高分数据海图生成和管理技术

1、高分数据的水深反演和海图修测关键技术研究一、影像预处理在多光谱数据处理和分析中，主成分分析法（principle component analysis，PCA）是使用最多的线性降维方法之一，其概念简单，算法实现效率高。主成分分析是将高维数据投影到低维空间，将方差的大小作为评价信息量多少的标准，方差越大提供的信息越多，反之提供的信息就越少。主成分分析可以在不损失高分数据有用信息的条件下，保留主要有效特征，减少或消除高分数据的相关性以及波段之间数据冗余信息，可以抑制由于图像内部相关性引起的噪声；主成分分析变换是将高分数据减少为几个主要成分，达到保留主要信息，降低计算的数据量，达到高分数据压缩的目的

2、。因此，在研究多指标问题时,只考虑少数几个主成分不仅不会损失太多信息，而且更容易抓住问题的本质，揭示事物内部变量之间的规律性，同时使问题得到简化，提高分析效率。通过主成分分析法对高分数据进行处理，高分数据中非主成分的数据部分被滤除，保留了与用户需求相关的主成分分量数据，降低了整个数据的维度，从而减少了高分数据的信息量，简化了数据处理的复杂程度，保留了原始高分数据中绝大部分信息。对于同源海量数据，有限的信道容量与传输海量空间数据的需求之间存在一定的矛盾，对于数据的传输和存储带来了极大的困难。以遥感图像为例，图象分辨率越高，相邻采样点的相关性越高，数据冗余成分也越大。对海量数据进行压缩，减少了数据

3、量，这样可以节省通信信道，提高信息的传输速率；数据压缩之后有利于实现保密通讯，提高系统的整体可靠性。压缩传感是指当数据中的某部分同源数据具有稀疏性或可压缩性时，可以通过采样其少量数据的投影值来实现数据的准确或近似重构。该方法直接对数据进行较少采样得到数据的压缩表示，使得数据的投影测量数据量远远小于原始的数据量。对于高分数据，可以通过主成分分析实现数据维度压缩或者通过压缩传感实现同维度上的数据量压缩。二、高分数据的水深反演1、高分数据水深反演的可行性分析本课题分析了卫星传感器端到海水表面之间的大气，以及海表平面到海底之间的海水对辐射能量传输的影响。通过对大气衰减作用、水/气界面的反射及水体漫反射

4、辐射能量传输过程的分析，建立了辐射传输能量的水深反演模型。通过对模型的分析，验证了利用辐射能量进行水深反演的可行性。辐射能量主要传输过程如图1所示，现对各个部分进行简要说明。图1 辐射能量传输过程（1）大气衰减作用大气的吸收与散射的消光作用：在大气层中有两种衰减发生，即分子吸收和偏离光束方向的散射。如果忽略散射和黑体发射源，则由比尔定律可以得出，光束穿过气体层时，辐照度的变化是与入射辐照度成正比的。这使得辐射能量衰减。大气的热辐射作用：由于大气的温度在300K左右，所以可见光对应的波段发射的辐射可以忽略不计。但对于热红外波段则必须考虑，因为热红外波段在300K的地球表面自发的辐射强度最大，因此

5、，近红外波段也是地球表面自发辐射最强的波段。由于大气层的温度低于海表面的温度，大气中的各个成分吸收了大量的海表面辐射后转变成大气内能，以较低的温度向大气中辐射能量，从而使入射到大气中的辐射能量增加，这就是典型的大气热辐射作用。大气的热辐射作用与普朗克函数以及吸收系数有关。这使得辐射能量增加。外源项的天空散射作用：散射对窄光束辐射传输有两个影响，一是偏离光束方向的散射造成能量的衰减；二是，当传感器在特定方向观测大气或海洋时，太阳或其他外部能量源的散射造成观测方向能量的增加。（2）辐射能量的漫反射当辐射入射到海表面时，一部分能量在水气界面产生了镜面反射，另一部分能量经过折射进入到了海水内部，在海水

6、内部发生了反射、折射、散射和吸收现象，最后能量由水气界面辐射出来，辐射出来的能量由于散向大气各个方向。图2为辐射能量在海水中传输的示意图，其中表示刚好在水面之上的上行平面辐照度，表示刚好在水面之下的上行平面辐照度，表示刚好在水面之上的下行平面辐照度，表示刚好在水面之下的下行平面辐照度，为水深。在水面之下的下行平面辐照度在水下辐射传输时，一部分经过水体后向散射返回水面下，即，对应的后向散射辐亮度为；另一部分经过底面反射后返回水面下，即。图2 辐射能量在海水中传输示意图根据上文对辐射能量传输的具体分析，图3总结了传感器接收到的辐射能量的类别，其中包括：大气辐射传输能量，辐亮度反射率，水体后向散射，

