一种海冰制图方法

计算;推算;计数设备的制造及其应用技术1.本发明涉及北极海冰制图及监测技术领域，尤其涉及一种海冰制图方法。背景技术：2.海冰作为冰冻圈的重要组成部分，其对研究全球气候变化、生物多样性等方面具有深远影响。特别是随着全球气候变化、极地气候变暖以及北极航道的开通等，对于海冰信息的需求迅速增加。3.传统的海冰产品多依赖于被动微波辐射计数据，其不受云层影响，可以形成每日全球覆盖观测，但其空间分辨率较低，多为十几公里级的数据，很难利用这些数据来进行精细化分析和指导航运。sar数据图像具有全天候和高空间分辨率的特点，可以提供高质量的海冰信息，但是重访周期较长、覆盖范围较小，难以提供大尺度、高时间分辨率的海冰产品。光学卫星传感器尽管受云量、光照的影响，但是其较高的时间分辨率和空间分辨率，仍旧可以获取较丰富的海冰信息，例如美国的terra和aqua卫星的modis传感器每天可以在极地地区进行多次观测，所获取数据的空间分辨率远高于被动微波数据。通过综合分析多时相数据，可以获取极地全部或者部分的海冰信息。美国国家航天局基于modis数据提供的mod29单景海冰产品，在一定程度上能够帮助用户获取极地的海冰状况，但是，该产品在对冰、水混合区以及有云覆盖的冰或水区进行冰的检测时经常会出现误判现象。这主要是因为nasa提供的海冰产品使用的云掩膜数据是mod35产品，该产品是针对全球的云产品，在极地地区，尤其是在被云、薄云或雾覆盖的冰区中，识别精度很差。该产品倾向于低估海冰上的云量、而高估开放水域上的云量。4.因此，如何提升冰、水混合区以及有云覆盖的冰或水区的海冰检测精度，是急需解决的问题。技术实现要素：5.鉴于上述的分析，本发明实施例旨在提供一种海冰制图方法，用以解决现有冰、水混合区以及有云覆盖的冰或水区的海冰检测精度较低的问题。6.本发明提供了一种海冰制图方法，所述方法应用于北极，包括如下步骤：7.获取研究区中每日采集的多个modis l1b的影像数据并预处理；8.对预处理后的每一影像数据进行分类，得到每一影像数据的分类结果矩阵；所述分类的类别包括海冰、水和云；所述分类结果矩阵中的每一像元存储该像元对应的类别标签；9.获取多个分类结果矩阵中同一位置对应的像元的非云类别总数和非云类别众数，基于所述非云类别总数和非云类别众数得到每日水、冰的分布图；10.融合所述每日水、冰的分布图，得到每日合成冰图。11.在上述方案的基础上，本发明还做出了如下改进：12.进一步，通过执行以下操作得到所述每日水的分布图：13.对于所述分类结果矩阵中的每一像元，若所述非云类别总数大于第一阈值，则该像元的取值为所述非云类别众数；14.从中提取类别标签为水的像元，其他像元取值为空，得到每日水的分布图。15.进一步，通过执行以下操作得到所述每日冰的分布图：16.对于所述分类结果矩阵中的每一像元，若所述非云类别总数大于第二阈值，则该像元的取值为所述非云类别众数；17.从中提取类别标签为海冰的像元，其他像元取值为空，得到每日冰的分布图；18.其中，所述第二阈值大于所述第一阈值。19.进一步，所述融合所述每日水、冰的分布图，得到每日合成冰图，包括：20.分别比较所述每日水、冰的分布图中每一对应位置像元的值，若一致，则保持不变；若不一致，则该像元的取值为当前像元在每日水、冰的分布图中设定邻域的非空类别众数；其余像元的取值为云对应的类别标签，以此形成每日合成冰图。21.进一步，所述方法还包括：基于连续七日的海冰图，得到每周合成冰图：22.获取连续七日的冰图中同一位置对应的像元的非云类别总数和非云类别众数；23.若当前像元的非云类别总数非0，则其取值为当前像元的非云类别众数，若非云类别中海冰和水的数量相等，则当前像元的取值为水对应的类别标签；24.若当前像元的非云类别总数为0，则其取值为云对应的类别标签；25.以此形成每周合成冰图。26.进一步，通过执行以下操作得到每一影像数据的分类结果矩阵：27.提取预处理后的每一影像数据对应的特征波段，验证通过后的分类模型基于所提取的特征波段进行分类，得到每一影像数据的分类结果矩阵。28.进一步，通过执行以下操作得到验证通过后的分类模型：29.获取研究区中多个时间阶段的modis l1b历史影像数据并批量预处理；30.