1.本发明展示了一种基于卫星遥感的地表水叶绿素a浓度反演方法，属于环境定量遥感技术领域。
背景技术：2.气候变化和人为活动对河流、湖泊水库等地表水环境质量产生了显著影响，其中富营养化是其中主要的环境问题之一。富营养化是由于氮磷等营养物质在水体富集，导致水体初级生产力提高，造成浮游植物(藻类)的大量爆发。富营养化在淡水中被称为水华现象，在海水中发生则称为赤潮现象。湖泊与水库是地表水富营养化关注的重点对象，其水华藻类中最常见的色素是叶绿素a，这使得叶绿素a成为了评价水体富营养化程度的核心指标之一。如何精确反演叶绿素a浓度是富营养化研究和管理调控的重要任务。
3.遥感卫星凭借着其独特的地表大幅影像获取能力，被广泛应用于湖泊、水库和海洋等大水面水质监测。为了跟踪水质变化并制定有效的管理策略来控制湖泊富营养化，需要长时间跨度的湖泊影像集。相较之于地面测量方法，遥感卫星可以连续观测湖泊水体的叶绿素a浓度，能够满足长时间序列动态监测的要求。但当前水环境遥感侧重于使用和分析影像所携带的光谱信息，使用的数据特征单一，仅通过波段的不同组合形式来反演叶绿素a等物质的浓度，对影像自身所携带的几何纹理特征尚未做深入挖掘。
技术实现要素：4.本发明所要解决的技术问题在于提供一种基于卫星遥感的地表水叶绿素a浓度反演方法，该反演方法结合了遥感影像中所包含的纹理信息。
5.解决上述技术问题，本发明采用如下技术方案：
6.一种基于卫星遥感的地表水叶绿素a浓度反演方法，包括卫星遥感器，所述反演方法步骤如下：
7.s1、获取水质数据，选取卫星遥感器中过境时间与所述水质数据的获取时间相匹配的遥感影像，并对所述遥感影像进行预处理消除所述遥感影像中的灰度值失真；
8.s2、根据所述卫星遥感器的参数和叶绿素a的光谱反射曲线，提取所述遥感影像中像素点的光谱反射率值；
9.s3、根据反演算法所包含的波段计算并生成新的灰度影像，压缩所述遥感影像的灰度等级确定矩阵阶数，选取4个移动方向并设定移动步长、、矩阵基础窗口和矩阵滑动窗口的大小，从而计算形成灰度共生矩阵；
10.s4、选取若干个纹理特征，根据所述灰度共生矩阵计算出各个方向上的纹理特征的值，并以所述4个方向的平均值作为纹理特征指标；
11.s5、根据所述光谱反射率值、所述纹理特征指标和所述水质数据中叶绿素a的浓度建立反演模型。
12.采用本发明的有益效果是：
13.本发明中从卫星遥感器中获取与所述水质数据的获取时间相匹配的遥感影像，并对所述遥感影像进行预处理以此消除其他因素导致的遥感影像灰度值失真，提高本发明的精确性，其次本发明在提取所述遥感影像中光谱信息的基础上，另外生存新的灰度影像，根据新的灰度影像计算形成灰度共生矩阵，通过所述灰度共生矩阵挖掘了所述遥感影像中所包含的纹理特征，且对各个纹理特征进行量化，使本发明所建立的模型较之仅使用光谱信息训练而成的模型性能有明显提升，另外在同量的原始数据情况下，本发明能够达到更高的精度，有利于实现地表水富营养化的精准测算。
14.作为优选，所述s1中所述过境时间为所述水质数据获取时间的
±
1天。
15.作为优选，所述s2中所述遥感影像中像素点的光谱反射率值为若干个相邻像素点的中位值。
16.作为优选，所述s3中选取的4个方向分别为0
°
、45
°
、90
°
和135
°
17.作为优选，所述纹理特征指标包括均值、方差、同质度、熵、能量、相关性和自相关性，所述纹理特征指标的计算公式如下：
18.所述均值为m，
[0019][0020]
所述方差为v，
[0021]
v＝∑i∑jp(i，j)*(i-m)2；
[0022]
所述同质度为h，
[0023][0024]
所述熵为s，
[0025]
s＝-∑i∑jp(i，j)*log(p(i，j))；
[0026]
所述能量为e，
[0027]
e＝∑i∑jp(i，j)2；
[0028]
所述相关性为c，
[0029][0030]
所述自相关性为a，
[0031]
