基于神经网络模型的极地海冰融池提取方法

摘要

本发明涉及基于神经网络模型的极地海冰融池提取方法，属于遥感信息全自动提取方法领域。考虑MODIS表面反射率数据包含了不同类型地表光谱组合的特点，根据极地地区冰雪、水体、融池三者光谱响应曲线的差异，结合混合像元分解原理建立各波段反射率与三者所占比例之间的多元线性方程组，并增加对方程组解的约束条件。利用神经网络方法优化并快速解算此线性方程组，得到各像元内冰雪、水体、融池所占比例。融池区域是相对于除水体外的海冰表面而言的，因此进一步提取出相对的融池覆盖比例，实现对极地地区海冰融池范围的全自动提取。

主权项

一种基于神经网络模型的极地海冰融池提取方法，其步骤包括：第一步、将MODIS表面反射率产品MOD09A1由正弦投影转换为极地方位投影；第二步、结合MOD09A1产品中的陆地掩膜和云掩膜数据，提取目标区域的图像，并选取λ₁、λ₂、λ₃波段的表面反射率数据；第三步、根据冰雪、水体和融池的光谱响应曲线，得到三者分别在λ₁、λ₂、λ₃波段的标准光谱反射率值：在λ₁波段：冰雪的光谱反射率r_i(λ₁)＝0.95，水体的光谱反射率r_w(λ₁)＝0.08，融池的光谱反射率r_m(λ₁)＝0.16；在λ₂波段：冰雪的光谱反射率r_i(λ₂)＝0.87，水体的光谱反射率r_w(λ₂)＝0.08，融池的光谱反射率r_m(λ₂)＝0.07；在λ₃波段：冰雪的光谱反射率r_i(λ₃)＝0.95，水体的光谱反射率r_w(λ₃)＝0.08，融池的光谱反射率r_m(λ₃)＝0.22；第四步、对图像中的每个像元，根据其中冰雪、水体和融池所占比例S_i、S_w、S_,与三者光谱反射率的关系，建立多元线性方程组；S_i*r_i(λ₁)+S_w*r_w(λ₁)+S_m*r_m(λ₁)＝R(λ₁)S_i*r_i(λ₂)+S_w*r_w(λ₂)+S_m*r_m(λ₂)＝R(λ₂)S_i*r_i(λ₃)+S_w*r_w(λ₃)+S_m*r_m(λ₃)＝R(λ₃)S_i+S_w+S_m＝1式中，R(λ₁)、R(λ₂)、R(λ₃)分别是像元在λ₁、λ₂、λ₃波段的反射率值；第五步、从图像中选取5％‑10％数量的像元，以作为人工神经网络的训练样本，利用选取的像元直接求解带约束条件的方程组，获得的解为每个像元内冰雪、水体和融池所占比例，作为人工神经网络的训练样本集；第六步、构建神经网络模型，输入层为MODIS反射率数据的λ₁、λ₂、λ₃波段；输出层为冰雪、水体和融池所占比例的图像；第七步、运行神经网络模型,快速优化求解方程组，获得结果为冰雪、水体和融池分别在像元内所占的比例S_i、S_w、S_m；第八步、通过公式S_m*(1‑S_w)，计算得到目标区图像内的融池覆盖相对比例，根据融池覆盖相对比例绘制获得目标区融池范围分布图。