基于神经网络模型的极地海冰融池提取方法
【技术领域】
[0001]本发明涉及一种基于神经网络模型的极地海冰融池提取方法，属于遥感信息全自动提取方法领域。
【背景技术】
[0002]海冰融化过程中，融水在海冰表面低凹处汇集形成融池。由于融池的反照率介于海冰和海水之间，提取融池覆盖率对于准确计算太阳辐射在极区海洋的吸收、了解极区气-冰-海耦合系统的热力过程有重要意义。
[0003]融池的重要性突出表现在它的物理特性上。融池就是冰上水池，所以融池具有海水的一切性质，尤其在于其反照率，反照率是决定海冰吸收太阳辐射能量多少的一个标准，反照率高，则吸收的太阳辐射能量就少，融化就慢，反之融化就快。而海水的表面反照率为10%——15%，海冰的反照率为90%，差别很大。如果某一块海冰上有一个小融池，该融池有可能是海水的动力学或者是热力学作用形成的，那么在该块海冰上由于反照率的大幅减少，会吸收更多的太阳辐射能量，尤其在夏天又很少出现冻结情况，就会加速该块海冰的融化。
[0004]夏季极地遥感影像中往往含有大量的融池区域，相关的数据也表明，北极夏季海冰的反照率有一定程度的降低，印证了融池使海冰融化加剧的现象。获取融池的相关数据，对更好地分析海冰对全球气候变暖的响应有重大的科学意义。
[0005]覆盖率是融池模拟中的一项重要参数，也是空间遥感在融池研究中的主要研究方向，然而目前有关的遥感算法仍以局地性的个例实验为主，没有适用于更大范围的融池遥感提取算法。在北极不同地区已经进行过众多的海冰表面观测和船基走航观测，以研究融池的反射率、光谱特征以及融池的大小和分布等。虽然有较高的观测准确率和精度，但是局限于航线，观测结果的时间和空间尺度都极其有限，仅能反映航线涉及区域的融池情况。需要一种在较长时间序列和空间范围内提取极地海冰融池的遥感方法。
【发明内容】
[0006]本发明要解决的技术问题是:克服现有技术上述缺陷，提供一种基于神经网络模型的海冰融池提取方法，在极地地区遥感图像中确定冰雪、水体和融池的覆盖比例，通过快速优化地解算基于混合像元分解模型的多元线性方程组，减少计算代价并且保证精度，完成极地海冰融池范围的提取。
[0007]为了解决上述技术问题，本发明提出的技术方案是:一种基于神经网络模型的极地海冰融池提取方法，其步骤包括:
[0008]第一步、将MODIS表面反射率产品M0D09A1由正弦投影转换为极地方位投影；
[0009]第二步、结合M0D09A1产品中的陆地掩膜和云掩膜数据，提取目标区域的图像，并选取λ” λ2、λ 3波段的表面反射率值；
[0010]第三步、根据冰雪、水体和融池的光谱响应曲线，得到三者分别在λ P λ2、λ3波段的标准光谱反射率值:
[0011]在A1波段:冰雪的光谱反射率F1(A1) = 0.95，水体的光谱反射率L(A1)=0.08，融池的光谱反射率rj λ J = 0.16 ；
[0012]在λ2波段:冰雪的光谱反射率Γι(λ2) = 0.87，水体的光谱反射率rwU2)=0.08，融池的光谱反射率Γη(λ2) = 0.07 ；
[0013]在λ3波段:冰雪的光谱反射率Γι(λ3) = 0.95，水体的光谱反射率rwU3)=0.08，融池的光谱反射率4 ( λ 3) =0.22；
[0014]第四步、对图像中的每个像元，根据其中冰雪、水体和融池所占比例Sp Sw、Sni与三者光谱反射率的关系，建立多元线性方程组；
[0015]Si^ri ( λ D +Sw*rw( λ !) +Sm*rm( λ = R(X1)
[0016]S1=Kr1 ( λ 2) +Sw*rw ( λ 2) +Sn*rn ( λ 2) = R ( λ 2)
[0017]S1^r1 ( λ 3) +Sw*rw( λ 3) +Sn*rn( λ 3) = R(A3)
[0018]SJSJSni= I
[0019]ScKr(X1)nR(A2)nR(A3)分别是像兀在λ2、λ 3波段的反射率值；
[0020]第五步、从图像中选取5% -10%数量的像元，以作为人工神经网络的训练样本，利用选取的像元直接求解带约束条件的方程组，获得的解为每个像元内冰雪、水体和融池所占比例，作为人工神经网络的训练样本集；
[0021]第六步、构建神经网络模型，输入层为MODIS反射率数据的λ 1、λ2、λ3波段；输出层为冰雪、水体和融池所占比例的图像；
[0022]第七步、运行神经网络模型，快速优化求解方程组，获得结果为冰雪、水体和融池分别在像元内所占的比例Sp sw、sn；
[0023]第八步、通过公式Sni* (1-Sw)，计算得到目标区图像内的融池覆盖相对比例，根据融池覆盖相对比例绘制获得目标区融池范围分布图。
