向分别展开为一维序列；

26、各方向的一维序列分别通过一维选择性状态空间模型进行特征变换后融合，以线性复杂度捕获全局空间上下文；

27、所述解码器通过跳跃连接融合编码器多尺度特征，并逐步上采样至原始分辨率，输出水体概率图；

28、对所述水体概率图进行阈值二值化处理，得到所述水体掩膜。

29、在其中一个实施例中，所述基于所述水体掩膜，针对每个水体像素提取对应水体像素各波段下的目标光谱指数与微窗口邻域统计特征，通过特征融合得到对应的特征向量，包括：

30、采用星载极速i/o引擎对所述水体掩膜按行扫描，将连续水体像素段编码为三元组，所述三元组包括行号、起始列和结束列；

31、基于所述三元组定位水体连通区域的空间覆盖行列范围，读取所述水体连通区域对应的数据块；

32、根据所述数据块建立水体像素空间坐标到全波段地表反射率和光谱指数的映射关系；

33、基于所述映射关系，提取每个水体像素的目标光谱指数，以及以所述水体像素为中心的微窗口的邻域统计特征；所述邻域统计特征包括以所述水体像素为中心的预设尺寸微窗口内各波段下的地表反射率的均值、标准差和中值；

34、对所述水体像素在各波段下的目标光谱指数以及邻域统计特征进行特征拼接，得到所述水体像素的特征向量。

35、在其中一个实施例中，所述多输出回归模型基于‌xgboost 框架实现，包括多棵回归树，每棵回归树针对浑浊度与叶绿素a浓度两个目标分别存储叶节点分值；

36、所述将所述特征向量输入预先训练的多输出回归模型，逐像素并行计算水体浑浊度和叶绿素a浓度，包括：

37、将每个水体像素的所述特征向量输入预先训练的多输出回归模型，遍历各回归树；

38、针对浑浊度目标和叶绿素a浓度目标，分别累加各树对应叶节点分值得到每个水体像素的浑浊度估算值和叶绿素a浓度估算值。

39、在其中一个实施例中，所述根据预设的浑浊度与叶绿素a浓度联合阈值矩阵，以及各水体像素的水体浑浊度和叶绿素a浓度逐像素进行水质等级分类，得到对应的水质分级结果，包括：

40、根据每个水体像素的水体浑浊度和叶绿素a浓度，基于预设的浑浊度与叶绿素a浓度联合阈值矩阵，采用上限阈值约束机制对各个水体像素进行水质等级分类，得到每个所述水体像素的分类结果；

41、采用连通域分析算法去除所述分类结果中的孤立水体像素，并进行形态学处理以对所述连通域的边界进行平滑；

42、基于平滑后的连通域生成单景水体的水质等级空间分布图，得到对应的水质分级结果。

43、在其中一个实施例中，所述方法还包括：

44、对水体掩膜、浑浊度分布结果、叶绿素a浓度分布结果及水质分级结果进行压缩编码，并通过星地链路下传至地面。

45、第二方面，本技术还提供了一种基于星载多光谱遥感影像的水质分级装置，所述装置包括：

46、数据获取模块，用于获取单景多光谱遥感影像原始数据及成像辅助数据；所述多光谱包括沿海气溶胶波段、蓝波段、绿波段、红波段、近红外波段和短波红外波段；

47、光谱特征提取模块，用于基于所述成像辅助数据对所述原始数据进行微窗口滑动预处理，逐像素计算各波段下的地表反射率并提取光谱指数；

48、水体提取模块，用于将各波段下的所述地表反射率与所述光谱指数沿通道维度拼接，构建增强特征图，基于预先训练的基于状态空间模型的语义分割网络对所述增强特征图进行水体提取，得到水体掩膜；所述语义分割网络以线性计算复杂度捕获全局空间上下文；

49、特征提取融合模块，用于基于所述水体掩膜，针对每个水体像素提取对应水体像素各波段下的目标光谱指数与微窗口邻域统计特征，通过特征融合得到对应的特征向量；

50、水质参数反演模块，用于将所述特征向量输入预先训练的多输出回归模型，逐像素并行计算水体浑浊度和叶绿素a浓度；

51、水质分级模块，用于根据预设的浑浊度与叶绿素a浓度联合阈值矩阵，以及各水体像素的水体浑浊度和叶绿素a浓度逐像素进行水质等级分类，得到对应的水质分级结果。

52、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述方法的步骤。

53、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。

54、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面所述方法的步骤。

55、上述基于星载多光谱遥感影像的水质分级方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，通过构建基于地表反射率与光谱指数的增强特征图，并结合采用线性计算复杂度的状态空间模型语义分割网络，在大幅降低计算资源消耗的同时实现了对星载遥感影像中水体全局空间上下文的高效捕获与精准提取，有效克服了传统transformer 类模型计算量过大难以在星上部署的缺陷；通过融合微窗口邻域统计特征与多输出回归模型进行逐像素并行计算，实现了浑浊度与叶绿素a浓度的快速同步反演，避免了传统物理模型迭代求解耗时长的弊端，显著提升了星上实时处理效率；最终结合联合阈值矩阵直接生成水质分级结果，实现了从原始数据到水质等级的端到端星上自动化处理，极大地减少了星地链路的数据传输压力，为大范围水环境的实时动态监测提供了强有力的技术支撑。