融合多尺度卷积和侧窗滤波的HY-1C CZI云检测方法

海洋一号C(HY-1C)卫星是中国首颗海洋水色业务卫星,其搭载的海岸带成像仪(Coastal Zone Imager, CZI)具有大幅宽、短重访周期的优势,可实现海洋和海岸带的大面积观测。作为光学传感器,CZI受云影响严重,准确识别云是CZI数据处理的关键,但是CZI缺少红外和短波红外等对云敏感的波段,云检测难度大。针对该问题,本文提出一种融合多尺度卷积和侧窗滤波的轻量化云检测方法,该方法通过多尺度卷积获取云的不同尺度特征,通过侧窗滤波突出边缘特征,减少椒盐噪声的影响,提升云边缘检测的精度。实验结果表明,本文所提出的方法可有效进行云检测,在云边缘提取方面表现较好,F1-score达92.77%,Kappa系数达0.89,与现有云检测方法相比优势明显,且模型训练速度快、参数量少,可为HY-1C CZI遥感影像处理提供有力支撑。

基于HY-1C卫星CZI数据的红树林长势遥感监测

红树林是一种以耐盐的红树植物为主体的潮滩湿地林生物群落,其生长状态对于海岸带具有重要意义,利用遥感技术对红树林进行监测已成为目前主要手段之一。本文以广西北海山口红树林为例,利用HY-1C卫星的海岸带成像仪数据,结合其纹理参数,提取红树林信息,并对红树林植被指数进行分析。结果表明:2018年10月至11月间,红树林的RVI值均大于1,其中部分区域大于5;红树林的NDVI值的变化处于0~0.01之间,NDVI均值都大于0.5;红树林的EVI指数值主要集中在0.2~0.7之间。不同的植被指数计算结果均表明山口红树林长势良好。

基于HY-1C/CZI数据的冬小麦早期识别研究

为充分发掘海洋一号C星CZI数据的农业应用潜力,以HY-1C/CZI数据为基础数据源,结合土地利用现状数据、目视解译结果数据,对河南省商丘市及其附近区域早播冬小麦、晚播冬小麦、裸地及建筑、森林、水体5类地物的光谱特征进行分析,并在光谱分析的基础上基于决策树分类方法对冬小麦区域进行提取。冬小麦面积提取结果表明,2018年研究区内冬小麦总播种面积69.42万hm^2。以目视解译获得的地面验证点数据对提取结果进行精度验证,结果表明,冬小麦提取结果的总体精度为91.80%,Kappa系数为0.84,冬小麦用户精度和制图精度分别为91.88%和92.91%。基于HY-1C/CZI数据可以实现对冬小麦的早期识别和提取,提取精度较高,达到其他同类数据源相近的识别精度,表明基于海洋一号卫星CZI数据具有一定的农业应用潜力。

HY-1B CZI海岸带动态监测系统设计与实现

HY-1B卫星是我国第二颗自主海洋卫星,针对其搭载的4波段海岸带成像仪(CZI)获取的数据,设计并基于IDL语言开发了一个专用的可视化数据处理与应用系统。该系统以黄河口为重点研究区域,对部分算法进行了优化和适应性改造,具备HY-1B CZI数据导入、预处理、海岸带动态监测产品制作、产品输出、数据批处理等功能,并能够进行数据可视化和交互操作。该系统现已在国家卫星海洋应用中心(NSOAS)投入应用示范运行,为我国海岸带动态监测提供应用产品。本文论述了该系统的设计与实现。