从批量预处理后的历史影像数据中提取出多个各分类类别对应的样本数据，并获取每一样本数据对应的类别标签；31.基于样本数据及其对应的类别标签，构建先验像元样本库；32.从所述先验像元样本库中选取训练样本和验证样本，基于所述训练样本中每一样本数据的特征波段及其对应的类别标签训练分类模型，并基于所述验证样本中每一样本数据的特征波段及其对应的类别标签验证训练后的分类模型的分类准确度，若分类准确度超过分类准确度阈值，则验证通过，以此得到验证通过后的分类模型。33.进一步，所述特征波段包括：modis反射率波段7、2、1对应的数据；ndsi，以及mrelbp。34.进一步，所述云对应的分类类别进一步包括蓝云、白云和红云子类别；其中，每一子类别分别对应相应的子类别标签。35.进一步，所述预处理包括几何校正、辐射定标、太阳天顶角订正以及陆地掩膜。36.与现有技术相比，本发明至少可实现如下有益效果之一：37.本发明提供了一种海冰制图方法，具备如下有益效果：38.第一，本发明在实现研究区影像的自动分类的基础上，针对一直以来冰和云容易混淆的问题，本发明利用北极地区云运动特性和地物多时相判定方法，对每天获取的多景影像的分类结果进行合并处理，在此基础上合成每日的冰图，从而有效解决了冰和云容易混淆的问题；39.第二，本发明还基于每日合成冰图形成了每周合成冰图；40.第三，本发明针对传统的海冰产品空间分辨率低等问题，基于构建的北极多时相遥感影像构建了极地地物分类的先验像元样本库，并利用多特征波段融合的随机森林算法，自动化实现研究区影像的分类。该分类结果比传统的modis海冰产品在空间分辨率和准确度上有了很大程度的提高。同时，本发明还对分类过程中所选取的特征波段以及分类的类别进行了改进，使得分类的精度得到了有效提高。41.本发明的其他特征波段和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。附图说明42.附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。43.图1为本发明实施例1提供的海冰制图方法流程图；44.图2为本发明实施例1提供的每日合成冰图合成过程示意图；45.图3(a)、(b)均为本发明实施例2提供的b721波段组合的假彩色图像，其中，图3(a)、(b)的采集时间分别为2018年7月3日和2019年8月3日；46.图3(c)、(d)分别为本发明实施例2提供的图3(a)、(b)图像采用mflfrf算法的分类结果；47.图3(e)、(f)分别为本发明实施例2提供的图3(a)、(b)对应的mod29海冰产品。48.图4(a)为本发明实施例2提供的2019年8月1日基于terra星获得的每日合成冰图；49.图4(b)2019年8月1-7日基于terra和aqua星获得的每周合成冰图。具体实施方式50.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。51.实施例152.本发明的一个具体实施例，公开了一种海冰制图方法，流程图如图1所示，该方法应用于北极，包括如下步骤：53.步骤s1：获取研究区中每日采集的多个modis l1b(l1b数据为modis原始数据经过解压缩以及定位和定标处理之后所生成，为modis的1级产品数据)的影像数据并预处理；54.优选地，预处理包括几何校正、辐射定标、太阳天顶角订正以及陆地掩膜等；需要强调的是，通过执行陆地掩膜处理，使得预处理后的影像数据中仅包含冰、水和云；因此，步骤s2中分类的类别包括海冰、水和云。55.在本实施例中，陆地掩膜处理过程为：基于modis土地覆盖类型年度全球500米产品(mcd12q1产品)提取研究区的陆地掩膜；此外，几何校正、辐射定标、太阳天顶角订正的过程均采用现有方式即可实现，此处不再赘述。56.步骤s2：对预处理后的每一影像数据进行分类，得到每一影像数据的分类结果矩阵；所述分类的类别包括海冰、水和云；所述分类结果矩阵中的每一像元存储该像元对应的类别标签；57.优选地，该步骤的具体过程为：提取预处理后的每一影像数据对应的特征波段，验证通过后的分类模型基于所提取的特征波段进行分类，得到每一影像数据的分类结果矩阵；58.