一种基于卫星遥感影像的赤潮浒苔一体化监测方法

摘要

本发明提出一种基于卫星遥感影像的赤潮浒苔一体化监测方法，包括：输入监测区域内的影像数据，获得赤潮浒苔遥感信息待处理数据；分别利用赤潮遥感信息提取算法和浒苔遥感信息提取算法对所述待处理数据提取，获得赤潮浒苔遥感信息提取结果；基于所述赤潮浒苔遥感信息提取结果结合监测需求区域使用二值图像计算赤潮浒苔的覆盖面积，以及利用散点抽稀方法提取赤潮浒苔遥感信息提取结果获取散点数据，并进行计算获得赤潮浒苔的分布面积；对所述赤潮浒苔的覆盖面积和分布面积进行数据处理获得结果并输出。本发明减少人工主观参与和误判，提高监测过程的自动化和监测结果的规范化能力。

权利要求

1.一种基于卫星遥感影像的赤潮浒苔一体化监测方法，其特征在于，包括如下步骤：输入监测区域内的影像数据，获得赤潮浒苔遥感信息待处理数据；

分别利用赤潮遥感信息提取算法和浒苔遥感信息提取算法对所述待处理数据提取，获得赤潮/浒苔遥感信息提取结果；

基于所述赤潮浒苔遥感信息提取结果结合监测需求区域使用二值图像计算赤潮/浒苔的覆盖面积，以及利用散点抽稀方法基于赤潮浒苔遥感信息提取结果获取稀疏分散的提取信息结果数据，并进行计算分别获得赤潮/浒苔的分布面积；

对所述赤潮浒苔的覆盖面积和分布面积进行制图处理获得结果；

将制图处理后的结果输出。

2.根据权利要求1所述的基于卫星遥感影像的赤潮浒苔一体化监测方法，其特征在于，所述方法中还包括对输入监测区域内的影像数据进行几何校正获得待处理数据。

3.根据权利要求1所述的基于卫星遥感影像的赤潮浒苔一体化监测方法，其特征在于，所述方法中赤潮遥感信息提取算法采用波段比值法进行赤潮遥感信息提取。

4.根据权利要求1所述的基于卫星遥感影像的赤潮浒苔一体化监测方法，其特征在于，所述方法中浒苔遥感信息提取算法采用归一化植被指数方法和漂浮浒苔指数方法进行浒苔遥感信息提取。

5.根据权利要求1所述的基于卫星遥感影像的赤潮浒苔一体化监测方法，其特征在于，所述方法中散点抽稀方法采用基于K-均值聚类算法进行散点抽稀。

6.根据权利要求1所述的基于卫星遥感影像的赤潮浒苔一体化监测方法，其特征在于，所述方法中计算获得赤潮浒苔的分布面积包括：提取获得散点数据的分布范围面积；

对所提取的散点数据的分布范围面积经过距离分析、逻辑运算、膨胀腐蚀运算，得到赤潮浒苔的分布面积。

7.根据权利要求6所述的基于卫星遥感影像的赤潮浒苔一体化监测方法，其特征在于，所述方法采用分布轮廓线自动提取算法提取散点数据获得分布范围面积。

8.根据权利要求6所述的基于卫星遥感影像的赤潮浒苔一体化监测方法，其特征在于，所述方法中采用欧式距离方法进行距离分析。

说明书

一种基于卫星遥感影像的赤潮浒苔一体化监测方法

技术领域

[0001] 本发明属于卫星影像处理技术领域，涉及一种基于卫星遥感影像的 赤潮浒苔一体化监测方法。

背景技术

[0002] 作为近些年频繁发生的海洋生态灾害，赤潮/浒苔大面积爆发时，会严 重影响海洋环境，破坏海洋渔业和海洋生态系统平衡，生态恢复的过程也 极其漫长。因此，必须对其开展及时有效的监测，这具有重要的现实意义。 近年来，针对海洋污染监测的迫切需求，国内外相关学者先后开展了多方 面的研究，传统的海上污染监测有闭路电视、照相监视系统定点传感器监 测等，但是不适合大范围、全天候的海上污染监测。遥感监测技术是大范 围区域监测的最佳手段，能够全天候、瞬时、大范围对海面污染分布情况 进行监测。

[0003] 赤潮是海洋中某些原生动物、浮游藻类或细菌，在特定的环境条件下， 短时间爆发性繁殖、聚集而引起的海洋水体变色的一种有害生态异常现象。 浒苔亦称“苔条”、“苔菜”。绿藻纲，石莼科。藻体鲜绿色，由单层细胞组 成，围成管状或粘连为带状。管状膜质，丛生，主枝明显，分枝细长，藻 体直立，高可达1米。基部以固着器附着在岩石上，生长在中潮带滩涂， 石砾上。

[0004] 在目前常规的海洋污染遥感监测业务中，其数据处理与信息提取通过 专业的遥感软件实现；GIS作为赤潮/浒苔空间数据处理的必要手段，可以 实现赤潮/浒苔分布信息的提取与业务产品的制作，其功能实现同样依赖于 专业的GIS软件。由于遥感监测、空间数据处理等操作需要分别通过商业 的遥感与GIS软件实现，目前尚无完全针对赤潮/浒苔监测业务的一体化 监测方法，导致了整个处理过程繁琐，需要大量的人工交互操作，导致监 测标准主观性较强，出错率高，处理时间长，执行效率总体较低。

[0005] 开展快速有效的海洋污染监测，及时规范地发布海洋污染监测信息 对污染处理以及海洋生态环境恢复都有重要的意义。因此，开展海洋污 染监测业务化应急监测技术研究，提出基于卫星遥感影像的赤潮浒苔监 测方法实现业务一体化，实现赤潮/浒苔空间分布信息遥感提取算法和 监测产品自动制作，以便更好地对海洋污染事故应急处置及防灾减灾提 供辅助支持。

发明内容

[0006] 发明所要解决的课题是，克服现有赤潮浒苔监测无法满足大面积监 测且处理主观性强、过程繁琐的不足。

[0007] 用于解决课题的技术手段是，本发明提出一种基于卫星遥感影像的 赤潮浒苔一体化监测方法，考虑处理图像的普遍适用性和我国近海区域 赤潮浒苔信息提取的效果，提升监测效果。

[0008] 本发明提出的一种基于卫星遥感影像的赤潮浒苔一体化监测方法， 包括如下步骤：

[0009] 输入监测区域内的影像数据，获得赤潮浒苔遥感信息待处理数据；

[0010] 分别利用赤潮遥感信息提取算法和浒苔遥感信息提取算法对所述 待处理数据提取，获得赤潮/浒苔遥感信息提取结果；

[0011] 基于所述赤潮浒苔遥感信息提取结果结合监测需求区域使用二值 图像计算赤潮/浒苔的覆盖面积，以及利用散点抽稀方法基于赤潮浒苔 遥感信息提取结果获取稀疏分散的提取信息结果数据，并进行计算分别 获得赤潮/浒苔的分布面积；

