基于遥感影像的海洋环境变化监测方法、装置及介质

1.本发明涉及海洋环境监测技术领域，具体涉及一种基于遥感影像的海洋环境变化监测方法、装置及介质。


背景技术：

2.水体指数(water index，wi)能够有效区分遥感影像上水体和其它地表覆盖类型，适用于海洋环境变化监测。目前，研究人员利用不同的影像波段组合方式，构建出多种水体指数，以满足不同地形背景下的水体识别的需要。
3.然而，由于遥感影像获取具有周期性，例如landsat系列卫星为16天一次，modis陆地数据为8天一次，仅能对当天水藻浓度进行反演，无法及时获取每天的水藻浓度及其分布的变化。因此，有必要提供一种解决方式，能够对每天的海洋环境变化进行准确预测。


技术实现要素：

4.本发明目的在于提供一种基于遥感影像的海洋环境变化监测方法、装置及介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
5.为了实现上述目的，本发明提供以下技术方案：
6.一种基于遥感影像的海洋环境变化监测方法，所述方法包括以下步骤：
7.获取海洋遥感影像数据，对海洋遥感影像数据进行预处理，得到遥感图像；
8.基于所述遥感图像确定对应时刻的水体指数；
9.将所述水体指数输入时间序列模型，进行随监测时间变化的海洋环境序列分析，得到反映海洋环境变化的水体指数序列；其中，所述时间序列模型基于lstm神经网络训练得到。
10.进一步，所述时间序列模型通过以下方式训练得到：
11.确定用于训练lstm神经网络的样本序列；
12.按时间间隔提取将样本序列中的样本，得到第一数据集、第二数据集和第三数据集；其中，所述第一数据集、第二数据集和第三数据集的时间间隔依次递减，所述第一数据集、第二数据集和第三数据集的训练时间窗口、预测时间窗口和步长依次递增，所述第二数据集和第三数据集具有相同数量的样本；
13.利用第一数据集对预先建立lstm神经网络进行训练，得到第一lstm模型；
14.将第二数据集输入第一lstm模型，得到第二数据集中所有预测时间窗口的预测值，根据第二数据集中所有预测时间窗口的预测值与真实值计算得到均方误差，得到n个预测时间窗口大小的第一误差矩阵；
15.将第三数据集输入第一lstm模型，得到第三数据集中所有预测时间窗口的预测值，对第三数据集的每一个预测时间窗口进行推理，对每次推理的预测时间窗口预测值与真实值进行计算得到均方误差，得到n个预测时间窗口大小的第二误差矩阵；
16.分别计算n个第一误差矩阵与第二误差矩阵的方差，如果方差小于置信区间阈值，
则将第一lstm模型作为时间序列模型；否则执行步骤270；
17.利用第二数据集和第三数据集对第一lstm模型进行训练，得到第二lstm模型，将第二lstm模型作为时间序列模型。
18.进一步，所述确定用于训练lstm神经网络的样本序列，包括：
19.获取过去第一时间段中每个时间节点的水体指数；
20.将所述水体指数按时间节点进行排序，得到时间序列；其中，所述时间序列中的序列值即为该时间节点对应的水体指数；
21.确定所述时间序列的各个序列值是否在阈值范围内，将所述时间序列中超过阈值范围的序列值判定为异常；
22.将判定为异常的序列值修改为与该异常值相邻的两个序列值的算术平均值；得到用于训练lstm神经网络的样本序列。
23.进一步，所述确定所述时间序列的各个序列值是否在阈值范围内，将所述时间序列中超过阈值范围的序列值判定为异常，包括：
24.选取所述时间序列中的m个序列值；其中，m个序列值对应的时间节点为t至t+m；
25.将所述m个序列值之和与所述m个序列值的前一时间节点对应的m个序列值之和相除，得到第一比值；其中，前一时间节点为t-1至t+m-1；
26.将所述m个序列值之和与所述m个序列值的后一时间节点对应的m个序列值之和相除，得到第二比值；其中，后一时间节点为t-1至t+m-1；
27.将所述第一比值和所述第二比值相除，得到趋势值；
28.将所述时间序列中任一个序列值与其前一个序列值相除，得到第一序列比值；将所述时间序列中任一个序列值与其后一个序列值相除，得到第二序列比值；
29.将所述第一序列比值和所述第二序列比值相除，得到序列比值；
30.确定所述序列比值与所述趋势值的偏差是否在阈值范围内，若是，则判定该序列值为异常。
31.一种基于遥感影像的海洋环境变化监测装置，所述装置包括：
