一种大范围河湖总磷含量遥感产品生成方法和系统与流程

本发明属于遥感图像智能分析，具体涉及一种大范围河湖总磷含量遥感产品生成方法和系统的设计。

背景技术：

1、水质监测是水污染防治的基础，也是水环境治理的关键环节。随着我国城镇化建设快速发展，水质问题成为我国热点问题。河湖总磷是水质监测的关键参数，其对于河湖富营养化转换以及碳氮循环具有重要价值，也是水污染监测和治理的重要要素。

2、传统的河湖总磷监测一般以实地采样分析为主，虽然能够准确地测得总磷参数浓度，但需要消耗大量人力、物力、财力，且只能获得监测点位局部范围内的总磷浓度。遥感技术具有连续性强、监测范围广、相对成本低等优点，用多光谱或高光谱遥感技术监测水质不仅可以快速及时地掌握大范围河湖的整体总磷浓度状况，提高监测效率，降低监测成本，还可以反映常规方法难以揭示的总磷浓度时空迁移特征。因此，遥感作为现有水质参数立体监测体系的组成部分，与传统水质站点监测数据有机结合，已经在河湖总磷水质监测和预警中发挥着重要作用。

3、自20世纪70年代开始，遥感技术被应用到内陆水体水质的研究中。zarco-tejada等通过对超光谱数据casi的72个波段进行分析，发现使用波段r750/r710波段组合能取得更好的水质参数叶绿素a浓度的反演精度。mattews等通过对南非zeekoevlei湖泊chla、tss、cdom等水质参数反演进行研发，发现营养程度较高的水体中使用经验方法建立的模型具有较高的反演精度。闻见广等使用半经验方法，建立了太湖水体叶绿素a的遥感监测模型，探讨了使用高光谱和多光谱数据建立反演模型的可行性。

4、目前已有大量国内外学者针对不同遥感影像，开展了总磷浓度遥感定量反演模型研究，但存在以下不足：(1)以局部区域居多，多源遥感数据融合不足，缺乏对大范围的总磷产品生产能力；(2)利用哨兵二号等多源数据开展总磷产品生成的研究不多；(3)反演模型的普适性不高，传统的经验模型难以大范围推广。

技术实现思路

1、本发明的目的是为了解决现有大范围河湖总磷含量遥感产品难以快速自动化生产的问题，提出了一种大范围河湖总磷含量遥感产品生成方法和系统。

2、本发明的技术方案为：

3、第一方面，本发明提供了一种大范围河湖总磷含量遥感产品生成方法，包括以下步骤：

4、s1、采集河湖研究区域的时序多源遥感影像数据，并对时序多源遥感影像数据进行处理，得到时序辐射归一化数据集。

5、s2、根据时序辐射归一化数据集，构建融合卷积神经网络的总磷遥感特征集。

6、s3、根据总磷遥感特征集，基于改进步长的lstm算法构建大范围河湖总磷含量遥感定量反演模型。

7、s4、结合大范围河湖总磷含量遥感定量反演模型、gee遥感数据平台上动态更新的多源光学遥感数据和总磷水质参数观测数据，生成大范围河湖总磷含量遥感分布图，实现大范围河湖总磷含量遥感产品的自动生成和动态更新。