基于海岸带成像仪CZI的连云港紫菜养殖动态监测

连云港海域的紫菜养殖遥感监测对于规划紫菜养殖空间分布具有重要意义。基于50 m空间分辨率的“海洋一号C”卫星(HY-1C)海岸带成像仪(coastal zone imager,CZI)数据,利用归一化植被指数(NDVI)和人工目视解译,获取了2018年10月—2020年4月连云港沿岸的紫菜养殖遥感监测面积,并分析了紫菜养殖的季节变化特征。结果显示,连云港紫菜养殖区主要分布于海州湾和连岛附近海域;养殖区自9月至次年5月在CZI图像上可见,紫菜养殖遥感监测面积呈先增加后减少的趋势,1—2月其遥感监测面积通常达到一个养殖周期的最大值,3月初面积迅速减少;基于CZI影像的2019年度遥感监测面积为123 km^(2),2020年度为160 km^(2)。建立HY-1C与哨兵二号(10 m)、高分一号(16 m)和Landsat-8(30 m)监测结果的线性模型,以Google Earth影像目视解译的紫菜养殖区遥感面积作为真实值,并将哨兵二号监测值转换为真实值。换算成真实值的2020年度紫菜养殖区真实面积为94 km^(2),较2015年度的42 km^(2)增长了1倍多。研究展示CZI可用于紫菜养殖区的业务化观测。建议利用其1—2月份的多期遥感影像监测结果作为年度紫菜养殖区遥感监测面积的基准。

基于HY-1C CZI影像光谱指数重构数据MNF变换的红树林提取

本文基于广西山口国家红树林生态自然保护区的HY-1C卫星的海岸带成像仪(Coastal Zone Imager,CZI)影像,分析了红树林与一般陆地植被的光谱特征及其光谱指数的相关性,采用归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)、归一化差异水分指数(Normalized Difference Water Index,NDWI)、大气阻抗植被指数(Atmospheric Impedance Vegetation Index,ARVI)及利用CZI波段构建的光谱斜率比(CZI Visible Spectrum Slope Ratio,CVSSR)4个指数替代CZI原始波段形成重构数据,基于重构数据的最小噪声分离变换(Minimum Noise Fraction Rotation,MNF)结果分量,建立决策树并实现了红树林信息的自动提取。研究结果表明:结合本文所选光谱指数重构数据及MNF变换方法,能够有效增强CZI影像上红树林与一般陆地植被的光谱差异,基于MNF变换分量建立的决策树可有效提取红树林信息,经与专家解译结果比对,本文方法面积准确率达90%以上;经随机样本点验证,总体检测精度为88%。

基于HY-1C卫星CZI数据的小目标舰船检测实验设计

国产HY-1C卫星CZI数据单幅图像具有幅宽、重访周期短、数据处理快等特点。为了提高利用国产卫星数据的利用率,设计了基于HY-1C卫星CZI数据的小目标舰船检测实验方案。首先,对原始卫星数据图像增强,裁剪图像构建数据集;其次使用云检测和海陆分离降低数据处理量;最后,通过YOLOv4算法检测裁剪后图像中的舰船目标,并在整幅卫星图像中显示检测结果。结果表明,HY-1C卫星CZI数据可有效应用到舰船目标检测中,且具有较好的检测效果,拓展了国产卫星数据的应用场景。

面向鄱阳湖洪涝风险分析的HY-1C/D卫星CZI影像水体面积与水位关系研究

海洋一号C星(HY-1C)和海洋一号D星(HY-1D)搭载的海岸带成像仪(coastal zone imager,CZI)广泛应用于海洋、海岛和海岸带监测,同时也是内陆水体动态监测的重要数据源.该文选择水体范围变化剧烈、旱洪灾害频发的鄱阳湖为研究区,以瑞利校正后的CZI反射率数据为基础,利用归一化水体指数(normalized difference water index,NDWI)与归一化植被指数(normalized difference vegetation index,NDVI)联合的水体范围提取方法,相对精度达到96%,并获取了2019年3月至2020年8月鄱阳湖湖泊淹没面积.在此基础上,结合同步的水文站水位测量数据,建立了适用于鄱阳湖的水面积-水位定量关系模型(R=0.97).分析结果显示,鄱阳湖9月中旬至1月,水体面积最小,水位最低;2月至6月,水体面积逐渐增大,水位逐渐抬升;7月和8月,水体面积和水位达到年内峰值.洪涝风险区主要集中在鄱阳湖的东南部和西部.该研究对星地联合的洪涝风险分析有一定的借鉴意义.

