申请/专利权人：中国石油大学(华东)

申请日：2021-11-01

公开（公告）日：2024-05-10

公开（公告）号：CN114022782B

主分类号：G06V20/13

分类号：G06V20/13;G06V10/26;G06V10/44;G06V10/56;G06V10/764;G06V10/774

优先权：

专利状态码：有效-授权

法律状态：2024.05.10#授权;2022.02.25#实质审查的生效;2022.02.08#公开

摘要：本发明提供了一种基于MODIS卫星数据的海雾探测方法，涉及海洋环境监测技术领域，基本步骤为：对MODIS卫星数据预处理并进行特征提取；结合CALIOPVFM卫星数据进行地物样本选取，构建地物样本集并将其划分为训练集及测试集；以节点熵的信息增益率作为节点分裂的杂质判据，并对典型相关森林中每颗典型相关树赋予权值，利用训练集进行训练得到改进典型相关森林模型；在后测试时对每颗典型相关树权值进行调整更新，得到不断优化的改进典型相关森林模型；利用模型对卫星图像进行识别得到海雾识别结果。本发明将集成学习与卫星遥感结合，利用云雾特征训练各典型相关树，得到更具有泛化能力的海雾识别模型，具有泛化性好、鲁棒性强、精度高及自动化程度高等优点。

主权项：1.一种基于MODIS卫星数据的海雾探测方法，其特征在于，包括以下步骤：1对MODIS卫星数据进行辐射校正、太阳天顶角矫正、亮温计算、几何校正以及影像裁剪与拼接预处理操作，得到Tiff格式海域数据；2对所得到的海域数据提取1,2,3,4,5,7,17,18,19,20,26,29,31,32,35波段作为输入特征；3构建地物样本集，根据目视解译并结合CALIOPVFM卫星数据进行地物样本选取，样本标签划分为中高云、低云、海雾及海表四类；按照4:1的比例将样本集随机分为训练集及测试集，其中，训练集包括用于训练典型相关森林模型的模型训练集以及用于计算权重信息的权重训练集；4按照7:3的比例将训练集样本随机分为模型训练集与权重训练集；将模型训练集数据作为输入数据训练典型相关树模型，训练完成后利用权重训练集计算并得到每棵典型相关树的权重，得到改进典型相关森林模型；所述改进典型相关森林的具体训练过程包括以下步骤：4.1对模型训练样本集进行Bootstrap抽样，形成多个子训练集；4.2利用典型相关分析对子训练集数据特征与标签间关系进行分析，得到典型相关系数及投影特征空间，并将子训练集原始数据特征投影至投影空间；令输入子样本集的训练数据集为X，标签数据集为Y，样本类别数为K，训练样本数为n，由于样本标签Y是非数字标签，需先将其转换成形如{1,2,......，K}的数字标签，yik＝1表样本i属于第k类，i＝{1,2,L,n}，k＝{1,2,L,K}；典型相关分析公式表示为： 式中，Cxx是特征数据集X的协方差阵，Cyy是标签数据集y的协方差阵，Cxy是数据集X与y的协方差阵，λ为典型相关系数，Wx、Wy对应于和y的投影矩阵，通过对上式求解广义特征值问题即可得到转换后的特征数据集投影矩阵Wx，样本标签集投影矩阵Wy则由等式求得；4.3在投影特征空间内从可能的候选集合中使用穷尽搜索选择最佳分割，以完成超平面分裂；4.4对每棵典型相关树模型进行独立训练生成单棵典型相关树，初始化典型相关树权重为其中为第i棵典型相关树的初始权重，T为典型相关森林中树总量，对所有典型相关树进行集成得到典型相关森林；4.5输入权重训练集进行预测，利用后验概率得到每棵树的权重，将低于12权重平均值的典型相关树赋值为0，并对其余树重新进行权重赋值，以减少树的数量，权重计算公式如下： 式中，pi为第i棵典型相关树的错误率，即后验概率，errori为第i棵树分类错误的样本数量，N为权重训练集样本总量，wi为第i棵典型相关树的权值；4.6对每棵树的结果进行加权投票，获得分类结果： 式中，tix为第i棵典型相关树对测试样本x的分类结果，c为K个类别中的某类别，表示取权重总和最大值其对应的类别，Rx为测试样本x加权投票后的最终分类结果；5利用测试集对模型进行精度验证并对每棵典型相关树的权值进行重新调整；6将待识别卫星影像进行预处理后输入，利用改进典型相关森林模型进行识别并输出海雾识别图像，二值化处理后得到海雾识别二值图像。

全文数据：

权利要求：

百度查询： 中国石油大学(华东) 一种基于MODIS卫星数据的海雾探测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD