CN117312973B - 一种内陆水体光学分类方法和系统 - Google Patents
一种内陆水体光学分类方法和系统 Download PDFInfo
- Publication number
- CN117312973B CN117312973B CN202311253664.4A CN202311253664A CN117312973B CN 117312973 B CN117312973 B CN 117312973B CN 202311253664 A CN202311253664 A CN 202311253664A CN 117312973 B CN117312973 B CN 117312973B
- Authority
- CN
- China
- Prior art keywords
- water
- water bodies
- bodies
- spectrum
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 292
- 230000003287 optical effect Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001228 spectrum Methods 0.000 claims abstract description 82
- 238000002310 reflectometry Methods 0.000 claims abstract description 54
- 230000003595 spectral effect Effects 0.000 claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 241000192710 Microcystis aeruginosa Species 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- XLYOFNOQVPJJNP-ZSJDYOACSA-N Heavy water Chemical compound [2H]O[2H] XLYOFNOQVPJJNP-ZSJDYOACSA-N 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000000985 reflectance spectrum Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000019771 cognition Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出一种内陆水体光学分类方法和系统。其中，方法包括：基于K‑means方法，以光谱角度距离为度量，将所有水体归一化遥感反射率光谱粗分为20类水体；计算所述20类水体的类内距离，并采用K‑means方法将类内距离大于预设值的类拆分，拆分后变成25类水体；计算25类水体的平均光谱，将平均光谱进行逐步迭代的K‑means分类，从25类水体逐步减少到10类水体，并分别计算每一次迭代后的光谱角度距离；根据分析所述25类水体到所述10类水体的光谱角度距离，将水体分为13类。本发明提出的方案能够建立了完备的内陆水体光学分类体系，并提供了建立该体系的方法，填补了水环境遥感领域的内陆水体光学分类体系空白。
Description
技术领域
本发明属于水体光学分类领域，尤其涉及一种内陆水体光学分类方法和系统。
背景技术
湖泊、河流、水库等内陆水体是人类赖以生存和发展的自然生态系统重要组成部分。水色遥感参数反演是监测、评价与预测预警水环境与水生态的重要技术手段，而水体光学类型是宏观认识水环境现状和变化趋势的重要参量，是提高常用水色遥感参数反演精度的基础。对水体进行分类有助于识别光学复杂水域，分析水体环境变化。近年来的研究已经证明了水体光学分类的重要性，但水体分类研究仍存在一些问题：现有二类水体分类研究缺少针对中国内陆水体建立完备的水体光学分类体系。为了解决这一问题，本专利发明了一种内陆水体光学分类体系，深入研究了不同类型内陆水体光谱反射率特征，为各种类型内陆水体水质参数反演提供理论基础以及技术支撑。
目前国内外学者在水体分类研究上做了大量的工作，水体光学分类研究对象多为大洋水体、近岸与内陆结合水体、单一湖泊、多个典型湖泊等，缺少专门针对内陆水体的水体光学类型框架和体系；关于使用的聚类方法中的聚类数量的确定无法保持其客观性，现有研究所选用的数据集以及假定的聚类数量区间不尽相同，缺少普遍接受的水体类型划分标准。
发明内容
为解决上述技术问题，本发明提出一种内陆水体光学分类方法的技术方案，以解决上述技术问题。