32.至少一个处理器；
33.至少一个存储器，用于存储至少一个程序；
34.当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上述任意一项所述的基于遥感影像的海洋环境变化监测方法。
35.一种计算机可读存储介质，所述计算机可读存储介质上存储有基于遥感影像的海洋环境变化监测程序，所述基于遥感影像的海洋环境变化监测程序被处理器执行时实现如上述任意一项所述的基于遥感影像的海洋环境变化监测方法的步骤。
36.本发明的有益效果是：本发明公开一种基于遥感影像的海洋环境变化监测方法、装置及介质，本发明通过获取海洋遥感影像数据，对海洋遥感影像数据进行预处理，得到遥感图像；基于所述遥感图像确定对应时刻的水体指数；从而得出当天的水体指数；通过将所述水体指数输入基于lstm神经网络训练得到的时间序列模型，进行随监测时间变化的海洋环境序列分析，得到反映海洋环境变化的水体指数序列；能够全面、准确的反映各个时期的海洋环境变化监测情况。本发明能够对每天的海洋环境变化进行准确预测。
附图说明
37.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
38.图1是本发明实施例中基于遥感影像的海洋环境变化监测方法的流程示意图；
39.图2是本发明实施例中基于遥感影像的海洋环境变化监测装置的结构示意图。
具体实施方式
40.以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
41.参阅图1，图1是本发明提供的一种基于遥感影像的海洋环境变化监测方法的流程示意图，所述方法包括以下步骤：
42.步骤s100，获取海洋遥感影像数据，对海洋遥感影像数据进行预处理，得到遥感图像；
43.步骤s200，基于所述遥感图像确定对应时刻的水体指数；
44.步骤s300，将所述水体指数输入时间序列模型，进行随监测时间变化的海洋环境序列分析，得到反映海洋环境变化的水体指数序列；其中，所述时间序列模型基于lstm神经网络训练得到。
45.本发明基于海洋遥感影像数据对当天的海洋环境进行监测，基于构建出的时间序列模型对海洋环境进行预测，形成海洋环境变化的水体指数序列，能够全面、准确的反映各个时期的海洋环境变化监测情况。
46.作为上述实施例的进一步改进，所述时间序列模型通过以下方式训练得到：
47.步骤210，确定用于训练lstm神经网络的样本序列；
48.步骤220，按时间间隔提取将样本序列中的样本，得到第一数据集、第二数据集和第三数据集；其中，所述第一数据集、第二数据集和第三数据集的时间间隔依次递减，所述第一数据集、第二数据集和第三数据集的训练时间窗口、预测时间窗口和步长依次递增，所述第二数据集和第三数据集具有相同数量的样本；
49.步骤230，利用第一数据集对预先建立lstm神经网络进行训练，得到第一lstm模型；
50.步骤240，将第二数据集输入第一lstm模型，得到第二数据集中所有预测时间窗口的预测值，根据第二数据集中所有预测时间窗口的预测值与真实值计算得到均方误差，得到n个预测时间窗口大小的第一误差矩阵；
51.步骤250，将第三数据集输入第一lstm模型，得到第三数据集中所有预测时间窗口的预测值，对第三数据集的每一个预测时间窗口进行推理，对每次推理的预测时间窗口预测值与真实值进行计算得到均方误差，得到n个预测时间窗口大小的第二误差矩阵；
52.步骤260，分别计算n个第一误差矩阵与第二误差矩阵的方差，如果方差小于置信区间阈值，则将第一lstm模型作为时间序列模型；否则执行步骤270；
53.步骤270，利用第二数据集和第三数据集对第一lstm模型进行训练，得到第二lstm模型，将第二lstm模型作为时间序列模型。
54.本发明提供的实施例中，由于海洋环境变化具有季节性，而这种周期性需要通过模型进行校准匹配，本发明基于历史数据构建出的时间序列模型，考虑到各个时间长度的影响，通过调整，能得到预测更准确的时间序列模型。
55.作为上述实施例的进一步改进，步骤s210中，所述确定用于训练lstm神经网络的样本序列，包括：
56.步骤s211，获取过去第一时间段中每个时间节点的水体指数；
57.示例性地，第一时间段以年为时间单位，例如一年、两年，时间节点以天为单位，例如一天；