[0012] 对所述赤潮浒苔的覆盖面积和分布面积进行制图处理获得结果；

[0013] 将制图处理后的结果输出。

[0014] 进一步地，作为本发明的一种优选技术方案，所述方法中还包括对 输入监测区域内的影像数据进行几何校正获得待处理数据。

[0015] 进一步地，作为本发明的一种优选技术方案，所述方法中赤潮遥感 信息提取算法采用波段比值法进行赤潮遥感信息提取。

[0016] 进一步地，作为本发明的一种优选技术方案，所述方法中浒苔遥感 信息提取算法采用归一化植被指数方法和漂浮浒苔指数方法进行浒苔 遥感信息提取。

[0017] 进一步地，作为本发明的一种优选技术方案，所述方法中散点抽稀 方法采用基于K-均值聚类算法进行散点抽稀。

[0018] 进一步地，作为本发明的一种优选技术方案，所述方法中计算获得 赤潮浒苔的分布面积包括：

[0019] 提取获得散点数据的分布范围面积；

[0020] 对所提取的散点数据的分布范围面积经过距离分析、逻辑运算、膨 胀腐蚀运算，得到赤潮浒苔的分布面积。

[0021] 进一步地，作为本发明的一种优选技术方案，所述方法采用分布轮 廓线自动提取算法提取散点数据获得分布范围面积。

[0022] 进一步地，作为本发明的一种优选技术方案，所述方法中采用欧式 距离方法进行距离分析。

[0023] 发明效果是，本发明的监测方法考虑处理图像的普遍适用性和我国近 海区域赤潮浒苔信息提取的效果，方法的建立和提高体现在以下二个方面：

[0024] (1)基于我国近海赤潮、浒苔发生情况构建算法模型，提升监测效 果；

[0025] (2)形成一体化监测流程，减少人工主观参与和误判，提高监测过 程的自动化和监测结果的规范化能力。

附图说明

[0026] 图1为本发明的方法流程示意图。

[0027] 图2表示散点抽稀前数据。

[0028] 图3表示散点抽稀后数据。

[0029] 图4表示自动轮廓线提取流程。

[0030] 图5为表示浒苔分布面积的计算过程的示意图，其中(a)表示经过浒 苔遥感信息提取后的二值影像，(b)表示对二值影像做了渲染处理的结果 的图，(c)表示手动绘制感兴趣区域，(d)表示将整幅二值影像依照感 兴趣区域裁剪为小幅影像后的图，(e)表示采用欧氏距离分析中的欧式距 离方法的结果，(f)表示距离分析影像与逻辑运算成果面的叠加显示结果。

具体实施方式

[0031] 以下，基于附图针对本发明进行详细地说明。

[0032] 如图1所示，本发明提出了一种基于卫星遥感影像的赤潮浒苔一体 化监测方法，包括如下步骤：

[0033] 步骤1、输入监测区域内的影像数据，获得赤潮浒苔遥感信息待处 理数据；本方法默认输入MODIS L1B级别，优选对MODIS进行几何 校正后作为赤潮浒苔遥感信息待处理数据。

[0034] 步骤2、根据监测需求利用赤潮、浒苔在部分光谱波段与植被相似 这一特性，结合植被研究的相关原理，分别利用赤潮遥感信息提取算法 和浒苔遥感信息提取算法对所述待处理数据提取，获得赤潮浒苔遥感信 息提取结果。

[0035] 步骤2(1)、针对输入的监测区域内具有红光、近红外和短波红 外等通道的赤潮遥感影像数据，使用不同的波段比值方法实现赤潮的监 测。所述赤潮遥感信息提取算法优选采用波段比值法进行赤潮遥感信息 提取。具体过程如下：

[0036] 步骤2(1.1)赤潮水体与非赤潮水体光谱相比具有明显的吸收峰和反 射峰，这些特征在卫星遥感探测上则会表现出在相应波段的离水辐射率发 生不同程度的增强或减弱，而非赤潮水体在相应波段的变化较小。因此， 可以利用赤潮水体的这一特性作为判定赤潮是否发生的一个条件。

[0037] 步骤2(1.2)MODIS第3通道(459～479nm)遥感信息中含有赤潮 水体的吸收信息，第4通道(545～565nm)遥感信息中含有赤潮水体的反 射信息，因此，利用上述两通道反射率的比值建立如下算法用于提取海水 中赤潮水体的信息。

[0038] R4/R3＞Cr   (1)

[0039] 步骤2(1.3)，其中，R3、R4分别是MODIS第3通道和第4通道的 反射率，Cr是常数，其值的大小与发生赤潮的海区和赤潮藻种有关。上式 的比值在一定程度上表明海水表层浮游藻类的聚集程度，也是水体中叶绿 素a浓度的一种反映，它随着水体藻类细胞密度的增加而增大。因此，可 以据此提取海水中的赤潮信息。

[0040] 步骤2(1.4)利用VIIRS数据进行赤潮监测，同样可采取比值方法进 行，对应的波段为增益波段，波段号为M3*、M4*。

[0041] 步骤2(1.5)对自营养型赤潮，当赤潮发生时，海水中叶绿素a(chl a) 的含量会有不同程度的升高。利用赤潮水体的这一特性，建立判据提取海 水中的赤潮信息。由于我国的海洋赤潮大都发生在近岸，而近岸海域的海 水属于比较浑浊的二类水体，对这类水体的叶绿素a(chl a)浓度反演误 差较大。因此，我们利用一种类似于叶绿素指数方法建立如下算法，用于 提取海水中赤潮水体信息。

[0042] Lnw11/Lnw9＞Cnw   (2)

[0043] 步骤2(1.6)由于二类水体近红外波段的离水辐射率通常不为0，大 气校正的结果可能不准确，因此，在实际应用式4.2时，Lnw11和Lnw9 分别用MODIS第11和第9通道。Cnw是赤潮水体识别常数，其值的大小 与发生赤潮的海区和赤潮藻种有关。

[0044] 步骤2(1.7)处理并显示赤潮判别结果；与显示产品图像模式相同， 直属输出的结果为赤潮判断结果，而不是产品的参数图像。各参数同过 不同的阈值划分为5个等级，等级越高表明，该参数表示的区域赤潮的 可能性越大；其中主要根据叶绿素浓度的阈值进行赤潮判读，其他参数 的判读结果可靠性相对较差，特别是在图像质量不理想的情况下，尤其 应当注意。综合赤潮指数是通过三个判断结果进行相乘的判断结果。

[0045] 步骤2(2)、方法中浒苔遥感信息提取算法采用归一化植被指数 方法和漂浮浒苔指数方法进行浒苔遥感信息提取。

[0046] 所述采用归一化植被指数方法过程如下：

[0047] (1)MODIS-NDVI及观测海面浒苔存在的问题由于浒苔在海面上往 往聚集密度比较高，这种大量聚集浒苔的水体在近红外波段也具有与植被 光谱曲线特征相类似的“陡坡效应”，而且有浒苔水体与无浒苔水体的光谱 曲线特性差别很大，所以也可以利用陆地植被指数NDVI的算法来监测海 洋中浒苔的分布信息。本节使用的数据是MODIS L1B数据，因为海面漂 浮浒苔在近红外波段的强反射特性，传感器接收的光学信号中浒苔信息占 主导，大气的贡献比例较小，所以没有进行大气校正。

[0048] (2)MODIS的归一化植被指数NDVI值定义为：

[0049] NDVI＝(CH2-CH1)/(CH2+CH1)

[0050] (3)其中，CH1为MODIS第一通道反射率，CH2为MODIS第二通 道反射率。在这里，NDVI指数定义为MODIS的近红外波段(859nm)与 红光波段(645nm)数值之差与这两个波段数值之和的比值。两者的差反 映了植被的覆盖度，两者差与和的比值能够消除部分大气影响。

[0051] (4)对于VIRRS而言，对应的波段为I1和I2，同样可计算出NDVI 指数，进而监测浒苔。

[0052] (5)对于AVHRR数据而言，对应的为第一通道和第二通道，计 算NDVI，进而实现AVHRR数据的浒苔监测。

[0053] 所述漂浮浒苔指数方法进行浒苔遥感信息提取，过程如下：

[0054] (1)FAI指数是以红光波段和短波红外波段做基线，近红外波段与基 线垂向交点的差值，采用该方法做浒苔遥感监测，公式定义为：

[0055]

[0056] (2)对于MODIS传感器而言，λRED＝645nm，λNIR＝859nm，λSWIR＝1240nm； SWIRλ＝1240nm，R分别代表相应波段的反射率。

[0057] 步骤3、基于所述赤潮浒苔遥感信息提取结果结合监测需求区域使 用二值图像计算赤潮浒苔的覆盖面积，作为监测结果制图输出的要素之 一。

[0058] 步骤4、提取出较多赤潮、浒苔信息点导致专题图展示效果不佳， 利用散点抽稀方法提取赤潮浒苔遥感信息提取结果获取散点数据，并进 行计算获得赤潮浒苔的分布面积。

[0059] 本发明中优选采用基于K-均值聚类算法的散点抽稀方式进行处理。 具体过程如下：

[0060] (1)基于遥感监测手段提取赤潮、浒苔的覆盖分布信息，为以后的 空间分析和科学计算提供原始数据和评估依据，受分辨率、图幅范围等因 素的限制，赤潮、浒苔的散点分布往往展现出部分区域相对于其他区域显 得更加稠密；

