基于MERIS全分辨率影像数据的内陆水体光学分类方法

摘要

本发明公开了一种基于MERIS全分辨率影像数据的内陆水体光学分类方法，涉及遥感技术领域。所述方法包括：对内陆水体的MERIS全分辨率影像数据进行预处理；模拟大气顶端辐射率，进而建立训练集；构建前馈型BP神经网络；利用BP神经网络对smile校正后的MERIS全分辨率影像数据中波段1至10以及波段12进行大气校正，得到MERIS全分辨率影像数据中波段1至10以及波段12的地表遥感反射率数据；根据波段1至10以及波段12的地表遥感反射率数据，对内陆水体进行光学分类。所述方法，实现了对内陆水体中局部水体的分类，为提高遥感反演精度以及为具有相同光学特性的水体建立统一的反演模型提供了数据支持。

说明书

技术领域

本发明涉及遥感技术领域，特别涉及一种基于MERIS（The  Medium Resolution Imaging Spectrometer）全分辨率影像数据的内陆水 体光学分类方法。

背景技术

内陆水体是保持生态平衡和保证水体周边群众供水的关键因素。 以太湖为例，其是中国的第三大淡水湖，太湖为周边的湖滨城市的供 水起到了很重要的作用。但是近年来，太湖的污染越来越严重，并且 出现了富营养化。严重威胁了太湖的自然生态功能。因此，对水体的 定期监测成为必然。

在同一个水体中，遥感反射率会随着水体组分的变化而不同，例 如太湖的某些区域可能主要受到浮游植物的影响，而其他区域有可能 主要受到无机悬浮颗粒的影响，甚至是浮游藻类的影响。因此，针对 太湖水体中不同区域的光学特性差异，将太湖水体分类，建立不同的 反演模型成为必然。

利用卫星影像反演水环境参数，首先要解决的就是大气校正问 题。提高二类水体大气校正的精度是水色遥感的一个难点。对于海洋 一类水体，常采用暗像元校正方法来获取气溶胶浓度，但是，这种方 法假设在近红外波段水体离水辐射率为零，因此不适合于二类水体。 所以，需要一种新的方法对二类水体进行大气校正。目前，针对BEAM （Checking Tool for Bugs Errors and Mistakes）软件已开发了三种插件 用于对内陆湖泊或二类水体进行大气校正。这些插件是基于人工神经 网络的算法，可以从MERIS 1b数据大气顶端的辐射率反演出地表遥 感反射率，进而可以反演得到水体固有光学性质和水体组分浓度。

这些研究取得了一些成果，但是针对内陆高浑浊和富营养化的水 体，在大气校正与光学分类方面考虑还不足。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是：如何提供一种基于MERIS全分辨率 影像数据的内陆水体光学分类方法，以对内陆水体中不同区域的局部 水体进一步分类，进而为提高遥感反演精度以及为具有相同光学特性 的水体建立统一的反演模型提供数据支持。

（二）技术方案

为解决上述技术问题，本发明提供一种基于MERIS全分辨率影像 数据的内陆水体光学分类方法，其包括步骤：

A：对内陆水体的MERIS全分辨率影像数据进行预处理；

B：根据所述内陆水体的几何参数和大气条件，模拟大气顶端辐 射率，进而建立训练集；

C：根据所述训练集构建前馈型BP神经网络；

D：将所述预处理后的MERIS全分辨率影像数据进行smile校正后 输入所述BP神经网络，利用所述BP神经网络对所述smile校正后的 MERIS全分辨率影像数据中波段1至10以及波段12进行大气校正，得 到MERIS全分辨率影像数据中波段1至10以及波段12的地表遥感反射 率数据；

E：根据所述波段1至10以及波段12的地表遥感反射率数据，对所 述内陆水体进行光学分类。

优选地，所述步骤A具体包括步骤：

A1：获取具有野外实测数据对应日期的MERIS全分辨率影像数 据，从中提取内陆水体的MERIS全分辨率影像数据；

A2：利用BEAM软件对所述内陆水体的MERIS全分辨率影像数 据进行辐射定标和几何纠正。

优选地，所述步骤B中，所述内陆水体的几何参数包括：所述内 陆水体对应的平均海拔、太阳天顶角，以及传感器的方位角。

优选地，所述步骤B中，所述内陆水体的大气条件包括：所述内 陆水体对应的平均气压、平均温度、平均湿度、平均臭氧密度和气溶 胶的组分浓度；所述气溶胶中：尘埃粒子的浓度为40%到50%，水溶 性粒子的浓度为20%到50%，海洋性粒子的浓度为0，煤烟的浓度小 于20%；并且，所述气溶胶中每种组分的浓度值的变化步长为10%。