a＝∑i∑jp(i，j)*i*j；
[0032]
其中所述i，j为所述灰度共生矩阵中索引所代表的值，所述p(i,j)为所述灰度共生矩阵中第i，j个值，所述d为矩阵的滑动窗口的宽度。
[0033]
本发明的其他特点和优点将会在下面的具体实施方式、附图中详细的揭露。
附图说明
[0034]
下面结合附图对本发明做进一步的说明：
[0035]
图1为本发明实施例中所述反演方法的流程图；
[0036]
图2为本发明实施例中多光谱卫星影像图；
[0037]
图3为本发明实施例中纹理特征指标图；
[0038]
图4为本发明实施例中两种模型反演结果对比图；
[0039]
图5为本发明实施例中两种模型反演拟合关系对比图。
具体实施方式
[0040]
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。
[0041]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
技术特征：1.一种基于卫星遥感的地表水叶绿素a浓度反演方法，包括卫星遥感器，其特征在于：所述反演方法步骤如下：s1、获取水质数据，选取卫星遥感器中过境时间与所述水质数据的获取时间相匹配的遥感影像，并对所述遥感影像进行预处理消除所述遥感影像中的灰度值失真；s2、根据所述卫星遥感器的参数和叶绿素a的光谱反射曲线，提取所述遥感影像中像素点的光谱反射率值；s3、根据反演算法所包含的波段计算并生成新的灰度影像，压缩所述遥感影像的灰度等级确定矩阵阶数，选取4个移动方向并设定移动步长、矩阵基础窗口和矩阵滑动窗口的大小，从而计算形成灰度共生矩阵；s4、选取若干个纹理特征，根据所述灰度共生矩阵计算出各个方向上的纹理特征的值，并以所述4个方向的平均值作为纹理特征指标；s5、根据所述光谱反射率值、所述纹理特征指标和所述水质数据中叶绿素a的浓度建立反演模型。2.根据权利要求1所述的一种基于卫星遥感的地表水叶绿素a浓度反演方法，其特征在于：所述s1中所述过境时间为所述水质数据获取时间的
±
1天。3.根据权利要求1所述的一种基于卫星遥感的地表水叶绿素a浓度反演方法，其特征在于：所述s2中所述遥感影像中像素点的光谱反射率值为若干个相邻像素点的中位值。4.根据权利要求1所述的一种基于卫星遥感的地表水叶绿素a浓度反演方法，其特征在于：所述s3中选取的4个方向分别为0
°
、45
°
、90
°
和135
°
。5.根据权利要求1所述的一种基于卫星遥感的地表水叶绿素a浓度反演方法，其特征在于：所述纹理特征指标包括均值、方差、同质度、熵、能量、相关性和自相关性，所述纹理特征指标的计算公式如下：所述均值为m，所述方差为v，v＝∑
i
∑
j
p(i，j)*(i-m)2；所述同质度为h，所述熵为s，s＝-z
i
∑
j
p(i，j)*log(p(i，j))；所述能量为e，e＝∑
i
∑
j
p(i，j)2；所述相关性为c，所述自相关性为a，a＝∑
i
∑
j
p(i，j)*i*j；
其中所述i，j为所述灰度共生矩阵中索引所代表的值，所述p(i，j)为所述灰度共生矩阵中第i，j个值，所述d为矩阵滑动窗口的宽度。
技术总结本发明展示了一种基于卫星遥感的地表水叶绿素a浓度反演方法，本发明从卫星遥感器中获取与所述水质数据的获取时间相匹配的遥感影像，在提取所述遥感影像中光谱信息的基础上，另外生存新的灰度影像，根据新的灰度影像计算形成灰度共生矩阵，通过所述灰度共生矩阵挖掘了所述遥感影像中所包含的纹理特征，且对各个纹理特征进行量化，使本发明所建立的模型较之仅使用光谱信息训练而成的模型性能有明显提升，另外在同量的原始数据情况下，本发明能够达到更高的精度，有利于实现地表水富营养化的精准测算。化的精准测算。化的精准测算。
技术研发人员：高伟 杨宇锋 张远 李飞龙 郭芬
受保护的技术使用者：广东工业大学
技术研发日：2022.06.08
技术公布日：2022/11/1
