申请/专利权人：南方海洋科学与工程广东省实验室(广州);汕头大学

申请日：2022-05-13

公开（公告）日：2024-06-28

公开（公告）号：CN114943696B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/62;G06V10/774;G06V10/82;G06N3/0442

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.09.13#实质审查的生效;2022.08.26#公开

摘要：本发明涉及海洋环境监测技术领域，具体涉及一种基于遥感影像的海洋环境变化监测方法、装置及介质，方法包括：获取海洋遥感影像数据，对海洋遥感影像数据进行预处理，得到遥感图像；基于所述遥感图像确定对应时刻的水体指数；从而得出当天的水体指数；通过将所述水体指数输入基于LSTM神经网络训练得到的时间序列模型，进行随监测时间变化的海洋环境序列分析，得到反映海洋环境变化的水体指数序列；本发明能够对每天的海洋环境变化进行准确预测。

主权项：1.一种基于遥感影像的海洋环境变化监测方法，其特征在于，所述方法包括以下步骤：获取海洋遥感影像数据，对海洋遥感影像数据进行预处理，得到遥感图像；基于所述遥感图像确定对应时刻的水体指数；将所述水体指数输入时间序列模型，进行随监测时间变化的海洋环境序列分析，得到反映海洋环境变化的水体指数序列；其中，所述时间序列模型基于LSTM神经网络训练得到；所述时间序列模型通过以下方式训练得到：确定用于训练LSTM神经网络的样本序列；按时间间隔提取将样本序列中的样本，得到第一数据集、第二数据集和第三数据集；其中，所述第一数据集、第二数据集和第三数据集的时间间隔依次递减，所述第一数据集、第二数据集和第三数据集的训练时间窗口、预测时间窗口和步长依次递增，所述第二数据集和第三数据集具有相同数量的样本；利用第一数据集对预先建立LSTM神经网络进行训练，得到第一LSTM模型；将第二数据集输入第一LSTM模型，得到第二数据集中所有预测时间窗口的预测值，根据第二数据集中所有预测时间窗口的预测值与真实值计算得到均方误差，得到N个预测时间窗口大小的第一误差矩阵；将第三数据集输入第一LSTM模型，得到第三数据集中所有预测时间窗口的预测值，对第三数据集的每一个预测时间窗口进行推理，对每次推理的预测时间窗口预测值与真实值进行计算得到均方误差，得到N个预测时间窗口大小的第二误差矩阵；分别计算N个第一误差矩阵与第二误差矩阵的方差，如果方差小于置信区间阈值，则将第一LSTM模型作为时间序列模型；利用第二数据集和第三数据集对第一LSTM模型进行训练，得到第二LSTM模型，将第二LSTM模型作为时间序列模型；所述确定用于训练LSTM神经网络的样本序列，包括：获取过去第一时间段中每个时间节点的水体指数；将所述水体指数按时间节点进行排序，得到时间序列；其中，所述时间序列中的序列值即为该时间节点对应的水体指数；确定所述时间序列的各个序列值是否在阈值范围内，将所述时间序列中超过阈值范围的序列值判定为异常；将判定为异常的序列值修改为与该异常的序列值相邻的两个序列值的算术平均值，得到用于训练LSTM神经网络的样本序列。

全文数据：

权利要求：

百度查询： 南方海洋科学与工程广东省实验室(广州);汕头大学 基于遥感影像的海洋环境变化监测方法、装置及介质

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