一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115984713A(43)申请公布日2023.04.18(21)申请号202310046610.4(22)申请日2023.01.31(71)申请人国家卫星气象中心（国家空间天气监测预警中心）地址100081北京市海淀区中关村南大街(72)发明人宋晚郊韩秀珍孙凌(74)专利代理机构北京兴智翔达知识产权代理有限公司11768专利代理师张显益(51)Int.Cl.G06V20/13(2022.01)G06V20/10(2022.01)G06V10/44(2022.01)权利要求书2页说明书8页附图3页(54)发明名称一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法(57)摘要本申请提供了一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，包括步骤：对遥感监测的相应空间和时态的原始图像数据进行预处理，识别并标记缺值像元和非缺值像元，进行异常值检验以识别标记异常像元；采用滤波算法，对原始图像中异常像元的数据进行替换；对预处理的原始图像数据用数据经验正交函数分解方法进行重构处理；对重构图像的数据进行异常值检验以识别标记异常像元，采用滤波算法对重构图像中异常像元的数据进行替换；对重构图像数据进行再处理，以获得空间和时态完整的叶绿素a浓度数据。该方法可将叶绿素a浓度的卫星遥感观测值进行数据补缺、重构，实现对全球叶绿素a浓度在时间和空间域上连续覆盖监测。CN115984713ACN115984713A权利要求书1/2页1.一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，其特征在于，包括步骤：S1、对遥感监测的相应空间和时态的原始图像数据进行预处理，识别并标记缺值像元和非缺值像元，进行异常值检验以识别标记异常像元；S2、采用滤波算法，对原始图像中异常像元的数据进行替换；S3、对预处理的原始图像数据用数据经验正交函数分解方法进行重构处理；S4、对重构图像数据进行异常值检验以识别标记异常像元，采用滤波算法对重构图像中异常像元的数据进行替换；S5、对重构图像数据进行再处理，以获得空间和时态完整的叶绿素a浓度数据。2.如权利要求1所述的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，其特征在于，所述步骤S2中采用中值滤波算法，包括步骤：T1、对异常像元设定数据参考范围；T2、计算参考范围内非缺值像元的中位数Pm、非缺值像元的标准差Pn、非缺值像元的权重wm、缺值像元的权重wn；T3、以Pf对该异常像元进行替换，其中：Pf＝wnPn+wmPm；wn+wm＝1。3.如权利要求2所述的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，其特征在于，所述步骤T1中异常像元的数据参考范围为异常像元周围的8个像元。4.如权利要求3所述的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，其特征在于，所述步骤S2中异常像元包括对原始图像通过边缘检测方法识别标记的云覆盖边缘位置。5.如权利要求1‑4任一项所述的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，其特征在于，所述S3中数据经验正交函数分解方法包括步骤：E1、对预处理的相应空间和时态的原始图像构成的m行、n列数据矩阵X0中的有效数据计算均值得到矩阵在X中选取有效原始值构成原始交叉验证点集Xc‑v；E2、对X中缺值像元所对应的数据位置、以及X中被挑选为原始交叉验证点集Xc‑v的数据位置标记为缺失点NaN；E3、对X中标记为缺失点NaN的数据位置赋值为0，以使其初始值为无偏估计值，令特征模态参数P初值为1；E4、根据该特征模态参数P值，对矩阵X进行奇异值分解：X＝USVT，其中U为空间特征模态，S为奇异值矩阵，V为时间特征模态；E5、计算缺失点的重构值其中i，j分别为缺失点位于矩阵X的行、列位置，(ut)i为空间特征模态U的第t列中第i个元素，(vt)j为时间特征模态V的第t列中第j个元素，ρt为相对应的奇异值；E6、对原始交叉验证点集Xc‑v中原始值与其对应重构值进行精度评价；E7、重复步骤E4‑E6，分别对特征模态参数P＝2，3，…，kmax时原始交叉验证点集Xc‑v中原始值与其对应重构值进行精度评价，并获取精度评价最高时对应的特征模态参数其中kmax为最大迭代次数，kmax≤min(m，n)；2CN115984713A权利要求书2/2页E8、计算特征模态参数时矩阵X中缺失点的重构值以替换矩阵X中缺失点对应位置的数据，并对X中被挑选为原始交叉验证点集Xc‑v的数据用原始值还原，从而得到矩阵X1，计算得到原始图像数据矩阵X0的重构值6.如权利要求5所述的一种基于多源卫星遥感数据的叶绿素a浓度数据重构方法，其特征在于，步骤E6中，所述精度评价采用的指标包括相关系数CC、均方根误差RMSE、偏差Bias；其中：式中N表示原始交叉验证点集X