考虑到海冰和云在光谱和纹理特征波段上的差异，因此，本实施例选取的特征波段波段包括：modis反射率波段7、2、1对应的数据(即modis的短波红外波段、近红外波段和红波段)，这三个波段的数据可以基于影像数据直接得到；ndsi(normalized difference snow and ice index，归一化积雪指数)，以及mrelbp(median robust extended local binary pattern，中值稳健扩展局部二值模式)，ndsi、mrelbp数据需要处理影像数据得到，其处理过程采用现有方式即可，此处不再赘述。59.在执行步骤s2之前，需要预先得到验证通过后的分类模型，具体过程为：60.(1)获取研究区中多个时间阶段的modis l1b历史影像数据并批量预处理；优选地，在北极海域中，地物种类较为单一，主要包括海冰、水和云；地物特征较为固定，受季节等因素影响相对较小，适合通过样本迁移等方式对地物进行识别，因此，本实施例选取了结冰期、融冰期等不同时间阶段的多景影像(超过100景)进行批量预处理，并从预处理后的影像中选取样本数据。61.(2)从批量预处理后的历史影像数据中提取出多个各分类类别对应的样本数据，并获取每一样本数据对应的类别标签；62.(3)基于样本数据及其对应的类别标签，构建先验像元样本库；63.(4)从所述先验像元样本库中选取训练样本和验证样本，基于所述训练样本中每一样本数据的特征波段及其对应的类别标签训练分类模型，并基于所述验证样本中每一样本数据的特征波段及其对应的类别标签验证训练后的分类模型的分类准确度，若分类准确度超过分类准确度阈值，则验证通过，以此得到验证通过后的分类模型。64.考虑到研究区中云的颜色表现为蓝色、白色和红色等；因此，为更好地实现分类，本实施例根据云的颜色特征，将云对应的分类类别进一步分为蓝云、白云和红云三个子类别；其中，每一子类别分别对应相应的子类别标签。相应地，选取的训练样本和验证样本中也应该包括每一子类别对应的样本数据。65.在选取训练样本和验证样本的过程中，根据样本均匀分布的原则，从研究区不同时间获取的多景影像中选取训练样本和验证样本。示例性地，可将构建的先验像元样本库中80％的样本作为训练样本，剩下20％的样本作为验证样本，利用随机森林(mflfrf)算法进行模型训练。其中随机森林所包含的决策树数目ntree设为400～500，每个级别的变量数设为4～6。66.经过上述过程，即可得到每一影像数据的分类结果矩阵。67.考虑到分类过程中可能存在误分类，例如，将很少部分蓝色云和云影误分为海冰。然而，相对于海冰来说，覆盖在其上空的云和云影是运动的，并且，在北极同一区域，一天中可以获取多张modis影像(一般至少为6次观测，大多情况为9次观测，北极边缘区域遇特殊情况也至少有4次观测)。因此，可通过对同一天观测到的多幅影像数据对应的分类结果矩阵进行进一步处理，以减少误分类造成的影响。具体过程如步骤s3、s4所述。68.步骤s3：获取多个分类结果矩阵中同一位置对应的像元的非云类别总数(即分类中判别为水或者海冰的次数，用n来表示)和非云类别众数，基于所述非云类别总数和非云类别众数得到每日水、冰的分布图；69.经大量试验可知，在本实施例的分类过程中，水的分类精度最高。因此，形成了如下步骤：70.步骤s31：对于所述分类结果矩阵中的每一像元，若所述非云类别总数大于第一阈值，则该像元的取值为所述非云类别众数；若所述非云类别总数为0，则该像元的取值为云对应的类别标签；以此得到每日合成分类图m1；只提取每日合成分类图m1中类别标签为水的像元，其它像元为空，得到每日水的分布图。71.步骤s32：对于所述分类结果矩阵中的每一像元，若所述非云类别总数大于第二阈值，则该像元的取值为所述非云类别众数；若所述非云类别总数为0，则该像元的取值为云对应的类别标签；以此得到每日合成分类图m2，只提取每日合成分类图m2中类别标签为冰的像元，其它像元为空，得到每日冰的分布图；72.其中，所述第二阈值大于所述第一阈值，这是由于分类结果中容易存在少许的云区被误分为冰的现象，通过提高阈值的方式过滤掉被误分的云区，根据经验，第二阈值设为3；由于对水的识别精确度相对海冰的识别要高，阈值可稍微降低，根据经验，第一阈值设为1。