优选地，所述步骤C中，采用Matlab工具箱，根据所述训练集 构建前馈型BP神经网络。

优选地，在所述步骤D之后还包括步骤S：将所述波段1至10 以及波段12的地表遥感反射率数据与地面实测遥感反射率数据进行 对比分析，判断所述波段1至10以及波段12的地表遥感反射率数据 的误差是否小于预定阈值，如果是，执行步骤E；否则，返回所述步 骤B。

优选地，所述波段1至10以及波段12的地表遥感反射率数据的 误差，通过计算所述波段1至10以及波段12的地表遥感反射率数据 与地面实测遥感反射率数据的平均绝对百分比误差或者均方根误差 获得。

优选地，所述平均绝对百分比误差的计算公式如下：

$\mathrm{MAPE}=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}\left|\frac{y_i-y_i^{\prime }}{y_i}\right|;$

其中，MAPE表示所述平均绝对百分比误差，n表示样本象元数 量，y_i表示样本象元的地面实测遥感反射率，y′_i表示样本象元从影像 反演获得的地表遥感反射率。

优选地，所述平均绝对百分比误差的计算公式如下：

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{(y_i-y_i^{\prime })}^2};$

其中，RMSE所述均方根误差。

优选地，所述步骤E具体包括步骤：

E1：将所述内陆水体按象元分为多个待测区域，获取每个所述待 测区域的波段1至10以及波段12的地表遥感反射率数据；

E2：判断所述待测区域处波段9的地表遥感反射率是否大于波段 5的地表遥感反射率，如果是，判定所述待测区域处的水体为A类水 体；否则，执行步骤E3；

E3：判断所述待测区域处波段5的地表遥感反射率是否小于等于 波段6的地表遥感反射率，如果是，判定所述待测区域处的水体为B 类水体；否则，执行步骤E4；

E4：判断所述待测区域处波段6的地表遥感反射率是否小于等于 波段7的地表遥感反射率，如果是，判定所述待测区域处的水体为B 类水体；否则，执行步骤E5；

E5：判断所述待测区域处波段7的地表遥感反射率是否小于等于 波段8的地表遥感反射率，如果是，判定所述待测区域处的水体为C 类水体；否则，执行步骤E6；

E6：判断所述待测区域处波段8的地表遥感反射率是否小于波段 9的地表遥感反射率，如果是，判定所述待测区域象元处的水体为C 类水体；否则，判定所述待测区域处的水体为D类水体；

其中，所述A类水体，水面有水华漂浮，或有水生植物生长， 并且叶绿素浓度大于等于150mg/m³；

所述B类水体，水面浑浊，悬浮物浓度大于等于100mg/L并且 叶绿素浓度小于20mg/m³；

所述C类水体，悬浮物浓度小于100mg/L，叶绿素浓度大于等 于40mg/m³并且小于150mg/m³；

所述D类水体，悬浮物浓度小于100mg/L，叶绿素浓度小于40 mg/m³。

（三）有益效果

本发明的基于MERIS全分辨率影像数据的内陆水体光学分类方 法，利用MERIS全分辨率的卫星影像数据，结合神经网络对内陆水体 的MERIS数据进行大气校正得到地表遥感反射率数据，进而根据地表 遥感反射率的光谱曲线对内陆水体的局部水体进行分类，为提高遥感 反演精度以及为具有相同光学特性的水体建立统一的反演模型提供 了数据支持。

附图说明

图1是本发明实施例所述的基于MERIS全分辨率影像数据的内陆 水体光学分类方法流程图；

图2是A类水体的地表遥感反射率光谱图；

图3是B类水体的地表遥感反射率光谱图；

图4是C类水体的地表遥感反射率光谱图；

图5是D类水体的地表遥感反射率光谱图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细 描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例以太湖作为内陆水体的示例，详细说明对太湖中局部水 体的进一步分类的过程。图1是本发明实施例所述的基于MERIS全分 辨率影像数据的内陆水体光学分类方法流程图，如图1所述，所述方 法包括步骤：

A：对内陆水体的MERIS全分辨率影像数据进行预处理。

所述步骤A具体包括步骤：

A1：获取具有野外实测数据对应日期的MERIS全分辨率影像数 据，从中提取内陆水体的MERIS全分辨率影像数据。

A2：利用BEAM软件对所述内陆水体的MERIS全分辨率影像数 据进行辐射定标和几何纠正。

B：采用6S（Second Simulation of the Satellite Signal in the Solar  Spectrum）模型，根据所述内陆水体的几何参数和大气条件，模拟大 气顶端辐射率，进而建立训练集。所述内陆水体的几何参数包括：所 述内陆水体对应的平均海拔、太阳天顶角，以及传感器的方位角。所 述内陆水体的大气条件包括：所述内陆水体对应的平均气压、平均温 度、平均湿度、平均臭氧密度和气溶胶的组分浓度；所述气溶胶中： 尘埃粒子的浓度为40%到50%，水溶性粒子的浓度为20%到50%， 海洋性粒子的浓度为0，煤烟的浓度小于20%；并且，所述气溶胶中 每种组分的浓度值的变化步长为10%。

