(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111670094.X (22)申请日 2021.12.31 (71)申请人 厦门大学 地址 361005 福建省厦门市思明区思明南 路422号 (72)发明人 赖文典　李忠平　王俊帏　汪永超　 林供　 (74)专利代理 机构 厦门南强之 路专利事务所 (普通合伙) 35200 代理人 马应森 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/10(2006.01) G06K 9/62(2022.01) G06N 3/08(2006.01)G01B 11/22(2006.01) (54)发明名称 一种基于神经网络的光学浅水水底深度的 反演方法 (57)摘要 一种基于神经网络的光学浅水水底深度的 反演方法， 涉及地球物理勘探。 包括以下步骤： 1) 对光学影像的原始数据进行气体吸收校正和瑞 利校正获得瑞利校正后反射率； 2)计算光学影像 中每个像元的云反照度， 将其作为参考， 使用阈 值法对步骤1)获得的反射率进行云像元掩膜； 3) 根据已知水体类型， 将遥感获得的影像数据中每 个像元对应的水体分为光学深水区域和光学浅 水区域； 4)构建水深数据集； 5)建立一个多层感 知神经网络模型， 以步骤4)中覆 盖广泛的水深数 据集对模型进行神经网络训练， 获取光学浅水水 深信号， 预测水深。 权利要求书2页 说明书6页 附图3页 CN 114297938 A 2022.04.08 CN 114297938 A 1.一种基于神经网络的光学浅水 水底深度的反演方法， 其特 征在于包括以下步骤： 1)对光学影 像的原始数据进行气体吸 收校正和瑞利校正获得瑞利校正后反射 率； 2)计算光学影像中每个像元的云反照度， 将其作为参考， 使用阈值法对步骤1)获得的 反射率进行云像元掩膜； 3)根据已知水体类型， 将遥感获得的影像数据中每个像元对应的水体分为光学深水区 域和光学浅水区域； 4)构建水深数据集； 5)建立一个多层感知神经网络模型， 以步骤4)中覆盖广泛的水深数据集对模型进行神 经网络训练， 获取光学浅水 水深信号， 预测水深。 2.如权利要求1所述一种基于神经网络的光学浅水水底深度的反演方法， 其特征在于 在步骤1)中， 所述对光学影 像的原始数据进行气体吸 收校正和瑞利校正的具体步骤为： 卫星传感器在大气层顶 观测到的反射 率ρt表示为： ρt( λ )＝tg[ρr( λ )+ρaer( λ )+ρra( λ )+T( λ )ρg+tstvπ Rrs( λ )]          (1) 式中， λ是波长， tg是大气中气体的透射率， ρr代表气溶胶不存在时多重分子散射导致的 瑞利反射率， ρaer代表空气分子 不存在时多 重散射造成的气溶胶反射率， ρra代表由空气分子 和气溶胶 耦合引起的信号， T 是直接透射率， ρg代表太阳耀斑导致的散射信号， ts与tv分别是 太阳到水面和水面到传感器的大气透 射率， Rrs是由海水光学性质及水底信号决定的遥感反 射率； 公式(1)中的大气中气体的透射率tg是已知量， 并且ρr与ρg是可以精准计算的量， 遥感 中的大气校正就是准确 估算ts、 tv、 ρaer和ρra进而获得Rrs； 为了避免错误的估算， 将这4项保 留， 只对ρt进行瑞利校正获得瑞利校正后的反射 率ρrc， 具体表示 为： 将会影响水体信号的瑞利反射率信号和太阳耀斑导致的散射信号精确计算并去除的 步骤被称为瑞利校正， 其对地域没有任何依赖性； 而ts、 tv、 ρaer和ρra这四个也会影响水体信 号的大气参数， 会因地域和大气条件变化， 因此估算不准的大气参数会导致校正失败从而 没有有效数据或低质量数据的情况。 3.如权利要求1所述一种基于神经网络的光学浅水水底深度的反演方法， 其特征在于 在步骤2)中， 所述计算 光学影像中每个像元的云反照度cl oud albedo， 具体表示 为： 式中， Lt(865)是865nm大气层顶辐亮度， Lr是瑞利辐射， F0是地外太阳辐照度， θs是太阳 天顶角， toz是臭氧透射率。 4.如权利要求1所述一种基于神经网络的光学浅水水底深度的反演方法， 其特征在于 在步骤2)中， 所述使用阈值法对步骤1)获得的反射率进行云像元掩膜的具体方法为： 当影 像像元中云量覆盖较厚时， 大部分的光被 云反射， 导致cloud  albedo增高； 根据光学卫星特 性设置一个阈值， 将cl oud albedo高于阈值的像元剔除， 以避免云对数据的影响。 5.如权利要求1所述一种基于神经网络的光学浅水水底深度的反演方法， 其特征在于 在步骤3)中， 所述光学深水区域和光学浅水区域主要 是通过太阳光是否能到达水底进行判权　利　要　求　书 1/2 页 2 CN 114297938 A 2断； 光学深水区域通常包括自然光无法到达水底的深水水体与自然光无法穿过的浑浊浅水 水体， 反之为光学浅水区域。 6.如权利要求1所述一种基于神经网络的光学浅水水底深度的反演方法， 其特征在于 在步骤4)中， 所述构建水深数据集是将步骤3)中光学浅水区域水体类型的瑞利校正后反射 率与其像元内真实的水深匹配组成水深数据集； 选择全球比较有代表性的浅水水体匹配不 同季节、 不同底质与不同大气条件下的ρrc和水深， 以提升数据的覆盖范围； 若实测水深数据 的时间和卫星 数据时间若不一致， 则需要通过调和分析将实测水深数据的潮汐高度校正到 卫星数据观测时间下对应的潮汐高度； 实测测量水深的空间分辨率通常要远高于高分辨率 卫星影像， 因此当一个卫星影像像元中有多个水深点像元时， 使用公式(4)计算卫星影像像 元水深： 式中， Hpix为卫星影像像元水深， n为像元内实测水深点， Hi为每个实测水深点的水深。 7.如权利要求1所述一种基于神经网络的光学浅水水底深度的反演方法， 其特征在于 在步骤5)中， 所述建立一个多层感知神经网络(MLP)模 型， 以步骤4)中覆盖广泛的水深数据 集对模型进行训练， 输入为ρrc， 输出为水深； 通过不同类型的数据对神经网络训练， 使得神 经网络能在 任何大气条件下获取光学浅水水深信号， 也就是利用神经网络自主 学习步骤1) 中各季节、 大气条件下会影响水体信号的两个大气参数来替代传统水色遥感的大气校正步 骤， 结合不同的底质信息， 进 而更好地预测水深。权　利　要　求　书 2/2 页 3 CN 114297938 A 3