HY-1C CZI与Sentinel-2 MSI的海岸带植被信息提取差异研究

为探究HY-1C CZI与Sentinel-2 MSI对海岸带植被信息提取差异,以杭州湾、莱州湾和大亚湾为研究区,将研究区划分为城市和密林两个区域,计算归一化植被指数NDVI和植被覆盖度FVC,对比CZI、MSI的NDVI统计信息和相关性,分析FVC分级面积占比和时空分布异同。结果显示:CZI与MSI在大亚湾与莱州湾的NDVI均值十分接近,但CZI在杭州湾有大量近饱和像元,城市区和密林区分别相对MSI高估0.189和0.183;CZI与MSI在不同样区的NDVI均值线性拟合效果优良,R;最高达到0.98;CZI的FVC与MSI的FVC在不同覆盖等级占比、植被覆盖水平差异、高-低分布趋势三个方面呈现出相似性,在杭州湾地区具有相近的时间分布特征,但CZI的FVC在所有城市平原区及中北部海岸带的高山密林区均有高估现象。综合来看,HY-1C CZI整体可满足我国中等尺度海岸带植被监测需求,在植被变化监测方面有较大潜力。

Influence analysis of gaseous absorption on “HY—1A” CZI data processing Simulation and correction for Rayleigh scattering

Besides ozone, oxygen and water vapour should be considered for their absorptive effects on ＂HY--1A＂ CZI data processing. First ,gaseous transmittances under various conditions are computed and analyzed for the band settings of this sensor. Second, transmittances under six standard atmospheres are approximated as functions of zenith angle, the water vapour transmittance is approximated as a function of water vapour content and zenith angle, and the ozone transmittance is approximated as a function of ozone content and zenith angle. Finally, taking Rayleigh scattering as an example, the influence of ignoring gaseous absorption when calculating TOA reflectance is analyzed, and the effect of applying the presented transmittance approximations to gaseous absorption correction for Rayleigh scattering in ＂HY--1A＂ CZI data processing is evaluated.

HY-1C/D卫星CZI数据监测湖泊藻华的适用性评价与方法选择

随着湖泊富营养化加剧,蓝藻水华频发暴发,藻华的卫星遥感监测面临着中高空间分辨率卫星过境时间长、中低空间分辨率卫星数据在小型湖泊监测能力不足的问题。海洋水色业务卫星海洋一号C星和D星(HY-1C/D)搭载的海岸带成像仪CZI(Coastal Zone Imager)具有50 m空间分辨率,3 d重访周期,是内陆中小型湖泊藻华遥感监测的重要数据源。本文构建了以CZI数据的绿光(560 nm)—近红外波段(825 nm)连线作为基线,红光波段(650 nm)到该基线的垂直距离作为藻华识别指数AFAH(Adjusted Floating Algae Height),并将其应用在4个典型的富营养化湖泊(太湖、巢湖、滇池、星云湖),评价了其在湖泊藻华遥感监测方面的适用性和不确定性。结果表明:(1)在无云的理想条件下4种藻华识别指数的藻华识别精度高于0.93;在非理性条件下的藻华识别方面,AFAH优于NDVI(Normalized Difference Vegetation Index)、DVI(Difference Vegetation Index)和VB-FAH(Virtual baseline floating macro Algae Height),对太阳耀斑、云、气溶胶厚度敏感性较低;(2)采用最大梯度法确定了单景影像的AFAH的藻华提取阈值,太湖、巢湖、滇池、星云湖有藻华的数据共180景,AFAH藻华提取阈值的统计均值为0.041,标准差为0.013;(3)2019年7月到2021年7月期间4个湖泊的藻华发生频率空间分布结果与已有研究一致,藻华暴发频率大于5%的面积分别为609.05 km^(2)、134.43 km^(2)、20.91 km^(2)、14.50 km^(2),主要集中在太湖竺山湾、梅梁湾、太湖西部,巢湖西部,滇池和星云湖分散状全湖分布。研究表明,AFAH可以应用于仅包含一个近红外波段的中高空间分辨率卫星,可拓展到多源卫星数据的藻华业务化监测,以提高观测频次。

