【技术实现步骤摘要】
本专利技术主要涉及大气校正，具体涉及一种基于多层堆栈集成学习的水体大气校正方法及系统。
技术介绍
1、海洋水色大气校正(atmospheric correction)即从传感器接收到的辐亮度值中，去除大气中分子、气溶胶及吸收气体干扰，最终获得载有水体信息的离水辐亮度值的过程。参考当前科学文献，由于海洋开放海域与近岸海域光学特性存在差异，单一大气校正方法无法消除水体复杂光学特性对遥感图像的影响，适用于一种水体特性的大气校正方法往往失效于另一种水体。此外，传统大气校正方法依赖于辐射传输过程参数求解，会延长海洋水色研究整体历程，因此，专利技术一种水体通用的堆叠大气校正模型是尤为重要的。
技术实现思路
1、本专利技术所要解决的技术问题是针对1.单一水体类型的大气校正方法，在处理整体海域数据时校正后影像信噪比较低，无法消除水体复杂光学特征对遥感图像的影响，无法逐像元满足水色影像校正精度要求的问题；2.传统大气校正方法往往涉及复杂的辐射传输模型参数求解，造成海洋水色研究历程延长的问题，提供一种基于多层堆栈集成学习的水体大气校正方法及系统。
2、本专利技术解决上述技术问题的技术方案如下：
3、一种基于多层堆栈集成学习的水体大气校正方法，包括如下步骤：
4、构建模拟离水反射率数据集和模拟气溶胶反射率数据集，并将所述模拟离水反射率数据集和所述模拟气溶胶反射率数据集合成瑞利校正数据集，其中，所述模拟离水反射率数据集通过准分析组件qaa对预先下载的水体目标波段卫星遥感
5、通过现场观测组件获取水体目标波段的实测离水反射率数据集，并将所述实测离水反射率数据集与所述模拟离水反射率数据集进行匹配，得到匹配实测离水反射率数据集；
6、分别构建训练模型和评估指标模型，将所述瑞利校正数据集导入所述训练模型，并通过所述训练模型对所述瑞利校正数据集进行训练，得到训练结果，通过所述评估指标模型对所述训练结果进行评估，根据评估结果对所述训练模型的贡献度进行加权，并根据得到的贡献度权值将所述训练模型集成多层堆栈大气校正模型；通过所述多层堆栈大气校正模型对所述瑞利校正数据集进行预测，得到预测离水反射率；
7、通过所述评估指标模型将所述预测离水反射率分别与所述模拟离水反射率数据集和所述匹配实测离水反射率数据集进行对比，并分别根据对比结果评估所述多层堆栈大气校正模型的性能。
8、所述现场观测组件aeronet-oc为全球自动观测网aerosol robotic net work子模块，用于观测所属地域领域的站点海域水体遥感反射率。
9、本专利技术的有益效果是：通过卫星遥感影像构建样本数据集，将样本数据进行处理，得到模拟数据集，并将实测数据集与模拟数据集进行匹配，得到匹配数据集，以用于对最终模型进行评价；在模型构建阶段，利用堆栈泛化在处理高度非线性问题时的优势，使用多个基础学习器更好地捕捉影像波段离水反射率与大气干扰间的复杂关系和模式，再通过各基础学习器的权重值来加权集成多个基础学习器，充分发挥各基础学习器的优势，来生成最优的多层堆栈大气校正模型，并构建评估指标对多层堆栈大气校正模型进行评估，可以有效剔除影像中存在的原始噪声反射率，在不同光学复杂特征水体中使用本专利技术均可得到精度高的载有水体信息的离水辐射率，且不存在波长依赖性。
10、进一步地，所述通过准分析组件qaa对预先下载的水体目标波段卫星遥感影像进行扩展计算，得到所述模拟离水反射率数据集，具体为：
11、通过拟合表达式和预设波段悬浮颗粒物后向散射系数对目标波段悬浮颗粒物后向散射系数进行拟合，得到预设波段的幂函数，所述拟合表达式为：
12、
13、其中，bbp(λ)为目标波段悬浮颗粒物后向散射系数，bbp(λ0)为预设波段悬浮颗粒物后向散射系数，λ为目标波段，λ0为预设波段，η为一个拟合参数，且表示幂函数的指数；
14、并将纯海水后向散射系数与所述预设波段的幂函数进行计算，得到目标波段后向散射系数，目标波段后向散射系数的计算表达式为：
15、
16、其中，bb(λ)为目标波段后向散射系数，bbw(λ)为纯海水后向散射系数；
17、通过所述目标波段后向散射系数和纯海水总吸收系数计算得到模拟遥感反射率，模拟遥感反射率的计算表达式为：
18、
19、其中，rrs(λ)为模拟遥感反射率，a(λ)为纯海水总吸收系数，g0为第一拟合参数，g1为第二拟合参数；
20、通过光谱响应函数对所述模拟遥感反射率进行卷积集成，构建目标波段的模拟离水反射率数据集，模拟离水反射率的计算表达式为：
21、
22、其中，ρw1为目标波段的模拟离水反射率，s(λ)为光谱响应函数，ρ(λ)为不同波长的离水反射率，λ1为波长最小范围，λ2为波长最大范围，λ为目标波段的波长。
23、所述准分析组件qaa作为最常用的半分析反演算组件，被广泛应用于水体吸收系数和后向散射系数的反演。
