[发明专利]一种基于透水波段比值因子的水深反演方法

说明书

技术领域

本发明属于浅海水深遥感领域，特别涉及在不考虑岛礁附近的其他环境因素影响(如海水底质、海水类型等)下，通过基于透水波段比值因子法进行水深反演的方法。

背景技术

水深测量是水利、航运、近海工程、水资源利用、滩涂开发等方面必不可少的一项工作。传统的水深测量方法是利用测量船上安装的测深设备测出全水域各点的水深，再按出图要求计算并制图，从而得到所测水域水下地形图。由于水深信息采集覆盖范围广、某些地区环境条件恶劣，测深人员常常难以涉足等原因，使得这种传统的测深方法存在诸多实际操作上的困难。

空间遥感技术的迅速发展，使得卫星遥感为水深测量开辟了新的途径。由于卫星图像具有覆盖面广，获取方便、时间选择灵活，费用低等优点，因而在获取浅海水深信息方面逐渐显示出较大的优势，与传统的水深测量方法相比遥感测深可以在短时间内对同一地区进行重复探测，而且不同高度的遥感平台其重复观测的周期不同，这样便于获得不同周期内的水深数据。

随着对遥感探测水深认识的深入及计算机技术的发展，水深遥感逐步由定性分析发展成为定量计算，其算法也由经验模型发展为半经验模型和基于辐射传输理论的模型算法。由于卫星遥感浅海水深探测技术还很不成熟，遥感测深受诸多因素的影响，目前水深探测精度和稳定性相对较低。

人工神经网络(Artificial Neural Networks，ANN)作为一种有效的非线性逼近方法，近年来在水深遥感中已有应用。徐升，张鹰在《长江口水域多光谱遥感水深反演模型研究》中分别利用线性回归模型和BP人工神经网络模型进行水深反演，分析结果得到神经网络反演水深的误差都小于线性回归模型的结论。遥感测深受多因子的影响，是一个非线性过程。BP人工神经网络是一种大规模并行的非线性动态系统，具有很好的自适应学习能力和非线性映射能力，因而在处理遥感测深问题上比传统的统计方法好。单一的基于人工神经网络水深反演模型只能针对固定水域进行测深，当水域外在条件发生变化时(如水底底质、水体浑浊度等)，其计算精度将大大降低。

发明内容

本发明的目的是为了解决大多数水深反演模型受水域外在条件发生变化影响，其计算精度将大大降低的缺陷，结合神经网络模型解决复杂非线性映射的优势，构建了新的水深反演模型，提出一种基于透水波段比值因子的水深反演方法。

本发明的一种基于透水波段比值因子的水深反演方法，包括以下几个步骤：

步骤一：对遥感图像进行辐射定标；

对遥感原始图像进行辐射定标；

步骤二：对辐射定标后遥感图像进行大气校正；

利用黑暗像元法在应用遥感图像前对其进行大气校正；

步骤三：对大气校正后遥感图像进行图像增强处理；

采用高斯低通滤波进行图像增强处理；

步骤四：对图像增强处理后遥感图像进行水陆分离；

利用近红外波段取得水陆边界阈值，建立掩膜图像，进行水陆分离；

步骤五：对水陆分离后遥感图像进行几何纠正与数据处理；

采用有理函数模型，选取若干个控制点，实现对遥感图像的纠正；在提取实测水深值前，提取实测水深的海图转换到与遥感影像数据相同的坐标系统，使实测水深点数据与遥感图像中各波段相应的DN值对应起来；

步骤六：建立神经网络水深反演模型；

提取实测水深点波段DN值，建立透水波段比值因子，以透水波段比值因子向量为输入值，实测水深值为输出值，建立透水波段比值的神经网络水深反演模型；

神经网络水深反演模型训练完成后，利用测试水深点数据进行测试，把测试水深点对应的透水波段比值因子作为模型的输入，输出为测试点对应的水深反演值。

本发明的优点在于：

基于透水波段比值因子的神经网络反演模型与单一透水波段作为输入的神经网络模型相比，标准差较小，相关系数较大。该模型不受海水类型和海底底质的影响，同时具有解决复杂非线性映射的功能和良好的推广能力，能够方便快速的建立多光谱多波段辐射值与实测水深值之间的非线性关系，对浅海水深反演具有很好的实用价值。弥补了传统水深反演模型受水域外条件变化影响而导致计算精度降低的缺陷。

附图说明

图1是本发明的方法流程图；

图2是本发明的透水波段比值的神经网络水深反演模型的结构图；

图3是本发明的水陆分离掩膜结果；

图中：

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明是一种基于透水波段比值因子的水深反演方法，流程如图1所示，包括以下几个步骤：