[0061] (2)提取的赤潮、浒苔监测信息同时作为赤潮、浒苔漂移预测初始 数据，根据数值模拟的需求，对赤潮、浒苔监测数据进行了稀疏化处理， 基于K均值的稀疏算法，实现了对过于稠密的散点分布区域进行抽稀；

[0062] (3)K均值聚类算法假设有n个对象需要分成k类；

[0063] (4)首先随机地选择k个对象代表k个类，每个对象作为一个类的 原型，根据距离原型最近的原则将其他对象分配到各个类中；

[0064] (5)在完成首次对象分配之后，以每个类所有对象的平均值作为该 类的原型，法代进行对象的再分配，直到没有变化为止，从而得到最终的 k个类；

[0065] (6)使用K-均值聚类算法对赤潮/浒苔散点数据进行抽稀，针对多种 渠道获取得到的散点数据的稀疏情况的差异设置不同的抽稀参数，依据参 数对散点数据分别进行抽稀，最终合并为一个文件，散点抽稀前数据见图 2，散点抽稀后数据见图3。

[0066] 所述方法中，所述方法中计算获得赤潮浒苔的分布面积包括：提取 获得散点数据的分布范围面积；对所提取的散点数据的分布范围面积经 过距离分析、逻辑运算、膨胀腐蚀运算，得到赤潮浒苔的分布面积，方 法适用于赤潮、浒苔分布面积获取。以浒苔监测为例，具体如下：

[0067] (1)采用分布轮廓线自动提取算法为了提取赤潮、浒苔分布范围面 积，经过距离分析、逻辑运算、膨胀腐蚀运算，所提取的轮廓线效果达到 了人工操作水平，可有效获取赤潮、浒苔的分布面积，自动轮廓线提取流 程见图4。经过浒苔遥感信息提取后的二值影像如图5(a)所示，其中白 色区域代表浒苔区域；

[0068] (2)为突出浒苔信息，对二值影像做了渲染处理，将浒苔区域渲染 为绿色，非浒苔区域渲染为浅灰蓝色，见图5(b)；

[0069] (3)不同用户对象的感兴趣区域不同，如青岛地方海洋部门仅关注 青岛近海区域，因此统计信息只需要一小部分，手动绘制感兴趣区域见图 5(c)，该区域基本包含了所有的浒苔分布区域；

[0070] (4)一体化流程中为提高业务执行效率，排除非关心区域的影响， 根据感兴趣区进行自动裁剪，将整幅二值影像依照感兴趣区域裁剪为小幅 影像，见图5(d)；

[0071] (5)基于裁剪后的影像进行距离分析，采用欧氏距离分析中的欧式 距离方法，结果见图5(e)，灰色区域为限制最大距离后分析的结果；

[0072] (6)对于距离分析后的影像，采用逻辑运算的方式将之转换为矢量 面区域，如图5(f)中距离分析影像与逻辑运算成果面的叠加显示，对于 逻辑运算的成果矢量面，采用内收与简化的方式，简化矢量面；

[0073] (7)最后，进行浒苔二值影像分析，获得精确的浒苔分布范围和面 积。

[0074] 所述赤潮的分布范围和面积过程如理如上述。

[0075] 步骤5、对所述赤潮浒苔的覆盖面积和分布面积进行数据渲染和编 辑处理获得结果。

[0076] 步骤6、将数据处理后的结果输出。整合业务需求进一步将数据结 果制作为信息快报输出给业务部门。结果可以获得综合分布图、遥感影 像图、遥感解译图。

[0077] 综上，本发明考虑处理图像的普遍适用性和我国近海区域赤潮浒苔 信息提取的效果，形成一体化监测流程，减少人工主观参与和误判，提 高监测过程的自动化和监测结果的规范化能力。

[0078] 需要说明的是，以上说明仅是本发明的优选实施方式，应当理解， 对于本领域技术人员来说，在不脱离本发明技术构思的前提下还可以做 出若干改变和改进，这些都包括在本发明的保护范围内。