本发明第一方面公开了一种内陆水体光学分类方法，所述方法包括：
步骤S1、选取400～900nm波段的内陆水体的遥感反射率光谱，并对遥感反射率光谱进行归一化处理；
步骤S2、基于K-means方法，以光谱角度距离为度量，将所有水体归一化遥感反射率光谱粗分为20类水体；
步骤S3、计算所述20类水体的类内距离，并采用K-means方法将类内距离大于预设值的类拆分，拆分后变成25类水体；
步骤S4、计算25类水体的平均光谱，将平均光谱进行逐步迭代的K-means分类，从25类水体逐步减少到10类水体，并分别计算每一次迭代后的光谱角度距离；
步骤S5、根据分析所述25类水体到所述10类水体的光谱角度距离，将水体分为13类。
根据本发明第一方面的方法，在所述步骤S1中，所述对遥感反射率进行归一化处理的方法包括：
其中，NRrs(λ)表示在400nm和900nm之间积分得到的归一化光谱，Rrs(λ)表示遥感反射率光谱。
根据本发明第一方面的方法，在所述步骤S2中，所述光谱角距离的计算公式为：
其中，SAD为光谱角距离，xs和xt为两个光谱反射率向量，和/>为xs和xt的转置向量。
根据本发明第一方面的方法，在所述步骤S3中，所述类内距离的计算公式为：
其中，D为类内距离，Ni为第i类水体的样本数，为第i类水体的第k条光谱反射率向量，Xi为第i类的平均光谱，/>为光谱角距离的计算结果的平方。
根据本发明第一方面的方法，在所述步骤S3中，所述预设值为0.08。
根据本发明第一方面的方法，在所述步骤S5中，所述根据分析所述25类水体到所述10类水体的光谱角度距离，将水体分为13类的方法包括：所述根据分析所述25类水体到所述10类水体的光谱角度距离，在分为13类和15类时，光谱角度距离有较大变化，适合作为最终的分类数目。根据对比最终合并效果，分为13类水体更具有实际物理意义，因此，将所有水体最终分为13类。具体，分析从25类到10类的光谱角度距离变化可知，在分为13类和15类时，光谱角度值有较大变化，适合作为最终的分类数目。根据对比最终合并效果，发现分为13类水体更具有实际物理意义，因此，将所有水体最终分为13类。
根据本发明第一方面的方法，在所述步骤S5中，所述13类水体的水体类型为：
高度清洁水体、清洁水体、一般清洁水体、轻度浑浊水体、中度浑浊水体、高度浑浊水体、轻度富营养化水体、中度富营养化水体、重度富营养化水体、浑浊富营养化水体、黑臭水体、轻度水华和重度水华。
本发明第二方面公开了一种内陆水体光学分类系统，所述系统包括：
第一处理模块，被配置为，选取400～900nm波段的内陆水体的遥感反射率光谱，并对遥感反射率光谱进行归一化处理；
第二处理模块，被配置为，基于K-means方法，以光谱角度距离为度量，将所有水体归一化遥感反射率光谱粗分为20类水体；
第三处理模块，被配置为，计算所述20类水体的类内距离，并采用K-means方法将类内距离大于预设值的类拆分，拆分后变成25类水体；
第四处理模块，被配置为，计算25类水体的平均光谱，将平均光谱进行逐步迭代的K-means分类，从25类水体逐步减少到10类水体，并分别计算每一次迭代后的光谱角度距离；
第五处理模块，被配置为，根据分析所述25类水体到所述10类水体的光谱角度距离，将水体分为13类。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种内陆水体光学分类方法中的步骤。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面中任一项的一种内陆水体光学分类方法中的步骤。
综上，本发明提出的方案能够建立了完备的内陆水体光学分类体系，并提供了建立该体系的方法，填补了水环境遥感领域的内陆水体光学分类体系空白，为宏观认知全球、全国大范围内陆水体状况提供了新的指标，为全球和全国大范围水质参数遥感分类反演提供了理论和技术支撑。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的一种内陆水体光学分类方法的流程图；
图2为根据本发明实施例的K-means聚类的20类和25类水体类型的类内距离示意图；
图3为根据本发明实施例的平均SAD与聚类数的关系示意图；
图4为根据本发明实施例的内陆水体光学分类体系平均光谱；
图5为根据本发明实施例的高度清洁水体光学特征图；
图6为根据本发明实施例的清洁水体光学特征图；
图7为根据本发明实施例的一般清洁水体光学特征图；
图8为根据本发明实施例的轻度浑浊水体光学特征图；
图9为根据本发明实施例的中度浑浊水体光学特征图；
图10为根据本发明实施例的高度浑浊水体光学特征图；
图11为根据本发明实施例的轻度富营养化水体光学特征图；
图12为根据本发明实施例的中度富营养化水体光学特征图；
图13为根据本发明实施例的重度富营养化水体光学特征图；
图14为根据本发明实施例的浑浊富营养化水体光学特征图；
图15为根据本发明实施例的黑臭水体光学特征图；
图16为根据本发明实施例的轻度水华光学特征图；
图17为根据本发明实施例的重度水华光学特征图；
图18为根据本发明实施例的一种内陆水体光学分类系统的结构图；
图19为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明第一方面公开了一种内陆水体光学分类方法。图1为根据本发明实施例的一种内陆水体光学分类方法的流程图，如图1所示，所述方法包括：
步骤S1、选取400～900nm波段的内陆水体的遥感反射率光谱，并对遥感反射率光谱进行归一化处理；
步骤S2、基于K-means方法，以光谱角度距离为度量，将所有水体归一化遥感反射率光谱粗分为20类水体；
步骤S3、计算所述20类水体的类内距离，并采用K-means方法将类内距离大于预设值的类拆分，拆分后变成25类水体；
步骤S4、计算25类水体的平均光谱，将平均光谱进行逐步迭代的K-means分类，从25类水体逐步减少到10类水体，并分别计算每一次迭代后的光谱角度距离；
步骤S5、根据分析所述25类水体到所述10类水体的光谱角度距离，将水体分为13类。
在步骤S1，选取400～900nm波段的内陆水体的遥感反射率光谱，并对遥感反射率光谱进行归一化处理。
在一些实施例中，在所述步骤S1中，所述对遥感反射率进行归一化处理的方法包括：
其中，NRrs(λ)表示在400nm和900nm之间积分得到的归一化光谱，Rrs(λ)表示遥感反射率光谱。
在步骤S2，基于K-means方法，以光谱角度距离为度量，将所有水体归一化遥感反射率光谱粗分为20类水体。
在一些实施例中，在所述步骤S2中，所述光谱角距离的计算公式为：
其中，SAD为光谱角距离，xs和xt为两个光谱反射率向量，和/>为xs和xt的转置向量。SAD越小，两光谱的相似度越高。
在步骤S3，计算所述20类水体的类内距离，并采用K-means方法将类内距离大于预设值的类拆分，拆分后变成25类水体。
在一些实施例中，在所述步骤S3中，类内距离即同一类各模式样本点间的均方根距离，所述类内距离的计算公式为：
其中，D为类内距离，Ni为第i类水体的样本数，为第i类水体的第k条光谱反射率向量，Xi为第i类的平均光谱，/>为光谱角距离的计算结果的平方。
所述预设值为0.08。
具体地，通过对得到的20个类别的光谱进行观察和分析，发现存在一些错误分类的情况。为了解决这个问题，本实施例计算了20个类别的类内距离，如图2所示，并发现那些存在错误分类的类别的类内距离均大于0.08。因此本实施例将拆分的阈值设定为0.08，最后得到25个类别，且这些类别的类内距离均小于0.08，如图2所示。
在步骤S5，根据分析所述25类水体到所述10类水体的光谱角度距离，将水体分为13类。
在一些实施例中，在所述步骤S5中，所述根据分析所述25类水体到所述10类水体的光谱角度距离，将水体分为13类的方法包括：所述根据分析所述25类水体到所述10类水体的光谱角度距离，在分为13类和15类时，光谱角度距离有较大变化，适合作为最终的分类数目。根据对比最终合并效果，分为13类水体更具有实际物理意义，因此，将所有水体最终分为13类。。
具体地，分析从25类到10类的光谱角度距离变化可知，在分为13类和15类时，光谱角度值有较大变化，适合作为最终的分类数目。根据对比最终合并效果，发现分为13类水体更具有实际物理意义，因此，将所有水体最终分为13类。
所述13类水体的水体类型为：
高度清洁水体、清洁水体、一般清洁水体、轻度浑浊水体、中度浑浊水体、高度浑浊水体、轻度富营养化水体、中度富营养化水体、重度富营养化水体、浑浊富营养化水体、黑臭水体、轻度水华和重度水华。
具体地，计算25个类别的平均光谱，利用逐步迭代K-means对25条平均光谱进行合并，图3为采用逐步迭代K-means从25到10类的迭代过程，从图中可以看出，从15-25类类间距变化不大，没有明显特征，分为13类和15类较为典型，类间距在这两类都有较大变化，可以作为最终分类数目。根据对比最终合并效果，发现13类水体更具有实际物理意义，因此，本研究将所有遥感反射率数据分为13类。内陆水体光学分类体系如图4所示。
如图5所示，高度清洁水体的光学特征为：蓝波段反射率较高，红和近红外很低；
如图6所示，清洁水体的光学特征为：深蓝波段反射率下降，但反射率峰值仍然在蓝波段；
如图7所示，一般清洁水体的光学特征为：蓝波段反射率降低，绿波段形成反射峰；
如图8所示，轻度浑浊水体的光学特征为：绿波段到红波段反射率呈下降趋势，近红外波段开始升高；
如图9所示，中度浑浊水体的光学特征为：红和近红外波段反射率升高明显；
如图10所示，高度浑浊水体的光学特征为：红和近红外波段反射率升高明显，红波段反射率和绿波段相当或高于绿波段；
如图11所示，轻度富营养化水体的光学特征为：绿波段反射峰明显，红边波段反射峰较低；
如图12所示，中度富营养化水体的光学特征为：绿波段反射峰明显，红边波段反射峰升高；
如图13所示，重度富营养化水体的光学特征为：红边波段反射峰较高，高度和绿波段相当；
如图14所示，浑浊富营养化水体的光学特征为：红和近红外波段反射率较高，且红边波段反射峰明显；
如图15所示，黑臭水体的光学特征为：反射率比一般水体低且曲线平坦，无明显的峰谷特征；
如图16所示，轻度水华的光学特征为：红边波段反射率最高，近红外波段有所降低，但高于红波段；
如图17所示，重度水华的光学特征为：红边和近红外波段反射率很高且曲线平坦，近红外波段降低趋势不明显。
综上，本发明提出的方案能够建立了完备的内陆水体光学分类体系，并提供了建立该体系的方法，填补了水环境遥感领域的内陆水体光学分类体系空白，为宏观认知全球、全国大范围内陆水体状况提供了新的指标，为全球和全国大范围水质参数遥感分类反演提供了理论和技术支撑。
本发明第二方面公开了一种内陆水体光学分类系统。图18为根据本发明实施例的一种内陆水体光学分类系统的结构图；如图18所示，所述系统100包括：
第一处理模块101，被配置为，选取400～900nm波段的内陆水体的遥感反射率光谱，并对遥感反射率光谱进行归一化处理；
第二处理模块102，被配置为，基于K-means方法，以光谱角度距离为度量，将所有水体归一化遥感反射率光谱粗分为20类水体；
第三处理模块103，被配置为，计算所述20类水体的类内距离，并采用K-means方法将类内距离大于预设值的类拆分，拆分后变成25类水体；
第四处理模块104，被配置为，计算25类水体的平均光谱，将平均光谱进行逐步迭代的K-means分类，从25类水体逐步减少到10类水体，并分别计算每一次迭代后的光谱角度距离；
第五处理模块105，被配置为，根据分析所述25类水体到所述10类水体的光谱角度距离，将水体分为13类。
根据本发明第二方面的系统，所述第一处理模块101具体被配置为，所述对遥感反射率进行归一化处理的方法包括：
其中，NRrs(λ)表示在400nm和900nm之间积分得到的归一化光谱，Rrs(λ)表示遥感反射率光谱。
根据本发明第二方面的系统，所述第二处理模块102具体被配置为，所述光谱角距离的计算公式为：
其中，SAD为光谱角距离，xs和xt为两个光谱反射率向量，和/>为xs和xt的转置向量。SAD越小，两光谱的相似度越高。
根据本发明第二方面的系统，所述第三处理模块103具体被配置为，类内距离即同一类各模式样本点间的均方根距离，所述类内距离的计算公式为：
其中，D为类内距离，Ni为第i类水体的样本数，为第i类水体的第k条光谱反射率向量，Xi为第i类的平均光谱，/>为光谱角距离的计算结果的平方。
所述预设值为0.08。
具体地，通过对得到的20个类别的光谱进行观察和分析，发现存在一些错误分类的情况。为了解决这个问题，本实施例计算了20个类别的类内距离，如图2所示，并发现那些存在错误分类的类别的类内距离均大于0.08。因此本实施例将拆分的阈值设定为0.08，最后得到25个类别，且这些类别的类内距离均小于0.08，如图2所示。
根据本发明第二方面的系统，所述第五处理模块105具体被配置为，所述根据分析所述25类水体到所述10类水体的光谱角度距离，将水体分为13类的方法包括：所述根据分析所述25类水体到所述10类水体的光谱角度距离，在分为13类和15类时，光谱角度距离有较大变化，适合作为最终的分类数目。根据对比最终合并效果，分为13类水体更具有实际物理意义，因此，将所有水体最终分为13类。
所述13类水体的水体类型为：
高度清洁水体、清洁水体、一般清洁水体、轻度浑浊水体、中度浑浊水体、高度浑浊水体、轻度富营养化水体、中度富营养化水体、重度富营养化水体、浑浊富营养化水体、黑臭水体、轻度水华和重度水华。
具体地，计算25个类别的平均光谱，利用逐步迭代K-means对25条平均光谱进行合并，图3为采用逐步迭代K-means从25到10类的迭代过程，从图中可以看出，从15-25类类间距变化不大，没有明显特征，分为13类和15类较为典型，类间距在这两类都有较大变化，可以作为最终分类数目。根据对比最终合并效果，发现13类水体更具有实际物理意义，因此，本研究将所有遥感反射率数据分为13类。内陆水体光学分类体系如图4所示。
如图5所示，高度清洁水体的光学特征为：蓝波段反射率较高，红和近红外很低；
如图6所示，清洁水体的光学特征为：深蓝波段反射率下降，但反射率峰值仍然在蓝波段；
如图7所示，一般清洁水体的光学特征为：蓝波段反射率降低，绿波段形成反射峰；
如图8所示，轻度浑浊水体的光学特征为：绿波段到红波段反射率呈下降趋势，近红外波段开始升高；
如图9所示，中度浑浊水体的光学特征为：红和近红外波段反射率升高明显；
如图10所示，高度浑浊水体的光学特征为：红和近红外波段反射率升高明显，红波段反射率和绿波段相当或高于绿波段；
如图11所示，轻度富营养化水体的光学特征为：绿波段反射峰明显，红边波段反射峰较低；
如图12所示，中度富营养化水体的光学特征为：绿波段反射峰明显，红边波段反射峰升高；
如图13所示，重度富营养化水体的光学特征为：红边波段反射峰较高，高度和绿波段相当；
如图14所示，浑浊富营养化水体的光学特征为：红和近红外波段反射率较高，且红边波段反射峰明显；
如图15所示，黑臭水体的光学特征为：反射率比一般水体低且曲线平坦，无明显的峰谷特征；
如图16所示，轻度水华的光学特征为：红边波段反射率最高，近红外波段有所降低，但高于红波段；
如图17所示，重度水华的光学特征为：红边和近红外波段反射率很高且曲线平坦，近红外波段降低趋势不明显。本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开第一方面中任一项的一种内陆水体光学分类方法中的步骤。
图19为根据本发明实施例的一种电子设备的结构图，如图19所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图19中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明公开第一方面中任一项的一种内陆水体光学分类方法中的步骤。
请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种内陆水体光学分类方法，其特征在于，所述方法包括：
步骤S1、选取400nm～900nm波段的内陆水体的遥感反射率光谱，并对遥感反射率光谱进行归一化处理；
步骤S2、基于K-means方法，以光谱角度距离为度量，将所有水体归一化遥感反射率光谱粗分为20类水体；
步骤S3、计算所述20类水体的类内距离，并采用K-means方法将类内距离大于预设值的类拆分，拆分后变成25类水体；
步骤S4、计算25类水体的平均光谱，将平均光谱进行逐步迭代的K-means分类，从25类水体逐步减少到10类水体，并分别计算每一次迭代后的光谱角度距离；
步骤S5、根据分析所述25类水体到所述10类水体的光谱角度距离，将水体分为13类；13类水体的水体类型为：
高度清洁水体、清洁水体、一般清洁水体、轻度浑浊水体、中度浑浊水体、高度浑浊水体、轻度富营养化水体、中度富营养化水体、重度富营养化水体、浑浊富营养化水体、黑臭水体、轻度水华和重度水华；
在所述步骤S1中，所述对遥感反射率进行归一化处理的方法包括：
其中，NRrs(λ)表示在400nm和900nm之间积分得到的归一化光谱，Rrs(λ)表示遥感反射率光谱；
在所述步骤S2中，所述光谱角度距离的计算公式为：
其中，SAD为光谱角度距离，xs和xt为两个光谱反射率向量，和/>为xs和xt的转置向量；
在所述步骤S3中，所述类内距离的计算公式为：
其中，D为类内距离，Ni为第i类水体的样本数，为第i类水体的第k条光谱反射率向量，Xi为第i类水体的平均光谱，/>为光谱角度距离的计算结果的平方。
2.根据权利要求1所述的一种内陆水体光学分类方法，其特征在于，在所述步骤S3中，所述预设值为0.08。
3.一种用于内陆水体光学分类系统，其特征在于，所述系统包括：
第一处理模块，被配置为，选取400～900nm波段的内陆水体的遥感反射率光谱，并对遥感反射率光谱进行归一化处理；
所述对遥感反射率进行归一化处理包括：
其中，NRrs(λ)表示在400nm和900nm之间积分得到的归一化光谱，Rrs(λ)表示遥感反射率光谱；
第二处理模块，被配置为，基于K-means方法，以光谱角度距离为度量，将所有水体归一化遥感反射率光谱粗分为20类水体；
所述光谱角度距离的计算公式为：
其中，SAD为光谱角度距离，xs和xt为两个光谱反射率向量，和/>为xs和xt的转置向量；
第三处理模块，被配置为，计算所述20类水体的类内距离，并采用K-means方法将类内距离大于预设值的类拆分，拆分后变成25类水体；
第四处理模块，被配置为，计算25类水体的平均光谱，将平均光谱进行逐步迭代的K-means分类，从25类水体逐步减少到10类水体，并分别计算每一次迭代后的光谱角度距离；
所述类内距离的计算公式为：
其中，D为类内距离，Ni为第i类水体的样本数，为第i类水体的第k条光谱反射率向量，Xi为第i类水体的平均光谱，/>为光谱角度距离的计算结果的平方；