73.需要说明的是，考虑到水的分类精度最高，在得到每日合成分类图m1和m2的过程中，若非云类别中海冰和水的数量相等，则当前像元的取值为水对应的类别标签。74.步骤s4：融合所述每日水、冰的分布图，得到每日合成海冰图。75.优选地，分别比较所述每日水、冰的分布图中每一对应位置像元的值，若一致，则保持不变；若不一致，则该像元的取值为当前像元在每日水、冰的分布图中设定邻域的非空类别众数，若设定邻域的非空类别中冰和水的数量相等，则当前像元的取值为水对应的类别标签。(即，当邻域冰和水的数量相等，则判断结果为水对应的标签，因为水的分类精度高于海冰)；其余像元的值为云对应的类别标签，以此形成每日合成冰图。每日合成冰图合成过程示意图如图2所示。76.在得到每日合成冰图的基础上，本实施例还可以包括如下步骤：77.步骤s5：基于连续七日的海冰制图，得到每周合成冰图：78.获取连续七日的冰图中同一位置对应的像元的非云类别总数和非云类别众数；若当前像元的非云类别总数非0，则其取值为当前像元的非云类别众数，若非云类别中冰和水的数量值一致，则当前像元的取值为水对应的类别标签；若当前像元的非云类别总数为0，则其取值为云对应的类别标签；以此形成每周合成冰图。79.综上，与现有技术相比，本实施例提供的一种海冰制图方法，具备如下有益效果：80.第一，本发明在实现研究区影像的自动分类的基础上，针对一直以来冰和云容易混淆的问题，本发明利用北极地区云运动特性和地物多时相判定方法，对每天获取的多景影像的分类结果进行合并处理，在此基础上合成每日的冰图，从而有效解决了冰和云容易混淆的问题；81.第二，本发明还基于每日合成冰图形成了每周合成冰图；82.第三，本发明针对传统的海冰产品空间分辨率低等问题，基于构建的北极多时相遥感影像构建了极地地物分类的先验像元样本库，并利用多特征波段融合的随机森林算法，自动化实现研究区影像的分类。该分类结果比传统的modis海冰产品在空间分辨率和准确度上有了很大程度的提高。同时，本发明还对分类过程中所选取的特征波段以及分类的类别进行了改进，使得分类的精度得到了有效提高。83.实施例284.本发明的具体实施例2，用于验证本发明实施例1中海冰制图方法的准确性；具体地，85.本实施例对经过预处理的原始影像，基于多特征波段融合的随机森林(mflfrf)算法对构建的先验样本库进行分类模型训练，并利用验证通过的分类模型对单景影像进行批量自动分类，以两张单景影像为例，展示影像分类结果，如图3所示；其中，图3(a)、(b)均为b721波段组合的假彩色图像，采集时间分别为2018年7月3日和2019年8月3日；图3(c)、(d)为图3(a)、(b)图像采用mflfrf分类算法的分类结果；图3(e)、(f)分别为图3(a)、(b)对应的mod29海冰产品。86.在b721波段组合方式下，显示为蓝云的识别(如图3(a)方框标出的位置)，mod29冰图中该区域被误识别为海冰，而采用上述实施例中的分类模型，能够将该区域中的蓝云准确识别出来，但是，仍存在少部分云影区域被误识别。对于冰水间隙的识别(如图3(b)方框标出的位置)，mod29冰图产品无法准确识别出海冰中的水区，而采用上述实施例中的分类模型(例如，基于mflfrf算法)可以准确的识别出海冰和水区。综上所述，mflfrf分类算法在海冰、水和云的识别过程中具有较高的识别精度。87.基于实施例1中步骤获得的每日合成冰图和每周合成冰图如图4所示；其中，图4(a)是2019年8月1日基于terra星获得的每日合成冰图；图4(b)是2019年8月1-7日基于terra和aqua星得到的每周合成冰图。由图4(a)、(b)可以看出，北极地区受云层的影响，每日合成冰图大部分区域被云层覆盖，只有少部分是晴空区域。每周合成冰图中大部分区域都是晴空区域，但仍有一些区域连续7天被云层覆盖，显示出云层区域。88.本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。89.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!