C：采用Matlab工具箱，根据所述训练集构建前馈型BP（Back  Propagation）神经网络。

D：将所述预处理后的MERIS全分辨率影像数据进行smile校正后 输入所述BP神经网络，利用所述BP神经网络对所述smile校正后的 MERIS全分辨率影像数据中波段1至10以及波段12进行大气校正，得 到MERIS全分辨率影像数据中波段1至10以及波段12的地表遥感反射 率数据。

步骤S：将所述波段1至10以及波段12的地表遥感反射率数据 与地面实测遥感反射率数据进行对比分析，判断所述波段1至10以 及波段12的地表遥感反射率数据的误差是否小于预定阈值，如果是， 执行步骤E；否则，返回所述步骤B。所述预定阈值一般为10%。所 述波段1至10以及波段12的地表遥感反射率数据的误差，通过计算 所述波段1至10以及波段12的地表遥感反射率数据与地面实测遥感 反射率数据的平均绝对百分比误差或者均方根误差获得。

所述平均绝对百分比误差的计算公式如下：

$\mathrm{MAPE}=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}\left|\frac{y_i-y_i^{\prime }}{y_i}\right|;$

其中，MAPE表示所述平均绝对百分比误差，n表示样本象元数 量，y_i表示样本象元的地面实测遥感反射率，y′_i表示样本象元从影像 反演获得的地表遥感反射率。为了避免像元光学特性空间差异的影 响，被选取的所述样本象元至少具有9个符合预定条件的邻近象元， 所述预定条件是指所述邻近象元的变异系数小于10%。

所述平均绝对百分比误差的计算公式如下：

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{(y_i-y_i^{\prime })}^2};$

其中，RMSE所述均方根误差。

E：根据所述波段1至10以及波段12的地表遥感反射率数据， 对所述内陆水体进行光学分类。所述步骤E具体包括步骤：

E1：将所述内陆水体按象元分为多个待测区域，获取每个所述待 测区域的波段1至10以及波段12的地表遥感反射率数据；

E2：判断所述待测区域处波段9的地表遥感反射率是否大于波段 5的地表遥感反射率，如果是，判定所述待测区域处的水体为A类水 体；否则，执行步骤E3；

E3：判断所述待测区域处波段5的地表遥感反射率是否小于等于 波段6的地表遥感反射率，如果是，判定所述待测区域处的水体为B 类水体；否则，执行步骤E4；

E4：判断所述待测区域处波段6的地表遥感反射率是否小于等于 波段7的地表遥感反射率，如果是，判定所述待测区域处的水体为B 类水体；否则，执行步骤E5；

E5：判断所述待测区域处波段7的地表遥感反射率是否小于等于 波段8的地表遥感反射率，如果是，判定所述待测区域处的水体为C 类水体；否则，执行步骤E6；

E6：判断所述待测区域处波段8的地表遥感反射率是否小于波段 9的地表遥感反射率，如果是，判定所述待测区域处的水体为C类水 体；否则，判定所述待测区域处的水体为D类水体；

其中，所述A类水体，水面有水华漂浮，或有水生植物生长，并 且叶绿素浓度大于等于150mg/m³，图2是A类水体的地表遥感反射率 光谱图。

所述B类水体，水面浑浊，悬浮物浓度大于等于100mg/L并且叶 绿素浓度小于20mg/m³，图3是B类水体的地表遥感反射率光谱图。

所述C类水体，悬浮物浓度小于100mg/L，叶绿素浓度大于等于 40mg/m³并且小于150mg/m³，图4是C类水体的地表遥感反射率光谱 图。

所述D类水体，悬浮物浓度小于100mg/L，叶绿素浓度小于40 mg/m³，图5是D类水体的地表遥感反射率光谱图。

本发明实施例所述基于MERIS全分辨率影像数据的内陆水体光 学分类方法，利用MERIS全分辨率的卫星影像数据，结合神经网络对 内陆水体的MERIS数据进行大气校正得到地表遥感反射率数据，进而 根据地表遥感反射率的光谱曲线对内陆水体的局部水体进行分类，为 提高遥感反演精度以及为具有相同光学特性的水体建立统一的反演 模型提供了数据支持。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关 技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下， 还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明 的范畴，本发明的专利保护范围应由权利要求限定。