第五处理模块，被配置为，根据分析所述25类水体到所述10类水体的光谱角度距离，将水体分为13类；
13类水体的水体类型为：高度清洁水体、清洁水体、一般清洁水体、轻度浑浊水体、中度浑浊水体、高度浑浊水体、轻度富营养化水体、中度富营养化水体、重度富营养化水体、浑浊富营养化水体、黑臭水体、轻度水华和重度水华。
4.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至2中任一项所述的一种内陆水体光学分类方法中的步骤。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至2中任一项所述的一种内陆水体光学分类方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311253664.4A CN117312973B (zh) | 2023-09-26 | 2023-09-26 | 一种内陆水体光学分类方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311253664.4A CN117312973B (zh) | 2023-09-26 | 2023-09-26 | 一种内陆水体光学分类方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117312973A CN117312973A (zh) | 2023-12-29 |
| CN117312973B true CN117312973B (zh) | 2024-05-03 |
Family
ID=89286044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311253664.4A Active CN117312973B (zh) | 2023-09-26 | 2023-09-26 | 一种内陆水体光学分类方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117312973B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650810A (zh) * | 2016-12-26 | 2017-05-10 | 河海大学 | 基于光谱属性信息和空间信息的水库水体分类方法及装置 |
| CN107330875A (zh) * | 2017-05-31 | 2017-11-07 | 河海大学 | 基于遥感图像正反向异质性的水体周边环境变化检测方法 |
| CN111179218A (zh) * | 2019-12-06 | 2020-05-19 | 深圳市派科斯科技有限公司 | 传送带物料检测方法、装置、存储介质及终端设备 |
| CN113159167A (zh) * | 2021-04-19 | 2021-07-23 | 福州大学 | 基于内陆不同类型水体的叶绿素a反演方法 |
| CN113406015A (zh) * | 2021-05-31 | 2021-09-17 | 内蒙古师范大学 | 一种近岸和内陆水域水体的透明度计算方法和系统 |
| WO2023000160A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 高光谱遥感影像半监督分类方法、装置、设备及存储介质 |
| WO2023134626A1 (zh) * | 2022-01-11 | 2023-07-20 | 北华航天工业学院 | 一种基于cart分类模型的黑臭水体提取方法 |
-
2023
- 2023-09-26 CN CN202311253664.4A patent/CN117312973B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650810A (zh) * | 2016-12-26 | 2017-05-10 | 河海大学 | 基于光谱属性信息和空间信息的水库水体分类方法及装置 |
| CN107330875A (zh) * | 2017-05-31 | 2017-11-07 | 河海大学 | 基于遥感图像正反向异质性的水体周边环境变化检测方法 |
| CN111179218A (zh) * | 2019-12-06 | 2020-05-19 | 深圳市派科斯科技有限公司 | 传送带物料检测方法、装置、存储介质及终端设备 |
| CN113159167A (zh) * | 2021-04-19 | 2021-07-23 | 福州大学 | 基于内陆不同类型水体的叶绿素a反演方法 |