7、水底反射能量和水面反射能量。由图3可知，水深为时传感器端接收到的能量为。水深模型所有参数均可求，利用辐射传输能量进行水深反演是可行的。图3 传感器接收辐射能量示意图通过辐射传输能量建立水深反演模型的过程可看出，虽然由辐射传输能量进行水深反演是可行的，但是建立该模型的限制条件较多，对参数的要求较高，计算量较大，整个求解过程繁琐。这个模型对海水水深进行定量反演比较复杂，而且准确率较低。水深遥感研究的重点是去除或削弱环境因素的影响（特别是水体底质的影响）以提高水深遥感的定量化水平，但由于现实中不同水域的水质、底质差别较大，加之遥感测深的因素较多（如水体悬浮物浓度、大气成分和环境因素等），使得遥感测深

8、精度还不高，所建模型也无统一的定量模式或可靠的模型参数，这造成了模型随自然环境变化差异明显，模型的移植性较差。所以在实际应用过程中，很少采用这种方法进行水深反演。2、水深反演方法的研究水深遥感技术在国外开展较早，在20世纪30年代末就进行了水体光谱的特征研究。Clarke和James(1939)首先探讨了纯水在波长0.3750.800m的吸收系数与波长的关系，Curcio和Petty(1951)进一步研究了0.702.50m纯水的吸收系数与波长的关系，发现纯水对波长0.475m附近的蓝光波段吸收作用最弱，随着波长的增加，吸收系数总体上呈增大趋势。20世纪60年代末，美国密执安环境研究所开始了遥

9、感测深的研究；随着第一颗遥感卫星发射成功，利用卫星多光谱遥感数据提取水深的研究得到迅速发展，在水体测深遥感模型构建方面主要形成了理论解析模型、统计相关模型和半理论半经验模型等形式。（1）理论解析反演模型理论解析模型即利用水体的物理光学理论，分析光在水体内的辐射传输过程，并据此建立传感器接收的辐射亮度与底质反射率、水深等的解析表达式，然后解算出水深。由于光在水体中的辐射传输非常复杂，需要的水体内部光学参数较多而这些光学参数往往又很难获得，方程除了在某些特定条件下，一般得不到精确解，因而在实际中并没有得到广泛的应用。（2）多光谱遥感影像数据提取水深统计相关模型统计相关模型是通过建立遥感影像光谱值和

10、实测水深值之间的相关关系而获得水深信息，是水深遥感反演中应用较多的研究技术之一。它无需水体内部的光学参数，而是直接寻找、确定遥感影像光谱值和实测水深之间的映射关系，建立相关方程，该方法简便易行。20世纪70年代末，Lygenga (1978, 1981)提出利用主成分分析提取水深信息的方法，假设水深和辐射强度对数的线性组合呈线性关系。通过对进行旋转变换产生一组新的变量，认为 与水深有关，其余个变量与底部反射有关。通过建立变量和实测水深之间的关系模型计算出研究区实测水深值。通常情况下，首先对影像进行增强处理，突出水深信息，然后再建立影像与水深的数学关系。其数学模型为,为水深值，为第波段像素点的D

11、N值，、为模型系数。应用一组实测值，建立与遥感数据的对应关系，利用最小二乘法可以计算出、的值，然后推算出其他未知水深点的水深值。由于实测水深值与遥感影像光谱值之间的事实相关性不能保证，直接利用统计相关模型计算水深有时效果不是很理想。（3）多光谱遥感影像数据提取水深半理论半经验模型半理论半经验模型的理论基础是光在水体中的辐射衰减特性，采用理论解析模型和经验参数相结合的方式实现水深反演。它又分为单波段、多波段、波段比值模型等。单波段模型单波段模型又称为简单衰减模型，即，是遥感器接收到的第波段的辐射亮度；为深水区辐射亮度；是与太阳辐亮度、大气和水面透过率、水面折射率等有关的常数；是水体底部反射率；是

12、水体衰减系数;为水体路径长度；为水深。由此得到水深反演模型，该模型基于光在水体内的辐射衰减而建立，削弱了大气和水体对遥感测深的影响，因而水深反演效果较好，但由于模型以水底反射率较高、水质较清和研究水域较浅等假设为前提，而这些假设条件在实际应用中很难都得到满足，这在一定程度上限制了模型的应用范围。单波段模型作为水体深度遥感反演中应用较早的模型，具有计算相对简单、理论模型和经验值相结合的优点，但由于水深反演精度单波段模型不如多波段模型，因而实际的应用仍相对较少。多波段模型多波段模型综合了多方面的水深信息，在水深反演精度上明显优于单波段模型而得到广泛的应用。则水深表达式为，由此式可以推广到多波段水深

13、反演模型为。波段比值模型在单波段水深反演模型建立的基础上，进行比值运算，得到双波段比值模型为 ，式中为常数，对于不同的水体，两波段衰减系数差值基本保持不变。波段比值模型在一定程度上消除了因水体不均引的水体衰减系数不同、底质种类差异引起的底部反射率的绝对值不同等因素对水深反演的影响。它还在一定程度上削弱了太阳高度角、水面波动以及卫星姿态、扫描角变化等差异对水深反演的影响。因此，该模型不仅可以反演水深的绝对深度，也可以反演水深的相对深度，成为应用最普遍的方法。3、基于水体特征参数的神经网络水深反演方法在分析和比较理论解析法、统计相关法和半理论半经验法等水深反演的主要方法的基础上，总结出每种方法的优

