[发明专利]一种基于极限学习机的高分一号黄东海绿潮遥感探测方法

说明书

本发明提供了一种基于极限学习机（Extreme Learning Machine,ELM）的高分一号（GF‑1）黄东海绿潮遥感探测方法，针对传统绿潮卫星遥感探测阈值不准确、工作量大、精度低的问题，引入极限学习机方法，利用GF‑1卫星影像构建的绿潮观测数据集，建立适用于黄东海绿潮遥感监测的机器学习绿潮探测模型，从而实现智能化、精细化的绿潮遥感探测，为黄东海绿潮的时空演变特征辨识及防灾减灾提供技术支持。

技术领域

本发明涉及一种基于机器学习的绿潮卫星遥感探测方法，属于海洋遥感探测技术领域。

背景技术

绿潮是在一定的环境条件下，海水中某些大型藻类（如浒苔）爆发性增殖、高度聚集而形成的一种有害生态现象，其大规模爆发对海洋生态环境、海水养殖、滨海旅游、核电安全运行等造成不良影响。2007年以来，黄海海域已连续10余年爆发大规模绿潮灾害，绿潮灾害日趋常态化。

卫星遥感是绿潮监测的主要技术手段，其具有大范围、实时、长时间序列监测的优势。传统的绿潮遥感监测方法，大都基于绿潮与海水在红光和近红外波段的光谱特征差异，通过MODIS等水色卫星影像的波段运算，结合人工设定的阈值，进行绿潮与海水的遥感区分。该方法存在的主要问题是：1）受到大气气溶胶、卫星观测几何、复杂海洋环境等因素的干扰，不同区域不同时间的卫星影像，其绿潮探测阈值存在明显差异，这直接导致阈值探测的绿潮结果不准确；2）海面漂浮藻类尺寸从几米到几公里不等，分辨率为几百米的水色卫星难以精确的计算绿潮面积。因此，传统的绿潮探测方法存在结果不准确、监测效率低，探测结果的时空一致性与可重复性较差等问题。

本发明针对当前绿潮遥感监测精细化、自动化的需求，将机器学习方法和GF-1卫星影像引入到绿潮遥感监测领域。极限学习机（Extreme Learning Machine, ELM）是一类针对单层前馈神经网络设计的机器学习算法，被广泛应用于图像分类中，可以实现自动化、高精度的分类识别。GF-1卫星能提供蓝、绿、红、近红外四波段16m分辨率的遥感影像，其分辨率较之水色卫星更适用于藻类探测，且在历年的绿潮灾害监测中获取了大量的高分辨率数据，是未来的主力遥感器之一，因此，发展基于极限学习机的GF-1绿潮探测方法，对于绿潮灾害的精细化、自动化监测具有重要意义。

发明内容

针对上述现有技术的不足，本发明探索提出以下技术方案：一种基于极限学习机的GF-1黄东海绿潮遥感探测方法，包括以下步骤：

第一步、影像预处理，对GF-1数据进行几何校正、太阳天顶角订正和辐射校正，获得空间校准的辐亮度数据，并基于大陆岸线进行陆地掩膜；

第二步、构建样本集，选取绿潮、海水、云雾、云影、舰船、太阳耀斑和海岛的样本，整合样本特征量并标注样本标签，用于训练ELM网络；

第三步、使用上述样本集训练ELM网络，并确定最优隐层神经元个数，建立分类器；

第四步、基于上述分类器进行GF-1影像绿潮探测，并对探测结果进行精度评价；

第五步、计算绿潮覆盖面积并生成绿潮时空分布产品。

本发明使用极限学习机进行绿潮探测的方法，在一定程度上解决了传统方法探测绿潮时阈值需人工调整的问题，实现绿潮信息快速、准确探测。

附图说明

下面结合附图对本发明作进一步的说明；

图1是本发明的流程图；

下面结合附图详细阐述本发明。

具体实施方式

如图1所示，本实施例“一种基于极限学习机的GF-1黄东海绿潮遥感探测方法”流程图，具体步骤如下。

第一步，几何校正、太阳天顶角订正和辐射校正；