基于HY-1C/D卫星CZI的海洋、湖泊中漂浮藻藻华的光谱分析与识别

近年来,全球多个区域都有大量关于海洋和湖泊中漂浮藻藻华暴发的相关报道,主要包括浒苔“绿潮”、马尾藻“金潮”、夜光藻“赤潮”以及蓝藻水华等等。这些藻华的暴发不仅会给其所处的海洋、湖泊生态环境带来多方面的影响,还可能造成经济损失甚至危及人类的身体健康。HY-1C/D CZI等高分辨率新型水色传感器的发射可以提高针对漂浮藻藻华的监测能力。根据全球海洋和湖泊中主要漂浮藻藻华的种类和分布范围,本文使用HY-1C/D CZI影像数据(50 m分辨率,重访周期3 d)获取了不同区域、不同类型漂浮藻的信息,并分析了典型像元的光谱特征。基于光谱特征分析,并结合不同种类藻华暴发的环境特征,应该可以利用HY-1C/D CZI影像进行针对典型像素漂浮藻类型的区分和识别。针对中国近海出现的浒苔、马尾藻和夜光藻等“多潮齐发”的现象,CZI的这个特点对于提高精细化监测具有重要的意义。

HY-1卫星CZI影像在黄海绿潮监测的应用

海洋一号C(HY-1C)卫星搭载的海岸带成像仪CZI(Coastal Zone Imager)广泛应用于中国近海生态灾害监测。本研究以16 m分辨率的高分六号WFV(Wide Field of View)影像提取的绿潮覆盖面积作为参考值,从绿潮漏检率和覆盖面积定量评估了CZI影像的绿潮监测能力,并与250 m分辨率的MODIS提取结果进行了对比分析。结果表明,CZI影像的绿潮平均漏检率只有MODIS影像的1/5左右,绿潮覆盖面积比MODIS影像小50%以上。MODIS和CZI影像的绿潮覆盖面积呈线性相关,将MODIS影像的绿潮覆盖面积转换为CZI结果;该结果显示,2019年、2021年度绿潮最大覆盖面积为2000 km^(2)左右,是2020年同期的6倍左右。在绿潮监测方面,相比于MODIS,CZI影像的绿潮漏检率较低且覆盖面积更接近真实参考值。本研究建立了CZI与目前较常用的MODIS绿潮覆盖面积的转换关系,可弥补CZI观测频次的缺陷,进而实现绿潮高频次观测。

基于HY-1C卫星CZI影像的多类型内陆水体大气校正及水质参数反演

海洋一号C星(HY-1C)上搭载的海岸带成像仪(CZI)在内陆水体水色遥感应用方面具有较大潜力。目前,HY-1C CZI影像在内陆水体的大气校正和水质反演研究较少,仍然需要解决适用于不同类型内陆水体的大气校正和水质参数建模等问题。因此,本研究在华北平原的小浪底水库、官厅水库、丹江口水库、白龟山水库、白洋淀5个不同浑浊程度的湖泊和水库开展了星地同步实验,获取了85个采样点的水面遥感反射率光谱和水质参数实测数据。发展了基于Sentinel-2 MSI影像均匀不变地物的HY-1C CZI影像相对大气校正算法和系统定标模型。HY-1C CZI的蓝、绿、红、近红外波段遥感反射率反演平均无偏相对误差(AURE)分别为14.7%、11.2%、28.9%、41.7%,蓝、绿、红波段的大气校正精度相对较高;此外,大气校正与实测光谱的相关系数r的平均值为0.978,光谱角度距离(SAD)的平均值为0.109,说明大气校正遥感反射率光谱形状与实测光谱一致性较高。基于实测数据构建了叶绿素a浓度和透明度反演模型,经独立数据验证,HY-1C CZI影像叶绿素a浓度反演的AURE为33.8%,均方根误差(RMSE)为4.8μg/L;透明度反演的AURE为25.0%,RMSE为34.9 cm。结果表明,HY-1C CZI影像可以应用于华北平原多个类型内陆水体的水质参数反演。