[0024]本发明方法使用的数据源为公开下载的中分辨率成像光谱仪(MODIS)的表面反射率8天合成数据(M0D09A1)。M0D09A1包括7个波段，波长459_2155nm，空间分辨率500m。数据范围在O至I之间，表示了该波段上的表面反射率值。在极地海冰区域，图像中每个像元的表面反射率由像元内的冰雪、融池和水体的反射率值共同组成。
[0025]本发明基于神经网络模型的海冰融池提取方法，还具有如下进一步的特征:
[0026]1、第一步遥感影像预处理前，先在遥感图像处理软件中确定MODIS表面反射率产品M0D09A1影像的投影信息和地理位置信息，将原影像的正弦曲线投影转换为极地方位投影。
[0027]2、第二步中A1波段的波长范围为620-670nm，λ 2波段的波长范围为841_876nm，λ 3波段的波长范围为459-479nm0
[0028]3、第五步中对于少量像元使用拟牛顿法(BFGS算法，SPBroyden-Fletcher-Goldfarb-Shanno算法)求解方程组，得到各个像元中冰雪、水体和融池分别所占的比例。
[0029]4、第六步中神经网络模型为多层前馈感知器，由一个输入层、两层隐藏层和一个输出层组成，第一层隐藏层包含9个节点，第二层隐藏层包含27个节点。
[0030]5、第七步中运行神经网络模型所使用的参数设置为:训练停止条件的RMS误差值为0.1 ;训练的迭代次数为10000次。
[0031]6、第八步计算融池覆盖相对比例时，将融池在像元内所占比例换算成相对非水体面积而言的值，绘制融池范围分布图时，按照融池覆盖比例值所在区间划分为若干等级，并赋以不同等级的灰度形成图像。
[0032]本发明的有益效果是:
[0033]获取极地海冰融池的时空分布信息是一项意义重大的研究与技术工作。本发明实现了基于神经网络模型的极地海冰融池提取方法，利用不同类型地表光谱特征的差异，通过神经网络模型快速求解像元分解的多元线性方程组，确定图像中冰雪、水体和融池所占比例，提取融池范围分布。与目视解译和传统监督分类方法相比，本发明的自动化程度、分类速度和精度都大为提高。具体有益效果如下:
[0034]第一，本发明成功提取了极地海冰融池范围分布信息，可进一步应用于极地海冰变化监测与趋势预测、不同消融状态下的冰雪反照率变化研究、海冰对全球气候变化的响应机制等研究。
[0035]第二，本发明使用的数据获取便捷，通过申请下载公开的MODIS数据，即可进行极地海冰融池研究工作，无须专门购买数据。
[0036]第三，本发明利用冰雪、水体和融池在遥感图像上光谱特征的差异，基于混合像元分解理论建立各自所占比例与反射率的定量关系，全自动完成混合像元模型下的遥感图像分类，精确提取融池覆盖比例信息。全过程无需人工介入，在确定神经网络模型及其参数后即可直接进行分类。
[0037]第四，本发明构建了神经网络模型以完成混合像元分解计算，将原始MODIS波段数据输入神经网络，自动求解带约束条件的多元线性方程组，即可输出冰雪、水体和融池所占比例的图像。过程优化，运算处理快速，计算结果的精度符合要求。该方法还有一重意义:由于优化并加速了运算过程，可以完成大量遥感数据的分类处理，实现大范围、长时间序列的海冰融池提取。
【附图说明】
[0038]下面结合附图对本发明作进一步的说明:
[0039]图1基于神经网络模型的极地海冰融池提取流程图。
[0040]图2实验示例区域波段I影像(500 X 500个象元)。
[0041]图3极地海冰区域冰雪、水体和融池的标准光谱反射率曲线。
[0042]图4神经网络模型结构图。
[0043]图5融池覆盖相对比例图。
【具体实施方式】
[0044]本实验示例影像数据为MODIS表面反射率产品M0D09A1，从NASA网站(http://ladsweb.nascom.nasa.gov/data/search.html)下载获得，经玮度范围为 66。N-68。N，74° W-78。W，时间为2014年6月26日(儒略日第169天)
[0045]如图1为本实验示例的流程图，基于神经网络模型的海冰融池提取方法的具体实施步骤包括以下内容:
[0046]第一步、将MODIS表面反射率产品M0D09A1由正弦投影转换为极地方位投影。
[0047]下载的原始M0D09A1数据为HDF格式，其文件名即产品ID号包含了数据的基本信息，示例如下:
[0048]例:M0D09A1.A2014169.hl5v02.005.2014178104315.hdf，包含了数据获取年份(2014年)、获取日期(儒略日第169天)、条带号(h