海岸带水体是许多国家的生态系统重要组成部分和重要资产,在全球碳循环、全球气候变化等方面也发挥着重要作用。由于同时受到人类活动和气候变化的压力,海岸带水体环境的监测管理是当今世界所面临的巨大挑战。采用遥感观测手段易于对海岸带开展大范围、长时序的同步观测,具有传统站点、浮标监测方式无法企及的优势,有利于海岸带的监测和管理。
针对高动态变化的海岸带水体进行遥感监测,高时间、高空间分辨率以及充足的波段十分必要。然而单一传感器受制于硬件条件,无法满足以上需求。因此亟需开展海岸带水体影像融合技术的研究与应用。本文针对海岸带水体遥感进行了融合研究,主要取得了以下三方面的研究成果:
第一,本文提出了一种基于深度置信神经网络(deep belief network,DBN)的海岸带水体空谱融合算法,提高了观测数据质量,改善了针对水体的影像融合方法研究极少的现状。该算法融合海洋1C卫星水色水温扫描仪(Chinese Ocean Color and Temperature Scanner,COCTS,1千米、8波段)与海岸带成像仪(Coastal Zone Imager,CZI,50米、4波段)影像,生成了空间和光谱最优的50米、8波段融合影像。结果验证表明,DBN算法表现优于当前常用Gram–Schmidt(GS)算法与基于反演的(inversion-based fusion,IBF)算法。相对于GS算法,相对误差在波段1-6和7-8分别下降了50%和20%以上;相对于IBF算法,相对误差在波段1-6下降了20%以上,在波段7-8上升了10%以内。DBN算法在保持了空间细节同时也避免了现有算法存在的偏色、光谱畸变、网格效应等缺陷。其在不同平台传感器组合上具有一定迁移能力,且对影像噪声敏感性较低。
第二,本文基于DBN改进了时空自适应反射率融合模型(spatial and temporal adaptive reflectance fusion model,STARFM),使其可应用于海岸带水体时空谱融合,部分克服了水体高动态变化难题,推动发展了当下极少的相关研究。基于空谱融合成果,本文进一步探究了DBN融合在时间维度的拓展性。对COCTS/CZI空谱融合影像应用STARFM算法,采用DBN进一步修正融合结果,得到空间分辨率50米、可见光近红外八波段、重访周期一天的时空谱融合影像。分析结果显示:采用DBN修正STARFM时空融合结果可以有效降低融合误差。STARFM融合波段1和2、3和4、5和6、7和8的大部分像元相对误差分别在5%左右、10%左右、15%以内、以及20%以上,经过DBN修正后的相对误差则分布在2%左右、5%以内、5%-10%、以及20%以内。但是该改进算法仍存在对水体环境较为敏感,缺失数据边缘数据质量较低的不足。
第三,本文对算法研究成果开展了产品应用测试,获得了相比原始产品更高空间分辨率的、非高分辨率传感器过境期间的叶绿素a浓度产品,可为海岸带水体环境监测与管理、进而是全球环境变化、碳循环等科学研究提供必要支持和辅助信息。空谱融合产品显示,本文空谱融合数据反演的叶绿素a浓度在高、低浓度处均能达到较高精度,因而在与地球同步海洋水色成像仪(Geostationary Ocean Color Imager,GOCI)产品分布趋势一致的同时具有更高空间分辨率和更精细的空间层次分布。时空谱融合产品显示,本文时空谱融合数据反演的叶绿素a浓度产品比GOCI产品空间分辨率更高、空间细节更丰富,在整体趋势上与GOCI产品保持一致且数值较为接近,产品具有一定的准确度和可信度。
本文基于DBN提出的空谱融合算法和改进的时空谱融合算法,提高了观测数据质量、部分克服了水体高动态变化难题、推动发展了当下极少的相关研究。其生产的产品为海岸带水体环境的监测管理提供了一种行之有效的手段,也助力了全球环境变化、碳循环等科学研究。
暂无评论