24、采用上述进一步方案的有益效果是：通过计算中心波段的模拟离水反射率以获得无干扰的高精度的离水反射率，并为训练构建的大气校正模型提供基础数据。
25、进一步地，所述通过6s辐射传输模型对不同类型预设参数进行计算，得到所述模拟气溶胶反射率数据集，具体为：
26、将不同类型预设参数输入6s辐射传输模型中，通过多次变换不同类型预设参数值，生成多个模拟气溶胶反射率，并根据多个模拟气溶胶反射率生成对应的多个上行透射因子和多个下行透射因子，通过多个模拟气溶胶反射率构建模拟气溶胶反射率数据集。
27、采用上述进一步方案的有益效果是：通过大气中的各种参数值计算得到模拟的气溶胶反射率，模拟出大气中的各种干扰情况。
28、进一步地，所述将所述模拟离水反射率数据集和所述模拟气溶胶反射率数据集合成瑞利校正数据集，具体为：
29、所述模拟离水反射率数据集、所述模拟气溶胶反射率数据集、所述多个上行透射因子和所述多个下行透射因子组成多组待校正数据集；选取一组待校正数据进行标准差计算，得到标准差，标准差的计算表达式为：
30、
31、其中，σ为标准差，lstd为地表温度辐射度，snr为信噪比；
32、通过所述标准差计算得到方差σ2，并计算所述方差的正态分布函数，根据预设条件选取所述正态分布函数的一个值，并将其转换为噪声反射率；
33、将选取的待校正数据与其对应的噪声反射率进行合成计算，得到瑞利校正数据集，瑞利校正的计算表达式为：
34、ρrc＝ρa+t0tvρw1+ρnoise，
35、其中，ρrc为瑞利校正后数据集，ρa为模拟气溶胶反射率数据集，t0为模拟气溶胶反射率对应的上行透射因子，tv为模拟气溶胶反射率对应的本文档来自技高网...
【技术保护点】
1.一种基于多层堆栈集成学习的水体大气校正方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的水体大气校正方法，其特征在于，所述通过准分析组件QAA对预先下载的水体目标波段卫星遥感影像进行扩展计算，得到所述模拟离水反射率数据集，具体为：
3.根据权利要求1所述的水体大气校正方法，其特征在于，所述通过6S辐射传输模型对不同类型预设参数进行计算，得到所述模拟气溶胶反射率数据集，具体为：
4.根据权利要求3所述的水体大气校正方法，其特征在于，所述将所述模拟离水反射率数据集和所述模拟气溶胶反射率数据集合成瑞利校正数据集，具体为：
5.根据权利要求1所述的水体大气校正方法，其特征在于，所述通过现场观测组件获取水体目标波段的实测离水反射率数据集，并将所述实测离水反射率数据集与所述模拟离水反射率数据集进行匹配，得到匹配实测离水反射率数据集，具体为：
6.根据权利要求1所述的水体大气校正方法，其特征在于，所述构建训练模型，将所述瑞利校正数据集导入所述训练模型，并通过所述训练模型对所述瑞利校正数据集进行训练，得到训练结果，通过所述评
7.根据权利要求6所述的水体大气校正方法，其特征在于，所述将所述训练集输入所述第一级子模型的多个基础学习器中进行多次训练，得到第一预测值，具体为：
8.根据权利要求1或6所述的水体大气校正方法，其特征在于，所述构建评估指标模型，具体为：
9.根据权利要求8所述的水体大气校正方法，其特征在于，所述通过所述评估指标模型对待评估模型的决定系数进行计算，通过所述评估指标模型对待评估模型的均方根误差进行计算，通过所述评估指标模型对待评估模型的偏差进行计算，具体为：
10.一种基于多层堆栈集成学习的水体大气校正系统，其特征在于，包括：构建模拟数据集模块、数据匹配模块、构建校正模型模块和模型评估模块；
...【技术特征摘要】
1.一种基于多层堆栈集成学习的水体大气校正方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的水体大气校正方法，其特征在于，所述通过准分析组件qaa对预先下载的水体目标波段卫星遥感影像进行扩展计算，得到所述模拟离水反射率数据集，具体为：
3.根据权利要求1所述的水体大气校正方法，其特征在于，所述通过6s辐射传输模型对不同类型预设参数进行计算，得到所述模拟气溶胶反射率数据集，具体为：
4.根据权利要求3所述的水体大气校正方法，其特征在于，所述将所述模拟离水反射率数据集和所述模拟气溶胶反射率数据集合成瑞利校正数据集，具体为：
5.根据权利要求1所述的水体大气校正方法，其特征在于，所述通过现场观测组件获取水体目标波段的实测离水反射率数据集，并将所述实测离水反射率数据集与所述模拟离水反射率数据集进行匹配，得到匹配实测离水反射率数据集，具体为：
6.根据权利要求1所述的水体...
【专利技术属性】
技术研发人员：何宏昌，范冬林，赵燕来，
申请(专利权)人：宁波渔遥科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。