58.步骤s212，将所述水体指数按时间节点进行排序，得到时间序列；其中，所述时间序列中的序列值即为该时间节点对应的水体指数；
59.步骤s213，确定所述时间序列的各个序列值是否在阈值范围内，将所述时间序列中超过阈值范围的序列值判定为异常；
60.步骤s214，将判定为异常的序列值修改为与该异常值相邻的两个序列值的算术平均值；得到用于训练lstm神经网络的样本序列。
61.作为上述实施例的进一步改进，步骤s213中，所述确定所述时间序列的各个序列值是否在阈值范围内，将所述时间序列中超过阈值范围的序列值判定为异常，包括：
62.步骤s2131，选取所述时间序列中的m个序列值；其中，m个序列值对应的时间节点为t至t+m；
63.步骤s2132，将所述m个序列值之和与所述m个序列值的前一时间节点对应的m个序列值之和相除，得到第一比值；其中，前一时间节点为t-1至t+m-1；
64.步骤s2133，将所述m个序列值之和与所述m个序列值的后一时间节点对应的m个序列值之和相除，得到第二比值；其中，后一时间节点为t-1至t+m-1；
65.步骤s2134，将所述第一比值和所述第二比值相除，得到趋势值；
66.步骤s2135，将所述时间序列中任一个序列值与其前一个序列值相除，得到第一序列比值；将所述时间序列中任一个序列值与其后一个序列值相除，得到第二序列比值；
67.步骤s2136，将所述第一序列比值和所述第二序列比值相除，得到序列比值；
68.步骤s2137，确定所述序列比值与所述趋势值的偏差是否在阈值范围内，若是，则判定该序列值为异常。
69.需要说明的是，时间序列模型对应的曲线应该是连续的平滑曲线，但是由于噪声的影响，总是会使时间序列发生锯齿形的不规律波动，造成不合理现象，因此，应该对噪声点给予修正，从而消除不利因素对曲线产生的影响，在修正的过程中必须采用正确的方法才能有效合理地重构时间序列，
70.与图1的方法相对应，参考图2，本发明的一个实施例还提供了一种基于遥感影像的海洋环境变化监测装置10，所述装置10包括存储器11、处理器12及存储在存储器11上并可在处理器12上运行的计算机程序。
71.处理器12和存储器11可以通过总线或者其他方式连接。
72.实现上述实施例的基于遥感影像的海洋环境变化监测方法所需的非暂态软件程
序以及指令存储在存储器11中，当被处理器12执行时，执行上述实施例中的基于遥感影像的海洋环境变化监测方法。
73.与图1的方法相对应，本发明的一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有基于遥感影像的海洋环境变化监测程序，所述基于遥感影像的海洋环境变化监测程序被处理器执行时实现如上述任意一实施例所述的基于遥感影像的海洋环境变化监测方法的步骤。
74.上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
75.所述处理器可以是中央处理单元(central-processing-unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital-signal-processor，dsp)、专用集成电路(application-specific-integrated-circuit，asic)、现场可编程门阵列(field-programmable-gate-arr ay，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于遥感影像的海洋环境变化监测装置的控制中心，利用各种接口和线路连接整个基于遥感影像的海洋环境变化监测装置可运行装置的各个部分。
76.所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于遥感影像的海洋环境变化监测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart-media-card，smc)，安全数字(secure-digital，sd)卡，闪存卡(flash-card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
77.尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。