[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

本發明涉及海洋環境監測技術領域，具體涉及一種基于遙感影像的海洋環境變化監測方法、裝置及介質，方法包括：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；從而得出當天的水體指數；通過將所述水體指數輸入基于LSTM神經網絡訓練得到的時間序列模型，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；本發明能夠對每天的海洋環境變化進行準確預測。

技術領域

本發明涉及海洋環境監測技術領域，具體涉及一種基于遙感影像的海洋環境變化監測方法、裝置及介質。

背景技術

水體指數(Water Index，WI)能夠有效區分遙感影像上水體和其它地表覆蓋類型，適用于海洋環境變化監測。目前，研究人員利用不同的影像波段組合方式，構建出多種水體指數，以滿足不同地形背景下的水體識別的需要。

然而，由于遙感影像獲取具有周期性，例如Landsat系列衛星為16天一次，MODIS陸地數據為8天一次，僅能對當天水藻濃度進行反演，無法及時獲取每天的水藻濃度及其分布的變化。因此，有必要提供一種解決方式，能夠對每天的海洋環境變化進行準確預測。

發明內容

本發明目的在于提供一種基于遙感影像的海洋環境變化監測方法、裝置及介質，以解決現有技術中所存在的一個或多個技術問題，至少提供一種有益的選擇或創造條件。

為了實現上述目的，本發明提供以下技術方案：

一種基于遙感影像的海洋環境變化監測方法，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。

進一步，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。

進一步，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；