(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 202111261071.3 (22)申请日 2021.10.28 (71)申请人 南京信息 工程大学 地址 224002 江苏省盐城市 盐南高新区新 河街道文港南路10 5号 (72)发明人 谢涛　孔瑞瑶　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 代理人 罗运红 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 5/50(2006.01) G06V 10/774(2022.01) (54)发明名称 一种用于多光谱遥感水深反演方法 (57)摘要 本发明提供了一种基于深度学习的遥感图 像融合的水深反演方法， 该方法包括以下步骤： S1、 分别对研究区域的多 光谱和全色遥感影像进 行预处理； S2、 对于处理后的影像进行图像融合， 进而得到研究区域的反射率数据； S3、 获取实测 的水深数据， 并对数据进行预处理， 根据经纬度 位置信息， 将水深数据与反射率数据一一对应； S4、 建立传统的水深反演模型， 利用所述传统反 演模型得到整个研究区域的水深数据； S5、 基于 深度学习建立RNN、 LSTM以及GRU模型， 进行水深 反演； S6、 利用部分样本点来验证对比传统水深 模型以及RNN、 LSTM和 GRU模型的反演结果， 随后 输出所述深度学习模型得到的水深值。 权利要求书1页 说明书4页 附图2页 CN 114117886 A 2022.03.01 CN 114117886 A 1.一种基于深度学习的遥感图像融合的水深反演方法， 其特征在于， 该方法包括以下 步骤： S1、 对研究区域的多光谱和全色波段的遥感影 像进行预处理， 辐射定标及大气校正； S2、 对预处理后的多光谱和全色波段的影像进行图像融合， 得到具有高分辨率的多光 谱影像； S3、 获取研究区域的实测的水深数据， 在ArcGIS中多值提取至点， 将样本点的实测水深 数据与各个波段的辐射亮度值数据一 一对应， 生成格式化的数据集； S4、 基于深度学习建立RNN、 LSTM以及GRU模型， 将各个波段的辐射亮度值作为输入， 水 深数据作为输出， 对 模型进行训练， 得到误差最小的模型作为 最优的水深反演模型； S5、 重新采集待研究区域的水深数据， 在ArcGIS中， 采用多值提取至点的操作， 将样本 点的实测水深数据与各个波段的辐 射亮度值数据一一对应， 生成格式化的数据集， 将各个 波段的辐射亮度值输入到步骤S4中得到最优的水深反演模型， 并绘制最优的水深反演模型 得到的水深反演值与实测值分布散点图。 2.根据权利要求1所述的一种基于深度学习的遥感图像融合的水深反演方法， 其特征 在于， 所述步骤S1 中， 遥感影像进 行预处理方法为： 对多光谱遥感影像和全色波段进 行辐射 定标， 将记录的原始灰度值DN转换成大气顶部的光谱辐 射亮度值； 对辐射定标后的多光谱 影像采用FLAS SH方法进行 大气校正消除大气散射、 吸 收、 反射引起的误差 。 3.根据权利要求1所述的一种基于深度学习的遥感图像融合的水深反演方法， 其特征 在于， 所述步骤S2中， 图像融合为采用Gram ‑Schmidt方法， 将低分辨率的多光谱影像与高分 辨率的单波段全色影 像融合生成高分辨 率多光谱遥感影 像。 4.根据权利要求1所述的一种基于深度学习的遥感图像融合的水深反演方法， 其特征 在于， 所述步骤S3中， 获取研 究区域的实测的水深数据， 导入ArcGIS， 并利用多值提取至点 的操作， 将 样本点的实测水深数据与辐射亮度数据一 一对应， 生成格式化的数据集。 5.根据权利要求1所述的一种基于深度学习的遥感图像融合的水深反演方法， 其特征 在于， 所述步骤S5中， 基于深度学习建立RNN、 LSTM以及GRU模型， 对模 型进行训练： 将S3中制 作的数据集作为深度学习训练过程的输入， 数据集中包括了样本点的经纬度坐标、 水深值、 各个波段的辐射亮度值， 在输入数据前对数据进行归一化处理， 随机将90％的数据作为为 训练集和10％的数据作为测试集， 波段的辐 射亮度值作为输入层， 实测水深数据作为输出 层， 利用训练集进 行训练， 设置网络层， 每层网络的单元个数， 每次输入网络的批训练个数， 学习率的超参数， 正向传播后， 计算损失函数， 再进行反向传播， 更新参数， 再重复上述操 作， 多次试验， 不断调整参数， 得到各个模型的最终训练模型。权　利　要　求　书 1/1 页 2 CN 114117886 A 2一种用于多光谱遥感 水深反演方法 技术领域 [0001]本发明涉及一种用于多光谱遥感水深反演方法， 属于光学遥感领域。 背景技术 [0002]水深是海洋领域的重要参数之一， 是进行各种海洋活动的基础， 具有重要的意义。 获取实测数据常用的手段有单波束、 多波束等， 定位精度和水深测量精度较高， 但是需要较 大的人力、 物力， 并且在浅海区及难以到达的区域无法作业， 对于海况要求较高。 随着遥感 技术的快速发展， 基于遥感手段的水深反演， 可以全天不间断监测， 不受时间气候条件制 约， 效率较高。 在多年的卫星遥感技术发展中， 国内外学者在水深反演中做了大量的研究工 作， 推导出了Stumpf模型、 单波段、 双波段线性回归 模型等反演模型。 [0003]传统的光学遥感水深反演模型已经趋近于成熟状态， 基本可以分为基于回归模型 和浅层机器学习的水深反演。 但深度学习在水深反演 中的应用较少， 深度学习是一种基于 人工神经网络技术的多层神经网络模型， 具备优秀的非线性拟合能力以及良好的泛化能 力。 将深度学习模型运用于水深反演将有助于提高水深反演的精度和效率， 具有广阔的应 用前景。 发明内容 [0004]发明目的： 本发明提供了一种基于深度学习的遥感图像融合的水深反演方法， 针 对目前水深反演模型精度和效率较低的问题。 [0005]技术方案： 本发明提供了一种基于深度学习的遥感图像融合的水深反演方法， 包 括以下步骤： [0006]S1、 对研究区域的多光谱和全色波段的遥感影像进行预处理， 辐射定标及大气校 正； [0007]S2、 对预处理后的多光谱和全色波段的影像进行图像融合， 得到具有高分辨率的 多光谱影 像； [0008]S3、 获取实测的水深数据， 在ArcGIS中多值提取至点， 将样本点的实测水深数据与 各个波段的辐射亮度值数据一 一对应， 生成格式化的数据集； [0009]S4、 基于深度学习建立RNN、 LSTM以及GRU模型， 将各个波段的辐射亮度值作为输入 层， 水深数据作为输出， 对 模型进行训练， 得到最优的水深反演模型； [0010]S5、 重新采集待研究区域的水深数据， 在ArcGIS中， 采用多值提取至点的操作， 将 样本点的实测水深数据与各个波段的辐 射亮度值数据一一对应， 生成格式化的数据集， 将 各个波段的辐射亮度值输入到步骤S4得到最优的水深反演模 型， 并绘制最优的水深反演模 型得到的水深反演值与实测值分布散点图。 [0011]进一步地， 所述步骤S1中， 图像预处理过程为： 对多光谱遥感影像和全色波段进行 辐射定标， 将记录的原始灰度值DN转换成大气顶部的光谱辐射亮度值； 对辐 射定标后的多 光谱影像采用FLAS SH方法进行 大气校正除大气散射、 吸 收、 反射引起的误差 。说　明　书 1/4 页 3 CN 114117886 A 3