| CN113406015A (zh) * | 2021-05-31 | 2021-09-17 | 内蒙古师范大学 | 一种近岸和内陆水域水体的透明度计算方法和系统 |
| WO2023000160A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 高光谱遥感影像半监督分类方法、装置、设备及存储介质 |
| WO2023134626A1 (zh) * | 2022-01-11 | 2023-07-20 | 北华航天工业学院 | 一种基于cart分类模型的黑臭水体提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| SHUN BI 等.Optical classification of inland waters based on an improved Fuzzy C-Means method.《Optics Express》.2019,第27卷(第24期),1-19. * |
| 张方方 等.高分一号卫星浑浊水体水质参数软分类反演.《遥感学报》.2023,第27卷(第3期),第3.1、3.3节. * |
| 王相海等.一种基于2D-PLDA和小波子带的虹膜识别算法.《中国图象图形学报》.2011,第16卷(第1期),第2节. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117312973A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bioucas-Dias et al. | Hyperspectral subspace identification | |
| Guo et al. | A feature fusion based forecasting model for financial time series | |
| CN109543763B (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 | |
| CN102955902B (zh) | 雷达模拟设备可信度的评估方法及评估系统 | |
| CN110717368A (zh) | 一种纺织品定性分类方法 | |
| CN103983584B (zh) | 一种内陆二类水体叶绿素a浓度的反演方法及装置 | |
| CN111126575A (zh) | 基于机器学习的气体传感器阵列混合气体检测方法及装置 | |
| CN103632160A (zh) | 一种融合多尺度形态学特征的组合核函数rvm高光谱分类方法 | |
| CN104820841B (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN111967535A (zh) | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 | |
| CN112528559B (zh) | 一种结合预分类与机器学习的叶绿素a浓度反演方法 | |
| CN117312973B (zh) | 一种内陆水体光学分类方法和系统 | |
| CN112329565A (zh) | 一种基于高分遥感影像的道路建设监管方法及系统 | |
| KR20220122596A (ko) | 염색체 이수성 판별 및 분류 모델 구성 방법 및 장치 | |
| CN113034471B (zh) | 一种基于finch聚类的sar图像变化检测方法 | |
| CN106323466A (zh) | 一种连续小波变换分析的叶片氮含量高光谱估算方法 | |
| CN117610428A (zh) | 基于模糊时间序列的新能源汽车锂电池工况参数预测方法、装置、介质 | |
| CN117037931A (zh) | 一种基于双差比值指数的叶片叶绿素含量计算方法 | |
| CN116740460A (zh) | 一种基于卷积神经网络的pcb缺陷检测系统及检测方法 | |
| CN115129503A (zh) | 一种设备故障数据清洗方法及系统 | |
| CN111291820B (zh) | 一种结合定位信息和分类信息的目标检测方法 | |
| CN114355234A (zh) | 一种电源模块的智能化质量检测方法及系统 | |
| CN111562226B (zh) | 基于吸收光谱特征峰面积的海水总氮总磷分析方法及系统 | |
| CN105761273A (zh) | 一种基于图构造的高光谱遥感影像异常目标探测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |