基础概念

1️⃣ 电磁波谱

image-20221030185343409

光波的频率比无线电波的频率要高很多，光波的波长比无线电波的波长短很多；而X射线和γ射线的频率则更高，波长则更短。为了对各种电磁波有个全面的了解，人们将这些电磁波按照它们的波长或频率、波数、能量的大小顺序进行排列，这就是电磁波谱。

2️⃣ 布拉格共振

image-20221030185754157

image-20221031140740567

3️⃣ 瑞丽-金斯定律

瑞利-金斯公式，是根据经典电动力学和统计力学导出的热平衡辐射能量分布公式。瑞利（1900）和金斯，J.H.（1905）根据经典统计理论，研究密封空腔中的电磁场，得到了空腔辐射的能量密度w(v，T)按频率v分布的瑞利-金斯公式。

image-20221030185946362

4️⃣ 辐亮度与辐照度

辐射度：是受照面单位面积上的辐射通量，单位：瓦每平方米（W/㎡）。

辐射照度（辐照度）：是受照面单位面积上的辐射通量，单位：瓦每平方米（

W/㎡）。

辐射通量：单位是瓦特(W），也叫辐射功率，对单位时间内通过某一面积的所

有电磁辐射总功率的度量

辐亮度（辐射亮度）：辐射亮度简称辐亮度，辐射亮度表示面辐射源上某点在一定方向上的辐射强弱的物理量。指面辐射源在单位时间内通过垂直面元法线方向n上单位面积、单位立体角上辐射出的能量，即辐射源在单位投影面积上、单位立体角内的辐射通量。瓦/( 球面度米2 )

image-20221101151219657

5️⃣ 离水辐亮度与遥感反射比

image-20221101153930717

image-20221030190017189

水色／水质遥感 中，遥感反射比(remote sensing reflectance)是最重要的一个表观光学量，是生物光学模型中必不可少的物理量，隐含有水体物质组分含量信息．

image-20221101154030478

表观反射率是指大气层顶的反射率，其值等于地表反射率与大气反射率之和

6️⃣ 水平极化与垂直极化

image-20221030190930741

7️⃣ 传感器

传感器（英文名称：transducer/sensor）是一种检测装置，能感受到被测量的信息，并能将感受到的信息，按一定规律变换成为电信号或其他所需形式的信息输出，以满足信息的传输、处理、存储、显示、记录和控制等要求。

应用

热红外分裂窗思想

image-20221030191143527

温度遥感原理思想

image-20221030191208449

盐度遥感原理思想

image-20221030191356705

image-20221030191407885

image-20221030191427392

image-20221030191432885

水色遥感原理思想

image-20221101153829234

image-20221030191232915

海风遥感原理思想

image-20221030193412714

海洋水色遥感–2类水体遥感

image-20221030193510745

image-20221030194740392
  • 难点
  • image-20221101154343101
  • 解决方案
  • image-20221101154413830
  • image-20221101154427180
  • image-20221101154439813
  • image-20221101154459841
  • image-20221101154529975
  • image-20221101154540467

image-20221101154605476

image-20221101154615595、image-20221101154628511

image-20221101154639167

方案设计

选取一个感兴趣的海洋现象或参数，并设计一个遥感研究方案。要求给出利用的传感器类型，卫星数据和遥感数据。

  • 提出问题，研究意义
  • 选用材料、数据
  • 选用方法、模拟、实验、模型
  • 做出哪些研究
  • 得出结果(预期)
  • 分析结果。寻找规律认识，讨论各类有点局限性，提出未来改进方向

在不同气候条件下，海洋叶绿素浓度的演变及预测。

有利于对海洋生态系统初级生产力进行研究，并且对海洋-塔器系统的碳循环、赤潮灾害监测等具有重要意义。借助遥感技术，能够实现实时、高效、大范围、全天候的同步检测，对传统方法起到很好的互补作用。

选用数据：

2019~2021年三年共365*3天的MODIS 250m分辨率海洋水色产品衍生的叶绿素时序数据。

选用NOAA的日均气象监测数据，AVHRR传感器，AVHRR传感器扫描角为±55.4°，相当于探测地面2800km宽的带状区域，两条轨道可以覆盖我国大部分国土，三条轨道可完全覆盖我国全部国土。

AVHRR的星下点分辨率为1.1km。由于扫描角大，图像边缘部分变形较大，实际上最有用的部分在±15°范围内（15°处地面分辨率为1.5km），这个范围的成象周期为6天。

水色遥感数据选择中国HY-1A搭载的cocts传感器

image-20221031141539351

风向、风速、气温、湿度、海面荧光、光合有效辐射

方法：
区域分割网络+DGCNN+LSTM进行时间序列预测

CycleGAN进行遥感图像生成与超分辨率重构

Light GBM+FCN+随机森林+CNN进行软投票，对输入特征构建Bagging模型，得到预测结果，并进行相关性、显著性、ROC等指标评估

实验：

0.数据预处理

对数据进行数据探查，填充缺失值或是删除超过容忍度的数据，对离群点进行一定的处理。

我们将所关注的海域范围(28N-34N,121E-128E)划分为(72x84)个栅格，每个栅格的精度为0.083°*0.083°。将所有的数据通过重采样、均值滤波的形式转换到这个分辨率中，以便接下来的分析。

1.区域分割网络与叶绿素时间序列预测

选择叶绿素数据中空间自相关较高的区域，将其划分为图节点，这个过程类似于聚类后统一特征，于是，我们将72*84个栅格转变成了一个图结构的数据。基于图结构数据，我们构建邻接矩阵，将数据作为动态图卷积神经网络的输入，在GTX Titan 100G显卡上进行训练，得到的高维数据作为LSTM门控网络的输入，最后得到未来三年的时间序列。这个时间序列是基于图卷积的节点的，每个节点都相当于三维数据中的x,y分量。

2.CycleGAN遥感图像生成与超分辨率重构

之前获得的时间序列数据，可以作为CycleGAN模型的输入。当然，CycleGAN需要大量海洋遥感样本的训练，通过循环对抗神经网络，可以实现真实内容+风格上的图像迁移，可以用于叶绿素分布超分辨率重构。

3.多源数据融合预测

我们利用风向、风速、气温、湿度、海面荧光、光合有效辐射这些指标作为输入数据。在数据探索性分析阶段，除却数据清洗、数据分布探查外，我们还需对数据进行离差标准化或标准差标准化，以便去除量纲影响。

接着，采用Bagging策略，构建如下四个模型：Light GBM，FCN，随机森林，ResCNN分别对数据进行训练，采用精度投票的方式，得到最后的预测结果，并进行精度预测。

结果分析

1.进行相关性分析、精度分析和ROC曲线绘制，与其他SOTA模型进行精度对比，分析我们的模型和工作的优缺点。我们的工作可以对未来短期内的叶绿素变化进行预测，对极端天气下叶绿素变化进行预测，并且可以反推叶绿素变化是否是由于异常事件导致的。

2.我们的工作尚有不足之处，这些数据可能本身与叶绿素具有较高的相关性，这样做出来的结果不一定具有普适性。多种模型的投票会受到各种因素的影响，虽然对某些异常数据的容忍度较高，但有一定的随机性。

3.缺少严格意义上的数学推导，只能作为辅助决策信息使用。