HY-1C卫星CZI影像卤虫条带提取研究--以艾比湖为例

基于HY-1C卫星海岸带成像仪CZI(Coastal Zone Imager)影像提取卤虫条带,对利用自主遥感数据开展生物资源监测与指导捕捞利用具有重要意义。本文以艾比湖为例,分析了HY-1C卫星CZI影像与Landsat-8卫星OLI数据的卤虫—水体端元光谱特征及差异;结合滑动窗口裁剪和光谱匹配因子SBAF(Spectral Band Adjustment Factors)模拟构建了有效样本量为837的卤虫—水体数据集;使用深度为5层的U型全卷积神经网络U-Net(U-Shaped Fully Convolutional Neural Network)算法提取卤虫条带并进行了评估与应用。与支持向量机法、最大似然分类法、归一化水体指数法相比,U-Net算法效率高、鲁棒性更好,卤虫条带的提取精确率和F1分数分别为92.02%和90.55%,比其他方法高出约11%—23%,即使面对复杂水体背景干扰,提取错误率也仅有3.3%;由2019年—2021年10景CZI影像的提取结果可知,研究期间卤虫条带的最大最小面积之比约为5.8,变化剧烈且与水体面积存在一定关联,但决定卤虫条带分布与面积的更多影响要素仍需进一步研究。未来,将建立多源、多分类、大样本量的遥感数据集,发展泛化能力更强的提取算法,实现长时序、大范围的盐湖卤虫条带时空规律分析。

HY-1C/D卫星CZI数据的岛礁浅海水深遥感无控反演能力评估

岛礁浅海水深是海洋重要的基础资料。中国南海岛礁远离大陆,水下现场调查效率低、难度大,难以评估水下地形的长期变化,迫切需要大面积、高频次成像的卫星遥感数据。海洋一号C/D(HY-1C/D)卫星双星组网大大提高了覆盖频次,配置的海岸带成像仪CZI(Coastal Zone Imager)可为岛礁水下探测提供快速的业务化遥感数据服务。为充分发掘两颗卫星的岛礁水深反演能力,本文以中国南海永乐环礁为研究区域,以HY-1C/D CZI多光谱遥感影像为数据源,结合半分析模型和对数比值模型开展了不依赖实测数据的水深反演研究,并与GeoEye-1高分辨率卫星多光谱遥感数据反演结果进行对比。结果表明,HY-1C/D CZI多光谱数据在甘泉岛的水深反演结果与实测数据相比,在0—20 m水深范围内的平均绝对误差分别为1.60 m和1.85 m,平均相对误差分别为22.48%和26.23%;HY-1C/D CZI多光谱数据与基于GeoEye-1数据在甘泉岛的水深反演结果相比,平均绝对偏差分别为1.65 m和1.81 m,平均相对偏差分别为22.33%和23.83%。HY-1C/D CZI与GeoEye-1多光谱数据在永乐环礁各剖面变化趋势的交叉对比结果基本一致。具有高频次、宽覆盖特征的HY-1C/D CZI数据在全球岛礁浅海水深反演方面具有广泛的应用潜力。

面向HY-1C卫星CZI陆地遥感图像的云检测方法研究

搭载在中国首颗海洋水色业务卫星HY-1C上的海岸带成像仪CZI(Coast Zone Imager)于2019年6月开始业务化运行,其获取的大量海岸带、陆地和海洋数据对于海洋灾害与环境监测研究具有重要意义。CZI对地观测受云干扰,影响数据的后续应用。现有的云检测算法大都基于RGB图像或者包含热红外的多光谱展开,对于HY-1C CZI这类RGB-近红外4个波段遥感图像研究较少。为此,本文提出了一种针对HY-1C CZI遥感图像的非监督遥感图像云检测方法。该方法包含训练样本选择、特征提取、支持向量机SVM(Support Vector Machine)分类和后处理这4个过程。在训练样本选择中,结合暗通道反射率、归一化植被指数和白度指数,提出了一种训练样本自动提取算法。该算法使用白度指数作为遥感图像细节信息提取数据源,并通过逐步细化过程精确提取样本。针对特征提取,选取图像的空—谱特征信息,包含反射率、光谱指数、纹理和结构特征,使云与非云区域的差异最大化。基于自动提取的训练样本及其特征描述,采用SVM对CZI遥感数据进行初分类,并在此基础上进行导向滤波、孔洞填充和几何判断后处理,以获取云检测结果。该算法的优势在于:(1)无需人工标注即可自动获取训练样本;(2)能够充分利用近红外波段信息。本文将该算法运用于植被、土壤、湿地和冰雪场景这4种典型场景中,并与目前流行的非监督云检测算法对比分析。相较于其他云检测算法,定性分析结果表明本文云检测结果与人工标注的云分布真实图具有较好的一致性;定量结果表明本文提出的算法在各个场景上都具有最低的错误率。通过以上对比分析,表明本文提出的云检测算法在不同的场景下识别结果都更加准确,证明了本文算法对于HY-1C CZI陆地遥感图像云检测的有效性。