8、进一步地，步骤s1包括以下分步骤：

9、s11、采集河湖研究区域的时序多源遥感影像数据。

10、s12、对时序多源遥感影像数据进行预处理，得到河湖研究区域的时序多源影像数据集。

11、s13、对时序多源影像数据集进行辐射归一化处理，得到时序辐射归一化数据集。

12、进一步地，步骤s11中的时序多源遥感影像数据包括长时序多源哨兵二号和高光谱遥感卫星数据。

13、进一步地，步骤s12中的预处理包括大气校正、辐射校正和几何校正。

14、进一步地，步骤s13包括以下分步骤：

15、s131、将时序多源影像数据集中的一幅影像作为参考影像，其他影像作为目标影像，并对参考影像和目标影像进行下采样，得到下采样图像。

16、s132、采用kaze特征检测器从下采样图像中提取稀疏特征点，并采用最近邻距离比方法识别稀疏特征点中匹配的特征，得到匹配点。

17、s133、采用随机抽样共识算法去除假匹配点，得到细化匹配点，并基于细化匹配点估计仿射变换参数：

18、x＝a0x+a1y+a2

19、y＝b0x+b1y+b2

20、其中(x,y)表示参考影像上匹配点的坐标，(x,y)表示目标影像上匹配点的坐标，a0、a1、a2、b0、b1、b2均为仿射变化参数。

21、s134、根据参考影像坐标和仿射变化参数得到参考影像和目标影像中的重叠区域，并将重叠区域细分成多个块对，每个块对利用kaze特征检测器提取匹配特征点。

22、s135、以每个匹配特征点和邻域点构成三角网络结构，由最近的邻域点确定局部仿射参数，使用局部仿射参数计算该匹配特征点的残差，将残差大于预设阈值的匹配特征点作为离散点并删除，得到匹配特征点对集合{(sa,ra),a＝1,2,…,n}，其中n为匹配特征点对数量，sa为第a个目标影像，ra为第a个参考影像。

23、s136、计算每个匹配特征点对的评价指数：

24、

25、

26、

27、其中uj表示第j个匹配特征点对的评价指数，(sj,rj)表示第j个目标影像和参考影像的辐射体样本对，corr(·)表示相关性，dch(·)表示切尔雪夫距离度量，表示第i个波段的第j个目标影像辐射体样本，rij表示第i个波段的第j个参考影像辐射体样本，表示目标影像辐射体样本所有波段的平均值，表示参考影像辐射体样本所有波段的平均值，i＝1,2,…,b，b为波段数量。

28、s137、根据所有匹配特征点对的评价指数，通过四分法阈值将变化的辐射体样本对剔除，得到理想辐射体样本点集：

29、{(sa,ra),a＝1,2,…,m}，ua>t0

30、

31、其中t0表示四分法阈值，med(u)表示评价指数u的第二位四分位数，mh(u)表示评价指数u第一位四分位数和第三位四分位数的平均值，ua表示第a个匹配特征点对的评价指数，m表示筛选后的样本点集数。

32、s138、基于理想辐射体样本点集计算每个波段辐射归一化图像的dn值：

33、

34、

35、βi＝mr-α×ms

36、

37、

38、

39、

40、其中表示第i个波段辐射归一化图像的dn值，si表示目标影像第i个波段的dn值，αi和βi均为第i个波段的归一化系数，rp表示参考影像样本点的dn值，sp表示目标影像样本点的dn值，mr表示rp的平均值，ms表示sp的平均值，σr表示rp的标准方差，σs表示sp的标准方差，表示rp和sp的相关性，ka表示显著性水平系数，f(·)表示条件概率分布，rp表示参考影像和目标影像中的最优理想辐射样本点之间的映射函数。

41、s139、根据每个波段辐射归一化图像的dn值得到辐射归一化图像，并根据时间序列构建时序辐射归一化数据集i＝{i1,i2,…it},其中t为辐射归一化图像数。

42、进一步地，步骤s2包括以下分步骤：

43、s21、采用卷积神经网络提取时序辐射归一化数据集中的河湖总磷遥感特征。

44、s22、结合河湖总磷遥感特征和辐射归一化特征波段构建总磷遥感特征集：

45、featureset＝{itf,t＝1,2,…,t；f＝1,2,…,f}

46、其中featureset表示总磷遥感特征集，itf表示第t时刻的第f个总磷遥感特征，t辐射归一化图像数，f＝32+b表示总磷遥感特征数量，b为波段数量。

47、进一步地，步骤s21包括以下分步骤：

48、s211、对时序辐射归一化数据集中的图像进行宽度为1的补零操作，得到补零图像。

49、s212、以步长为1滑动卷积核遍历补零图像，利用relu激活函数得到河湖总磷遥感特征：

50、

51、r(zi,j)＝max(0,zi,j)

52、其中r(·)表示relu激活函数，zi,j表示辐射归一化后图像中第i行第j列的像素点值，u和v均表示取值为[-1,1]的整数，xi+u,j+v表示补零图像中第i+u行第j+v列的像素点值，k表示3*3的卷积核。

53、进一步地，步骤s3包括以下分步骤：

54、s31、根据总磷遥感特征集构建总磷水质样本库：

55、dataset＝{(xtn,ytn)}t＝1,2…,t,n＝1,2,…n

56、xtn＝[it1,it2,…,itf]

57、其中dataset表示总磷水质样本库，xtn表示第n个样本点第t时刻的特征向量，ytn表示第n个样本点第t时刻的观测值，n为样本数量。

58、s32、根据总磷水质样本库构建改进步长的lstm总磷遥感反演模型。

59、s33、将总磷遥感特征集输入改进步长的lstm总磷遥感反演模型，得到大范围河湖时序总磷含量图{tp1，tp2，…,tpt}，实现大范围河湖总磷含量遥感定量反演模型的构建。

60、进一步地，步骤s32包括以下分步骤：

61、s321、构建lstm模型：

62、lstm(xt,cprec,hprec)＝(ct,ht)

63、ft＝σ(wf×[hprec,xt]+bf)

64、it＝σ(wi×[hprec,xt]+bi)

65、pt＝σ(wo×[hprec,xt]+bo)

66、

67、

68、ht＝ot×tanh(ct)

69、prec＝t-δt

70、其中lstm(·)表示lstm模型，xt表示第t时刻输入数据，ct表示最终的记忆单元，ht表示第t时刻的隐节点，cprec表示前一时刻的单元状态，hprec表示前一时刻的隐节点，ft表示第t时刻的遗忘门层，σ(·)表示sigmoid激活函数，wf表示遗忘门层的权重矩阵，bf表示遗忘门层的偏置向量，it表示第t时刻的输入门层，wi表示输入门层的权重矩阵，bi表示输入门层的偏置向量，ot表示第t时刻的输出门层，wo表示输出门层的权重矩阵，bo表示输出门层的偏置向量，表示更新的记忆单元，wc表示记忆单元的权重矩阵，bc表示记忆单元的偏置向量，t表示第t时刻，prec表示第t时刻的前一时刻，δt表示时间步长。

71、s322、根据ht得到第t时刻预测结果

72、

73、其中w表示权重矩阵，b表示偏置向量。

74、s323、将总磷水质样本库中80％的数据作为训练数据，时间步长δt动态取[1，2，3，4，5]，依次训练lstm模型，将均方根误差最小的步长大小训练的模型作为最优lstm模型；均方根误差rmse的计算公式为：

75、

76、其中yn表示第n个样本的真值，表示第n个样本的预测值。

77、s324、将总磷水质样本库中剩余20％的数据作为验证数据对最优lstm模型进行验证，得到改进步长的lstm总磷遥感反演模型。

78、第二方面，本发明提供了一种大范围河湖总磷含量遥感产品生成系统，用于配置执行上述大范围河湖总磷含量遥感产品生成方法。

79、本发明的有益效果是：

80、(1)本发明构建了大范围河湖总磷遥感智能反演模型，突破了原有大范围河湖总磷水质产品难以自动生产和量化对比的技术瓶颈。

81、(2)本发明采用多种多光谱和高光谱卫星遥感数据，提出了基于辐射体的时序遥感数据辐射归一化校正处理方法，实现多源数据辐射定量化处理，保证光谱响应具有可行性。

82、(3)本发明构建了基于改进步长的长短期记忆网络(lstm)模型的河湖总磷遥感智能反演模型，具有更好的鲁棒性。

83、(4)本发明结合动态更新的多源光学遥感数据和gee遥感大数据平台，实现了河湖总磷时序遥感产品的自动生产和动态更新。