[發明專利]基于遙感影像的海洋環境變化監測方法、裝置及介質

在審

• 申請號: 202210519990.4
• 申請日: 2022-05-13
• 公開（公告）號: CN114943696A
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 李平;劉文華;杜虹;畢然;楊亮亮
• 申請（專利權）人: 南方海洋科學與工程廣東省實驗室（廣州）;汕頭大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/62;G06V10/774;G06V10/82;G06Q10/04;G06N3/04
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 劉力

1.一種基于遙感影像的海洋環境變化監測方法，其特征在于，所述方法包括以下步驟：

獲取海洋遙感影像數據，對海洋遙感影像數據進行預處理，得到遙感圖像；

基于所述遙感圖像確定對應時刻的水體指數；

將所述水體指數輸入時間序列模型，進行隨監測時間變化的海洋環境序列分析，得到反映海洋環境變化的水體指數序列；其中，所述時間序列模型基于LSTM神經網絡訓練得到。

2.根據權利要求1所述的一種基于遙感影像的海洋環境變化監測方法，其特征在于，所述時間序列模型通過以下方式訓練得到：

確定用于訓練LSTM神經網絡的樣本序列；

按時間間隔提取將樣本序列中的樣本，得到第一數據集、第二數據集和第三數據集；其中，所述第一數據集、第二數據集和第三數據集的時間間隔依次遞減，所述第一數據集、第二數據集和第三數據集的訓練時間窗口、預測時間窗口和步長依次遞增，所述第二數據集和第三數據集具有相同數量的樣本；

利用第一數據集對預先建立LSTM神經網絡進行訓練，得到第一LSTM模型；

將第二數據集輸入第一LSTM模型，得到第二數據集中所有預測時間窗口的預測值，根據第二數據集中所有預測時間窗口的預測值與真實值計算得到均方誤差，得到N個預測時間窗口大小的第一誤差矩陣；

將第三數據集輸入第一LSTM模型，得到第三數據集中所有預測時間窗口的預測值，對第三數據集的每一個預測時間窗口進行推理，對每次推理的預測時間窗口預測值與真實值進行計算得到均方誤差，得到N個預測時間窗口大小的第二誤差矩陣；

分別計算N個第一誤差矩陣與第二誤差矩陣的方差，如果方差小于置信區間閾值，則將第一LSTM模型作為時間序列模型；否則執行步驟270；

利用第二數據集和第三數據集對第一LSTM模型進行訓練，得到第二LSTM模型，將第二LSTM模型作為時間序列模型。

3.根據權利要求2所述的一種基于遙感影像的海洋環境變化監測方法，其特征在于，所述確定用于訓練LSTM神經網絡的樣本序列，包括：

獲取過去第一時間段中每個時間節點的水體指數；

將所述水體指數按時間節點進行排序，得到時間序列；其中，所述時間序列中的序列值即為該時間節點對應的水體指數；

確定所述時間序列的各個序列值是否在閾值范圍內，將所述時間序列中超過閾值范圍的序列值判定為異常；

將判定為異常的序列值修改為與該異常值相鄰的兩個序列值的算術平均值；得到用于訓練LSTM神經網絡的樣本序列。

4.根據權利要求3所述的一種基于遙感影像的海洋環境變化監測方法，其特征在于，所述確定所述時間序列的各個序列值是否在閾值范圍內，將所述時間序列中超過閾值范圍的序列值判定為異常，包括：

選取所述時間序列中的M個序列值；其中，M個序列值對應的時間節點為t至t+M；

將所述M個序列值之和與所述M個序列值的前一時間節點對應的M個序列值之和相除，得到第一比值；其中，前一時間節點為t-1至t+M-1；

將所述M個序列值之和與所述M個序列值的后一時間節點對應的M個序列值之和相除，得到第二比值；其中，后一時間節點為t-1至t+M-1；

將所述第一比值和所述第二比值相除，得到趨勢值；

將所述時間序列中任一個序列值與其前一個序列值相除，得到第一序列比值；將所述時間序列中任一個序列值與其后一個序列值相除，得到第二序列比值；

將所述第一序列比值和所述第二序列比值相除，得到序列比值；

確定所述序列比值與所述趨勢值的偏差是否在閾值范圍內，若是，則判定該序列值為異常。

5.一種基于遙感影像的海洋環境變化監測裝置，其特征在于，所述裝置包括：

至少一個處理器；

至少一個存儲器，用于存儲至少一個程序；

當所述至少一個程序被所述至少一個處理器執行，使得所述至少一個處理器實現如權利要求1至4任一項所述的基于遙感影像的海洋環境變化監測方法。

6.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有基于遙感影像的海洋環境變化監測程序，所述基于遙感影像的海洋環境變化監測程序被處理器執行時實現如權利要求1至4任一項所述的基于遙感影像的海洋環境變化監測方法的步驟。