辽河口悬浮泥沙时空变化特征及其动力因素分析

基于2019—2020年HY-1C CZI的L2B级泥沙数据和同期气象、水文数据,应用空间分析和统计方法开展辽河口海域悬浮泥沙质量浓度的时空变化特征及其动力因素分析研究。结果表明:潮汐是该海域悬浮泥沙日变化的主导因素,落潮期平均悬浮泥沙质量浓度高于涨潮期;径流对辽河口海域悬浮泥沙质量浓度影响的范围主要在近岸区域,一般不超过5 m等深线;当落潮流流向与风向相反时,浑浊带常横向扩展,而当落潮流流向与风向相同时,浑浊带则收缩在辽河口顶部;风速与悬浮泥沙质量浓度存在显著相关性,离岸越近,风对悬浮泥沙的作用越强烈,这可能与风、浪的协同作用有关;受潮流、径流和风浪的影响,8 m等深线内侧通常发育为最大浑浊带。

Atmospheric correction for HY-1C CZI images using neural network in western Pacific region

With a spatial resolution of 50 m,a revisit time of three days,and a swath of 950 km,the coastal zone imager(CZI)offers great potential in monitoring coastal zone dynamics.Accurate atmo-spheric correction(AC)is needed to exploit the potential of quantitative ocean color inversion.However,due to the band setting of CZI,the AC over coastal waters in the western Pacific region with complex optical properties cannot be realized easily.This research introduces a novel neural network(NN)AC algorithm for CZI data over coastal waters.Total 100,000 match-ups of HY-1 C CZI-observed reflectance at the top-of-atmosphere and Operational Land Imager(OLI)-retrieved high-quality remote sensing reflectance(Rrs)at the CZI bands are built to train the NN model.These reflectance data are obtained from the standard AC algorithm in the SeaDAS.Results indicate that the distributions of the CZI retrieved Rrs were consistent with the quasi-synchronous OLI data,but the spatial information from the CZI is more detailed.Then,the accuracy of the CZI data for AC is evaluated using the multi-source in-situ data.Results further show that the NN-AC can successfully retrieve Rrs for CZI and the coefficients of determination in the blue,green,red,and near-infrared bands were 0.70,0.77,0.76,and 0.67,respectively.The NN algorithm does not depend on shortwave-infrared bands and runs very fast once properly trained.

基于光谱特征的HY-1C/D卫星赤潮探测方法——以红夜光藻为例

红夜光藻是我国主要的赤潮优势种,在渤海、黄海、东海和南海均有发生。近年来,红夜光藻赤潮发生频率明显上升,监测需求迫切。但红夜光藻赤潮发生具有分布范围广、变化速度快、多呈条带状分布的特点,其探测对卫星影像空间分辨率、覆盖范围和重访周期要求高。虽然水色卫星在赤潮监测中发挥了重要作用,但其空间分辨率低,无法准确探测条带状分布的红夜光藻赤潮。海洋一号C、D(HY-1C/D)卫星搭载的海岸带成像仪(Coastal Zone Imager,CZI)以其高空间分辨率、大幅宽和短重访周期的优势,被越来越多地用于赤潮监测。现有的红夜光藻赤潮HY-1C/D CZI探测模型大多基于深度学习方法,需要大量赤潮样本,但赤潮样本获取困难,影响模型的精度。因此,本文以2022年3月发生在广东省汕尾市红海湾的红夜光藻赤潮为例,分析了红夜光藻赤潮光谱特征,基于红夜光藻赤潮在红光和近红外波段的高反射特性和浑浊水体在绿光波段的高反射特性,构建了一个面向HY-1C/D CZI的红夜光藻赤潮探测方法。实验结果表明,该方法可以有效地探测赤潮,并避免浑浊水体的干扰,精确率和F1-Score达到89.72%和0.90。而且,该方法具有较好的适用性,可适用于不同海洋环境、不同宽波段卫星传感器的红夜光藻赤潮探测。