14、点及不足，为在不同条件下进行水深定量反演提供理论依据。本课题拟提出基于水体特征参数的神经网络水深反演方法。（1） 水体特征参数的计算透水波段比值因子对于浅海水体，传感器接收到的辐射能量主要由大气辐射传输能量，水体后向散射、水底反射和水面反射能量组成，传感器接收到的总辐射能量随海水水深增加而减少。对于给定的两个窄光谱波段、，传感器接收到的辐射能量比值为。通过两个波段的比值，可以减少或消除因不同光谱波段、海水类型以及海底底质对水深反演的影响。透水波段比值因子的分母为蓝波段和绿波段，分子为红波段和近红外波段，则对于海水区域，比值因子较大，而对于非海水区域比值因子相对较小。最后将透水波段比值因子进行归

15、一化处理，得到基于透过波段比值因子的遥感图像。则可增强海水区域的图像，弱化非海水区域的图像。从而使海水区域与非海水区域的图像的差异变大，突出了遥感图像中的海水信息。归一化多光谱主成分特征指数归一化多光谱出成分特征指数是在归一化水体特征指数基础上提出来的。为了充分利用多光谱遥感数据进行典型地物特征的提取，国内外研究学者进行了相关的分析并针对多光谱遥感数据提出了一些特征指数，例如：归一化植被特征指数（Normalized Difference Vegetation Index, NDVI）、归一化建筑物特征指数（Normalized Difference Building Index, NDBI）

16、以及归一化水体特征指数（Normalized Difference Water Index，NDWI）等。NDWI是在NDVI的基础形式上，由布拉斯加大学林肯分校的S. K. McFeeters于1996年提出的。NDWI是一种利用多光谱不同波段间差值和比值对图像的典型地物特征进行相应的增强或弱化的方法，NDWI通过IKONOS多光谱遥感数据的绿波段和近红外波段做差值和比值运算，其表达形式为。其中，表示绿波段的辐射值，表示近红外波段的辐射值。由于海水在蓝、绿波段的反射值较高，因此传感器接收到的能量较高。而对于近红外波段的辐射能量几乎被海水全部吸收，反射值很低，因此传感器接收到的能量较低。但是近

17、红外波段对于陆地植被和土壤具有较高的反射值。通过多光谱遥感数据的绿波段和近红外波段的比值和差值运算，可以在增强水体信息的同时，弱化岛礁陆地在遥感影响数据中的信息表达。在完成辐射能量的归一化的同时，使海水与岛礁陆地的辐射差异增强。海水的NDWI为正值，在01之间，而岛礁陆地区域NDWI为负值。由于本课题在使用高分影像数据时，首先通过主成分分析进行高分数据的压缩，减少高分影像数据中的冗余信息。对于压缩后的主成分数据，通过NDWI进行改进，可以得到归一化多光谱主成分特征指数。对于近红外波段，辐射能量几乎被海水吸收，对于海水以外的其他地物具有较高的辐射能量，主成分图像的非海水区域辐射能量在很大程度上被

18、弱化，从而使海水与其他地物辐射能量具有较大的差异。经过压缩后的各主成分遥感数据可以表现不同的地物信息，通过NDPCI变化后，可以在突出海水区域信息的同时弱化非海水区域信息，从而为浅海水深反演提供更加多源的反演数据的同时，提高了浅海水深反演的精度。（2） 基于水体特征参数的神经网络水深反演神经网络是在对人脑思维方式研究学习的基础上，通过数学的方法抽象出的一种并行的处理网络结构。它反映人脑的神经网络过程主要体现在两个方面：一是通过学习利用神经网络从外面获取信息；二是通过内部的神经元来存储获取的信息。神经网络通过简单的神经元组合成大量的神经网络结构来解决复杂的非线性问题。神经网络的优点主要体现在：具

19、有很好的鲁棒性和容错性；具有较好的自学习能力，在学习的过程中不断的完善各个神经元；神经网络是一个自适应的非线性系统，具有所有神经元集体运算的能力。神经网络模型实现了一个从输入到输出的映射能力，它具有解决复杂非线性映射的功能。以高分影像数据水体特征参数为神经网络水深反演模型的输入向量，实测水深值为模型的输出值构建BP神经网络水深反演模型，其模型结构如图4所示。图4 BP神经网络水深反演结构图图4中，A为输入神经元个数，n为训练样本序号，其中N为训练样本总数；I为第一隐层结点个数，J为第2隐层结点个数，模型共两个隐含层。BP神经网络水深反演的实现过程为：（1）一个水体特征参数输入向量经过第L层第i个神经元时，产生一个神经元值，神经元的净输出值采用Sigmoid型激励函数。为了防止处于饱和不敏感区域，在模型训练前须对水体特征参数输入向量进行归一化处理。（2）当该模型N个训练样本的全局误差e小于BP神经网络水深反演模型训练前设定的误差时，训练结束，此时的权值W和阈值V为模型最终的权值向量和阈值向量。如果全局误差e大于BP神经网络水深反演模型训练前设定的误差时，就需要对模型的权值向量W和阈值向量V进行调