一种面向不同生长期刚毛藻的遥感识别方法及设备

1.本技术涉及计算机通信技术领域，具体涉及一种面向不同生长期刚毛藻的遥感识别方法及设备。

背景技术：

2.随着水域富营养化的加剧，大型丝状藻类在世界范围内大量滋生泛滥，对海水养殖水域、湖泊、池塘造成了相当严重的影响。
3.其中，刚毛藻作为一种常见的大型丝状藻类，生长在如潮间带、溪流和湖库的岸边等环境下，在春季到初夏的适宜季节可以大规模生长并形成藻垫漂浮在水面上，由于生长周期短，在温度高的夏季快速进入生长衰亡阶段释放出有害物质，并散发出令人不快和刺鼻的气味，且其生物量迅速扩大，会给当地的生态环境、养殖生物多样性以及沿海城市的旅游业带来严重影响。

技术实现要素：

4.为实现上述目的，本技术实施例提供如下技术方案：
5.一方面，本技术提出了一种面向不同生长期刚毛藻的遥感识别方法，所述方法包括：
6.获得漂浮刚毛藻生长环境下的遥感水域图像中的漂浮刚毛藻区域；
7.基于所述漂浮刚毛藻生长环境的实测光谱数据，获得所述漂浮刚毛藻区域中各像元的漂浮刚毛藻指数；
8.基于所述漂浮刚毛藻指数与漂浮分类阈值的比较结果，识别所述漂浮刚毛藻区域中的漂浮衰亡期刚毛藻区域和/或漂浮生长期刚毛藻区域。
9.可选的，所述基于所述漂浮刚毛藻生长环境的实测光谱数据，获得所述漂浮刚毛藻区域中各像元的漂浮刚毛藻指数，包括：
10.对所述漂浮刚毛藻生长环境的实测光谱数据进行波段等效处理，得到针对所述漂浮刚毛藻区域的多个卫星波段各自的遥感发射率和中心波长；
11.将所述多个卫星波段各自的遥感发射率和中心波长输入漂浮刚毛藻特征提取模型，得到所述漂浮刚毛藻区域中各像元的漂浮刚毛藻指数。
12.可选的，所述多个卫星波段各自的遥感发射率和中心波长包括：所述遥感水域图像中第一波段的第一遥感反射率和第一中心波长、第二波段的第二遥感反射率和第二中心波长、第三波段的第三遥感反射率和第三中心波长；其中，所述第一波段为红光波段、所述第二波段为红光波段至近红波段之间的波段、所述第三波段为近红外波段；
13.所述将所述多个卫星波段各自的遥感发射率和中心波长输入漂浮刚毛藻特征提取模型，得到所述漂浮刚毛藻区域中各像元的漂浮刚毛藻指数，包括：
14.获取所述第二中心波长与所述第一中心波长的第一波长变量，以及所述第三中心波长与所述第一中心波长的第二波长变量；
15.对所述第一波长变量与所述第二波长变量进行比值运算，得到波长变化系数；
16.获取所述第三遥感反射率与所述第一遥感反射率的第一反射率变量，对所述第一反射率变量与所述波长变化系数进行乘积运算，得到第二反射率变量；
17.对所述第二遥感反射率、所述第一遥感反射率和所述第二反射率变量进行差值运算，得到所述漂浮刚毛藻区域对应像元的漂浮刚毛藻指数。
18.可选的，所述基于所述漂浮刚毛藻指数与漂浮分类阈值的比较结果，识别所述漂浮刚毛藻区域中的漂浮衰亡期刚毛藻区域和/或漂浮生长期刚毛藻区域，包括：
19.获取针对不同生长期的漂浮刚毛藻的漂浮分类阈值；
20.对所述漂浮刚毛藻区域中各像元的所述漂浮刚毛藻指数分别与所述漂浮分类阈值进行比较；
21.将所述漂浮刚毛藻指数小于所述漂浮分类阈值的像元所在区域识别为漂浮衰亡期刚毛藻区域，以及所述漂浮刚毛藻指数大于所述漂浮分类阈值的像元所在区域识别为漂浮生长期刚毛藻区域。
22.可选的，所述获取针对不同生长期的漂浮刚毛藻的漂浮分类阈值，包括：
23.获取覆盖漂浮刚毛藻的遥感区域图像；
24.基于分类算法，对所述遥感区域图像进行分类识别，得到多组地物具有的漂浮刚毛藻指数以及像元值；所述多组地物包括水体以及不同生长期刚毛藻；
25.确定所述漂浮刚毛藻指数对应的所述多组地物的像元值的未重叠范围值；
26.从所述多组地物的像元值的未重叠范围值中，确定所述漂浮刚毛藻指数对应的所述多组地物的最大像元值和最小像元值；
27.对所述多组地物的最大像元值和最小像元值进行均值运算，得到所述漂浮刚毛藻指数的漂浮分类阈值。
28.可选的，所述获得漂浮刚毛藻生长环境下的遥感水域图像中的漂浮刚毛藻区域，包括：
29.获得漂浮刚毛藻生长环境下的遥感水域图像；
30.基于所述漂浮刚毛藻生长环境的实测光谱数据，获得所述遥感水域图像中各像元的叶绿素a光谱指数和至少一种植被指数；
31.基于所述叶绿素a光谱指数与第一分类阈值的比较结果，识别所述遥感水域图像中不同生长期的刚毛藻区域；
32.基于所述植被指数与第二分类阈值的比较结果，识别所述不同生长期的刚毛藻区域中的附着早期刚毛藻区域和漂浮刚毛藻区域；
33.所述方法还包括：
34.基于从所述遥感水域图像识别出的不同生长期刚毛藻区域，确定在所述漂浮刚毛藻生长环境下对应生长期刚毛藻的覆盖面积和/或覆盖地理位置；
35.输出所确定的任一生长期刚毛藻的覆盖面积和/或覆盖地理位置。
36.又一方面，本技术还提出了一种面向不同生长期刚毛藻的遥感识别装置，所述装置包括：
37.漂浮刚毛藻区域获得模块，用于获得漂浮刚毛藻生长环境下的遥感水域图像中的漂浮刚毛藻区域；
38.漂浮刚毛藻指数获得模块，用于基于所述漂浮刚毛藻生长环境的实测光谱数据，获得所述漂浮刚毛藻区域中各像元的漂浮刚毛藻指数；
39.区域识别模块，用于基于所述漂浮刚毛藻指数与漂浮分类阈值的比较结果，识别所述漂浮刚毛藻区域中的漂浮衰亡期刚毛藻区域和/或漂浮生长期刚毛藻区域。
40.又一方面，本技术还提出了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器加载执行，实现如上述的面向不同生长期刚毛藻的遥感识别方法。
41.又一方面，本技术还提出了一种计算机设备，所述计算机设备包括：
42.通信接口；
43.存储器，用于存储实现如上述的面向不同生长期刚毛藻的遥感识别方法的程序；
44.处理器，用于加载执行所述存储器存储的所述程序，实现如上述的面向不同生长期刚毛藻的遥感识别方法。
45.又一方面，本技术还提出了一种面向不同生长期刚毛藻的遥感识别系统，所述系统包括：
46.遥感设备，用于获取刚毛藻生长环境下的光学遥感影像，以确定漂浮刚毛藻生长环境的遥感水域图像；
47.光谱检测设备，用于对所述漂浮刚毛藻生长环境进行光谱数据检测，得到实测光谱数据；
48.与所述遥感设备和所述光谱检测设备通信连接，如上述的计算机设备。
49.基于上述技术方案，本技术提供一种面向不同生长期刚毛藻的遥感识别方法及设备，获取漂浮刚毛藻生长环境下，覆盖不同生长期刚毛藻区域及水体区域的遥感水域图像，获得该遥感水域图像中的漂浮刚毛藻区域后，可以基于漂浮刚毛藻生长环境的实测光谱数据，获得该漂浮刚毛藻区域中各像元的漂浮刚毛藻指数，从而基于该漂浮刚毛藻指数与漂浮分类阈值的比较结果，来精准识别漂浮刚毛藻区域中的漂浮衰亡期刚毛藻区域和/或漂浮生长期刚毛藻区域，通过这种不同生长期漂浮刚毛藻的定量识别方式，精准确定其空间分布情况，推动不同生长期漂浮刚毛藻在湖泊中的遥感自动化和业务化监测。
附图说明
50.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
51.图1a为附着早期刚毛藻的实测反射光谱曲线；
52.图1b为漂浮生长期刚毛藻的实测反射光谱曲线；
53.图1c为漂浮衰亡期刚毛藻的实测反射光谱曲线；
54.图1d为a湖水体的实测反射光谱曲线；
55.图2为本技术提出的面向不同生长期刚毛藻的遥感识别方法的一可选示例的流程示意图；
56.图3为本技术提出的面向不同生长期刚毛藻的遥感识别方法的又一可选示例的流程示意图；
57.图4a为本技术提出的面向不同生长期刚毛藻的遥感识别方法中，不同生长期刚毛藻与水体实测反射光谱曲线；
58.图4b为本技术提出的面向不同生长期刚毛藻的遥感识别方法中，不同生长期刚毛藻实测反射光谱曲线；
59.图4c为本技术提出的面向不同生长期刚毛藻的遥感识别方法中，漂浮刚毛藻的实测光谱识别指数曲线；
60.图5为本技术提出的面向不同生长期刚毛藻的遥感识别方法的又一可选示例的流程示意图；
61.图6为本技术提出的面向不同生长期刚毛藻的遥感识别方法的又一可选示例的流程示意图；
62.图7a为本技术提出的面向不同生长期刚毛藻的遥感识别方法中，基于csi的各组地物的盒须图；
63.图7b为本技术提出的面向不同生长期刚毛藻的遥感识别方法中，基于ndvi的各组地物的盒须图；
64.图7c为本技术提出的面向不同生长期刚毛藻的遥感识别方法中，基于fci的各组地物的盒须图；
65.图8为本技术提出的面向不同生长期刚毛藻的遥感识别方法的又一可选示例的流程示意图；
66.图9a所示的基于哨兵2号等效后的不同生长期刚毛藻和水体反射光谱曲线；
67.图9b所示的不同生长期刚毛藻和水体的光学遥感图像上的反射光谱曲线；
68.图9c所示的不同生长期刚毛藻和水体的实测反射光谱曲线；
69.图10为本技术提出的面向不同生长期刚毛藻的遥感识别装置的一可选示例的结构示意图；
70.图11为适用于本技术提出的面向不同生长期刚毛藻的遥感识别方法的计算机设备的硬件结构示意图。
具体实施方式
71.由于不同生长期刚毛藻的危害类型不同，经过对刚毛藻整个生长过程进行分析，可知早期藻体为绿且附着于池底基质上(简称附着早期)；生长期时藻体连接成网状漂浮于水面并堆积在岸边，颜也会渐渐变成黄绿(简称漂浮生长期)；衰亡期刚毛藻颜会褪至灰白如旧棉絮浮于水面并伴有难闻刺鼻的腐烂气味(简称：漂浮衰亡期)。可见，随着时间的变化，不同生长期刚毛藻通常会呈现不同的形态特征，可以通过监测刚毛藻的生长形态特征变化，来识别水域中处于任一生长期刚毛藻所在的目标区域，即准确识别不同生长期刚毛藻的空间分布情况，推动不同生长期刚毛藻在湖泊中的遥感自动化和业务化监测。
72.对此，提出的基于水下植被映射算法(savma)对遥感影像中有害藻类的生物量估算方法，是先通过深水区辐射值来校正浅水区的辐射值，在水深不变的情况下，对蓝波段、绿波段、红波段的反射率值进行分类，然后使用波段之间的两两组合生成不同覆盖密度的底部藻类类型索引，通过阈值分割将湖底分类分为沙，密集藻类和不密集藻类3种类型，来完成生物量估算及绘制不同类型的空间分布情况，然而受遥感影像分辨率和大气校正造成
混合像素，导致savma对于藻类估算准确度不高，且这种处理方式只能对不同密集程度藻类进行生物量估算，不能估算不同生长期藻类的生物量，进而该方法也不适用于对不同生长期刚毛藻的遥感识别应用场景。
73.此外，还提出基于像素的监督随机树分类器对某湖的无人机影像进行底栖植被定量化识别，其先通过监督分类将图像分为若干类，然后根据目视解译确定藻类、水生植物、水、陆地、阴影和耀斑等六大类别，根据对该区域所划分的类别，使用随机树分类器方法对每张图像进行分类，最后完成六个类别在该区域的空间分布及数量变化。经实验得知，该方法在相对较浅的水域中分类和量化底栖藻类或大型植物的总体准确度为82％，然而该方法只是针对底栖植被进行分类并定量化识别，不适用于其他不同生长期水生植被的同时，也不适用于不同生长期刚毛藻的遥感识别应用场景。
74.为了改善上述问题，结合上文对不同生长期的刚毛藻的分析，以a湖实验测量的附着早期刚毛藻、漂浮生长期刚毛藻、漂浮衰亡期刚毛藻和a湖水体的反射光谱中，抽取该物种不同生长期的典型光谱作为代表反射光谱(即不同波长与反射率之间的关系曲线)，如图1a所示的附着早期刚毛藻反射光谱曲线，图1b所示的漂浮生长期刚毛藻反射光谱曲线，图1c所示的漂浮衰亡期刚毛藻反射光谱曲线，图1d所示的a湖水体反射光谱曲线，经过对水体与不同生长期(如附着早期、漂浮生长期、漂浮衰亡期)刚毛藻的反射光谱进行比对，可知a湖中水体与不同生长期刚毛藻之间，以及不同生长期刚毛藻之间的光谱识别指数存在差异，可以据此从覆盖水体区域和不同生长期刚毛藻的遥感水域图像中，准确识别出附着早期和漂浮期等不同生长期的刚毛藻所在的目标区域。
75.为了进一步精准识别漂浮生长期刚毛藻、漂浮衰亡期刚毛藻的空间分布，本技术提出获取漂浮刚毛藻指数这种光谱识别指数，实现对漂浮刚毛藻的进一步细化分类和区域识别。之后，可以据此定位所需捞取的某生长期刚毛藻所在的地理位置、覆盖面积等，进而据此合理安排打捞工作，无需花费大量人力物力查，提高了处理效率，节省了人工成本，也能够更好地满足不同场景下对不同生长期刚毛藻的处理要求。
76.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，可以理解的是，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
77.参照图2，为本技术提出的面向不同生长期刚毛藻的遥感识别方法的一可选示例的流程示意图，该方法可以适用于计算机设备，该计算机设备可以是服务器或具有一定数据处理能力的终端，也可以由终端与服务器配合实现，本技术对该方法的应用场景不做限制。如图2所示，本实施例提出的面向不同生长期刚毛藻的遥感识别方法可以包括但并不局限于：
78.步骤s21，获得漂浮刚毛藻生长环境下的遥感水域图像中的漂浮刚毛藻区域；
79.在需要识别不同生长期刚毛藻的场景下，可以初步选择刚毛藻生长环境所在区域，通过如遥感卫星等遥感设备采集该区域匹配、少云的光学遥感图像，经过预处理后，可以通过目视解释方式，提取覆盖水体区域以及不同生长期刚毛藻区域的遥感水域图像，即提取感兴趣的非陆地区域，本技术对该遥感水域图像的获取过程不做详述。
80.结合上文对本技术技术方案的分析，遥感水域图像中各像元的光谱识别指数的精
准度，直接决定了对遥感水域图像中的目标区域的识别准确性，若直接对遥感水域图像进行特征提取，所得光谱特征容易受到遥感水域图像自身精准度的影像，为了避免这一情况，本技术实施例提出使用光谱检测设备(如光谱仪等)，对刚毛藻生长环境进行检测，得到实测光谱数据，相对于从遥感水域图像中提取的光谱数据，提高了光谱数据的准确性和可靠性。本技术对实测光谱数据的检测实现过程不做详述。
81.之后，可以基于针对覆盖不同生长期刚毛藻生长环境的实测光谱数据，获取上述遥感水域图像中各像元的光谱识别指数，如光谱识别指数包括叶绿素a光谱指数(chlorophyllspectralindex，csi)、至少一种植被指数(如归一化植被指数((normalized difference vegetation index，ndvi))、由增强植被指数(enhanced vegetation index，evi)、替代型漂浮藻类指数(adjusted floating algae index，afai)、比值植被指数(ratio vegetation index，rvi)、差值植被指数(difference vegetation index，dvi)、浮游藻类指数(floating algae index，fai)等其他植被指数替换，或者由基于虚拟基线高度的浮游藻类遥感识别指数(virtual-baseline floating macroalgae height，vb-fah)等)，本技术对各光谱识别指数的计算方法不做限制，可视情况而定。
82.可选的，结合上文对本技术技术方案的相关描述，本技术将基于水体与不同生长期刚毛藻之间的光谱特征差异，对遥感水域图像中各像元进行分类识别，为了精准获取各像元的光谱识别指数，消除卫星影像的不同卫星波段宽度的差异，可以将光谱检测设备实际测量到的反射率转换为卫星波段的等效反射率，即对实测光谱数据进行波段等效处理，将所得到的等效反射率称为遥感反射率，根据需要还可以确定对应卫星波段的中心波长，据此进一步计算得到遥感水域图像中对应像元的一个或多个光谱识别指数，计算过程本实施例在此不做详述。
83.基于此，计算机设备可以调取用于区分水体区域和刚毛藻区域的第一分类阈值，以及用于区分早期刚毛藻区域和漂浮刚毛藻区域的第二分类阈值，这样，可以将获得的各像元的叶绿素a光谱指数与第一分类阈值进行比较，从上述遥感水域图像中识别出不同生长期刚毛藻区域，再将各像元的上述任一植被指数与对应的第二分类阈值进行比较，从该刚毛藻区域中识别出漂浮刚毛藻区域，关于如何利用像元的csi、任一植被指数从遥感水域图像中，获得漂浮刚毛藻区域的实现过程本技术不做详述。
84.步骤s22，基于漂浮刚毛藻生长环境的实测光谱数据，获得漂浮刚毛藻区域中各像元的漂浮刚毛藻指数；
85.结合上文对漂浮生长期刚毛藻、漂浮衰亡期刚毛藻与附着早期刚毛藻的光谱数据比对分析，相对于附着早期刚毛藻来说，漂浮刚毛藻的光谱特征更接近植被的光谱特征，且漂浮刚毛藻与附着早期刚毛藻最明显的特征就是在红光和近红外波段的差别，因此，本技术可以通过该遥感水域图像中的第一波段(如675nm附近的红光波段)、第二波段(如675nm～800nm的红光波段至近红波段之间的波段)、第三波段(如700nm～850nm的近红外波段)的遥感反射率、中心波长等参数，计算用于识别漂浮刚毛藻不同生长期的漂浮刚毛藻指数，计算方法本技术不做限制。
86.步骤s23，基于漂浮刚毛藻指数与漂浮分类阈值之间的差异，识别漂浮刚毛藻区域中的漂浮衰亡期刚毛藻区域和/或漂浮生长期刚毛藻区域。
87.其中，漂浮分类阈值可以用于区分漂浮衰亡期刚毛藻区域和漂浮生长期刚毛藻区
域，可以是这两个区域中像元的漂浮刚毛藻指数差异的临界值，在实际应用中，可以依据待区分的两个对象之间的漂浮刚毛藻指数差异进行合理选择漂浮分类阈值指数，本技术对针对漂浮分类阈值的获取方法及其数值不做限制，可视情况而定。
88.基于此，按照上文描述的方法精准确定遥感水域图像中漂浮刚毛藻区域内的各像元的漂浮刚毛藻指数后，可以获取漂浮刚毛藻指数对应的漂浮分类阈值，依据两者之间的比较结果，对遥感水域图像中漂浮刚毛藻区域做进一步对象分割识别，准确且细化出漂浮生长期刚毛藻区域、漂浮衰亡期刚毛藻区域等目标区域，以便后续据此对指定生长期刚毛藻所在目标区域进行地理面积计算、定位等，更好地满足不同遥感业务处理需求。
89.由此可见，本技术实施例基于漂浮刚毛藻生成环境下的实测光谱数据，通过分析不同生长期漂浮刚毛藻的漂浮刚毛藻指数的差异，准确识别漂浮刚毛藻生长环境下的遥感水域图像中漂浮刚毛藻区域内，处于漂浮生长期和/或漂浮衰亡期的刚毛藻区域，据此实现对不同生长期漂浮刚毛藻的定量化识别，高效且准确实现不同生长期的漂浮刚毛藻在湖泊中的遥感自动化和业务化监测，也能够据此快速且准确部署刚毛藻打捞任务等，解决人工观察刚毛藻生长情况和空间分布情况所带来的各种问题。
90.参照图3，为本技术提出的面向不同生长期刚毛藻的遥感识别方法的又一可选示例的流程示意图，本实施例可以对上文实施例描述的面向不同生长期刚毛藻的遥感识别方法的一可选细化实现方法进行描述，但并不局限于本实施例描述的细化实现方法，如图3所示，该方法可以包括：
91.步骤s31，获取漂浮刚毛藻生长环境下的遥感水域图像和实测光谱数据；
92.步骤s32，对实测光谱数据与遥感水域图像进行等效处理，得到针对遥感水域图像中各像元的叶绿素a光谱指数、归一化植被指数和漂浮刚毛藻指数；
93.关于步骤s31和步骤s32的实现过程，可以参照上下文相应部分的描述，本实施例在此不做详述。
94.本技术实施例中，以上述获得各像元的光谱识别指数包括漂浮刚毛藻指数、叶绿素a光谱指数、归一化植被指数(其可以替换为其他植被指数或基于虚拟基线高度的浮游藻类遥感识别指数)为例，说明对刚毛藻生长环境下的遥感水域图像的分类识别过程，对于其他植被指数的后续处理过程类似，本技术实施例不做一一举例详述。
95.其中，叶绿素a光谱指数可以通过遥感水域图像中的第一波段和第四波段(如700nm附近的波段)的遥感反射率计算得到；归一化植被指数可以通过该遥感水域图像中的第一波段和第三波段的遥感反射率计算得到的，本技术对这几种光谱识别指数的计算实现方法不做限制。
96.可选的，上述能够替代ndvi的rvi和dvi都可以通过第一波段和第三波段的遥感反射率计算得到；fai可以通过第一波段、第三波段、第五波段(如1600nm附件的波长)各自对应的遥感反射率和中心波长等参数计算得到；vb-fah可以通过第一波段、第三波段和第六波段(如550nm附近的绿光波段)各自的遥感反射率、中心波长等参数计算得到，计算过程本实施例在此不做详述。
97.需要说明，本技术对上述各光谱识别指数计算所涉及到的各卫星波段数值，以及各卫星波段的遥感反射率(即等效反射率)、中心波长等参数数值均不作限制。且在各光谱识别指数计算过程中，可以调用envi(the environment for visualizing images，遥感图
像处理平台)中的bandmath工具进行上述各指数的计算，实现过程本实施例不做详述。
98.步骤s33，获取叶绿素a光谱指数对应的第一分类阈值、归一化植被指数对应的第二分类阈值，以及漂浮刚毛藻指数对应的漂浮分类阈值；
99.对于遥感水域图像中的不同地物(即对象)之间，可以针对每一个光谱识别指数(如上述csi、ndvi、fci)设置一个分类阈值，以便后续可以基于一个或多个分类阈值，利用对应的光谱识别指数，来识别各地物(如不同生长期的刚毛藻)在遥感水域图像所在区域。可见，分类阈值的大小影响着后续刚毛藻区域识别的精准度，可以按照一定规则合理选择针对不同光谱识别指数的分类阈值。
100.在一些实施例中，上述第一分类阈值h可以用于区分水体区域和刚毛藻区域，第二分类阈值i可以用于区分早期刚毛藻区域和漂浮刚毛藻区域，漂浮分类阈值j可以用于区分漂浮生长期刚毛藻和漂浮衰亡期刚毛藻。按照预设规则所确定的第一分类阈值可以从(0～0.2)中选择，第二分类阈值也可以从(0～0.2)中选择，漂浮分类阈值也可以从(-0.1～0.1)中选择，本技术对各分类阈值的数值不做限制。
101.步骤s34，对遥感水域图像中各像元的叶绿素a光谱指数与第一分类阈值进行比较；
102.步骤s35，将遥感水域图像中叶绿素a光谱指数小于第一分类阈值的像元所在区别识别为水体区域；
103.步骤s36，将遥感水域图像中叶绿素a光谱指数大于第一分类阈值的像元所在区别识别为刚毛藻区域；
104.仍以上文a湖实测不同生长期刚毛藻的场景为例进行说明，如图4a所示的不同生长期刚毛藻与水体实测反射光谱曲线，a湖中水体的光谱特征(即实测光谱数据)在红光波段(600nm附近)开始逐渐趋于0值，不同生长期刚毛藻的光谱特征在绿光波段(550nm附近)有一个反射峰，在红光波段(675nm附近)有一个反射谷，在红光至近红波段(675nm～710nm)具有类似于植被光谱曲线特征的陡坡效应。不同生长期刚毛藻区别于a湖水体最明显的光谱特征就是红光至近红波段的陡坡效应，因此，基于第一波段(675nm附近)至第四波段(700nm附近)建立的csi叶绿素a光谱指数，并选取合理的阈值范围(即第一分类阈值)，得到可除去a湖水体影响的不同生长期刚毛藻。
105.因此，为了区分遥感水域图像中水体区域和刚毛藻区域，可以基于刚毛藻生长环境下的实测光谱数据，获得针对遥感水域图像中各像元的叶绿素a光谱指数，将其与第一分类阈值进行比较，若该像元的叶绿素a光谱指数小于第一分类阈值，可以认为该像元位于水体区域；若该像元的叶绿素a光谱指数大于第一分类阈值，可以认为该像元位于刚毛藻区域。可见，本技术可以基于实测的叶绿素a光谱指数，准确识别出遥感水域图像中的水体区域和刚毛藻区域。
106.可选的，在本技术实际应用中，可以采用envi平台上的region of interest(roi，感兴趣区域)工具，基于图像分割算法对遥感水域图像进行阈值分割，识别出哪些像元属于水体区域，哪些像元属于刚毛藻区域，本技术对如何基于图像分割算法，对遥感水域图像的刚毛藻区域进行识别的实现方法不做详述。
107.步骤s37，对位于刚毛藻区域的像元的归一化植被指数与第二分类阈值进行比较；
108.步骤s38，将刚毛藻区域中归一化植被指数小于第二分类阈值的像元所在区域识
别为附着早期刚毛藻区域；
109.步骤s39，将刚毛藻区域中归一化植被指数大于第二分类阈值的像元所在区域识别为漂浮刚毛藻区域；
110.为了进一步识别出刚毛藻区域中各生长期刚毛藻的空间分布，可以基于归一化植被指数或其代替指数，对刚毛藻区域进行细化分割。参照图4b所示的不同生长期刚毛藻实测反射光谱曲线，相对于附着早期刚毛藻来说，漂浮刚毛藻的光谱特征更接近植被的光谱特征，尤其是在绿光波段(550nm附近)有一个反射峰，在红光波段(675nm附近)有一个反射谷，在近红外波段(700nm～850nm)有较高的反射率平台，漂浮刚毛藻能与附着早期刚毛藻最明显的特征就是在红光和近红外波段的差别。因此，本技术可以基于第一波段(675nm附近)和第三波段(700nm～850nm)构建的植被指数，有效地区分漂浮刚毛藻与附着早期刚毛藻，以便后续据此去除附着早期刚毛藻影响的漂浮刚毛藻。
111.基于此，为了进一步从初步确定出的遥感水域图像的刚毛藻区域中，识别出附着早期刚毛藻区域和漂浮刚毛藻区域，可以将位于刚毛藻区域内各像元的归一化植被指数(也可以将其替换为上文列举的其他植被指数，或基于虚拟基线高度的浮游藻类遥感识别指数等)与第二分类阈值进行比较，若该像元的归一化植被指数小于第二分类阈值，可以确定该像元属于附着早期刚毛藻区域；反之，若该像元的归一化植被指数大于第二分类阈值，可以确定该像元属于漂浮刚毛藻区域。在需要捞取漂浮刚毛藻的应用场景下，可以基于所得到的分割识别结果，定位漂浮刚毛藻所在地理位置、在水域中的覆盖面积等，以便据此制定合理的打捞规划。
112.其中，对于上述从刚毛藻区域中，基于图像分割算法，实现附着早期刚毛藻区域和漂浮刚毛藻区域的阈值分割的过程，与上文从遥感水域图像中识别刚毛藻区域的实现过程类似，本技术在此不做详述。
113.步骤s310，对位于漂浮刚毛藻区域的像元的漂浮刚毛藻指数与漂浮分类阈值进行比较；
114.步骤s311，将漂浮刚毛藻区域中漂浮刚毛藻指数小于漂浮分类阈值的像元所在区域识别为漂浮衰亡期刚毛藻区域；
115.步骤s312，将漂浮刚毛藻区域中漂浮刚毛藻指数大于漂浮分类阈值的像元所在区域识别为漂浮生长期刚毛藻区域。
116.在实际应用中，若需要进一步对漂浮刚毛藻的衰亡期和生长期进行分割识别，可以对如图4c所示的漂浮刚毛藻的实测光谱曲线进行分析，从图4c可以看出，相对于漂浮衰亡期刚毛藻来说，漂浮生长期刚毛藻在近红外波段(710nm～850nm)整体上遥感反射率值较高，在近红外波段(783nm附近)和(833nm附近)虽然都有一个反射谷，且在783nm附近相较于833nm附近反射较小，整体上反射率值都较高，因此，基于第一波段(675nm附近)和第三波段(700nm～850nm)，在第二波段(780nm附近)采用线性内插方式得到的反射率信息，就可以区分漂浮衰亡期刚毛藻和漂浮生长期刚毛藻。
117.基于上述分析，本技术实施例可以基于第一波段、第二波段、第三波段，获得位于漂浮刚毛藻区域的各像元的漂浮刚毛藻指数，将其与所配置的漂浮分类阈值进行比较，若位于漂浮刚毛藻区域中的某像元的漂浮刚毛藻指数小于漂浮分类阈值，可以将该像元位于漂浮衰亡期刚毛藻区域；反之，若位于漂浮刚毛藻区域中的某像元的漂浮刚毛藻指数大于
漂浮分类阈值，可以将该像元位于漂浮生长期刚毛藻区域，如此对位于漂浮刚毛藻区域中的各像元的漂浮刚毛藻指数进行比较分析，可以更细粒度且准确识别出漂浮刚毛藻区域中的漂浮衰亡期刚毛藻区域以及漂浮生长期刚毛藻区域。
118.经过上述方法对覆盖不同生长期刚毛藻和水体的遥感水域图像进行分析，能够准确识别不同生长期刚毛藻的空间分布情况，解决目前遥感识别方法难以区分湖泊中的不同生长期漂浮刚毛藻的技术问题，有助于实现不同生长期刚毛藻在湖泊中的遥感自动化和业务化监测。
119.需要说明，针对遥感水域图像中各像元的光谱识别指数的获得过程，以及该像元所属区域的识别过程，包括但并不局限于上文描述的获取方法(如获得针对遥感水域图像中各像元的所有类型光谱识别指数后，再据此识别各区域)及其执行顺序。如上文比较过程的描述，对于遥感水域图像中每一像元，并不都会将针对该像元的各光谱识别指数与对应分类阈值进行比较，所以，在又一些实施例中，可以先获得针对遥感水域图像中各像元的叶绿素a光谱指数，经过与第一分类阈值比较确定刚毛藻区域后，再获得针对位于该刚毛藻区域种各像元的植被指数，将其与第二分类阈值进行比较，确定漂浮刚毛藻区域后，再获得针对位于漂浮刚毛藻区域中各像元的漂浮刚毛藻指数，将其与漂浮分类阈值进行比较，识别出漂浮衰亡期/生长期刚毛藻区域。可见，本技术可以依据区域识别需求，有选择性地获取针对遥感水域图像中各像元对应所需的光谱识别指数，无需获取每一像元的所有类型的光谱识别指数，从而减少光谱识别指数的计算量。
120.参照图5，为本技术提出的面向不同生长期刚毛藻的遥感识别方法的又一可选示例的流程示意图，本实施例可以对上文描述的面向不同生长期刚毛藻的遥感识别方法的又一可选细化实现方式进行描述，可以对上文各光谱识别指数(如漂浮刚毛藻指数fci、叶绿素a光谱指数csi、归一化植被指数ndvi)的获取过程进行描述，但并不局限于本实施例描述的这几种光谱识别指数的获取方式，关于面向不同生长期刚毛藻的遥感识别方法的其他实现过程可以参照上文实施例对应部分的描述，本实施例在此不做赘述。如图5所示，本实施例提出的面向不同生长期刚毛藻的遥感识别方法可以包括：
121.步骤s51，获取漂浮刚毛藻生长环境下的遥感水域图像，以及光谱检测设备对该漂浮刚毛藻生长环境进行检测所得到的实测光谱数据；
122.步骤s52，对实测光谱数据进行波段等效处理，得到针对遥感水域图像中的不同卫星波段的遥感发射率和中心波长；
123.结合上文实施例对应部分的描述，经过对实测光谱数据的波段等效处理，可以得到针对遥感水域图像中第一波段的第一遥感反射率和第一中心波长、第二波段的第二遥感反射率和第二中心波长、第三波段的第三遥感反射率和第三中心波长、第四波段的第四遥感反射率、第五波段的第五遥感反射率和第五中心波长、第六波段的第六遥感反射率和第六中心波长。关于各波段及其对应参数数值，可以参照上下文对应部分的描述。
124.步骤s53，获取第二中心波长与第一中心波长之间的第一波长变量，以及第三中心波长与第一中心波长之间的第二波长变量；
125.步骤s54，对第一波长变量与第二波长变量进行比值运算，得到波长变化系数；
126.步骤s55，获取第三遥感反射率与第一遥感反射率之间的第一反射率变量，将第一反射率变量与波长变化系数进行乘积运算，得到第二反射率变量；
127.步骤s56，对第二遥感反射率、第一遥感反射率和第二反射率变量进行差值运算，得到遥感水域图像中对应像元的漂浮刚毛藻指数。
128.在对实测光谱数据进行波段等效处理，获得同一漂浮刚毛藻生长环境的遥感水域图像中各像元的漂浮刚毛藻指数fci过程中，可以按照但并不局限于本实施例描述的方法，如公式(1)所示的漂浮刚毛藻指数fci计算方式：
129.fci＝ρ
(第二波段)-ρ
(第一波段)-(ρ
(第三波段)-ρ
(第一波段)
)
×
(λ
(第二波段)-λ
(第一波段)
)/(λ
(第三波段)-λ
(第一波段)
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
130.如公式(1)所示，ρ可以表示遥感反射率，λ可以表示中心波长，(λ
(第二波段)-λ
(第一波段)
)可以表示第一波长变量，(λ
(第三波段)-λ
(第一波段)
)可以表示第二波长变量。
131.结合上文实施例的相关描述，该漂浮刚毛藻指数可以用于对漂浮刚毛藻区域进行细化分割，可以在获得实测光谱数据，对其进行波段等效处理后，可以直接获得针对遥感水域图像中各像元的fci；也可以先按照上文描述的方法，识别出遥感水域图像中的漂浮刚毛藻区域后，再按照上述公式(1)，计算针对该漂浮刚毛藻区域中各像元的fci。
132.可选的，对于针对遥感水域图像中像元的其他光谱识别指数，可以按照但并不局限于下文描述的方法确定：为了获得遥感水域图像中像元的叶绿素a光谱指数csi，可以基于遥感水域图像中像元的第一波段和第四波段计算得到，如可以利用第一波段的第一遥感反射率和第四波段的遥感反射率计算得到，如下公式(2)所表示的csi计算方法：
[0133][0134]
可选的，本技术还可以利用遥感水域图像中像元的第三波段的第三遥感反射率，以及上述第一遥感反射率，构建遥感水域图像中相应像元的归一化植被指数ndvi，如下公式(3)的计算方式：
[0135][0136]
可选的，若本技术采用比值植被指数rvi替换上述归一化植被指数ndvi，可以采用如下公式(4)，计算遥感水域图像中各像元的比值植被指数rvi：
[0137][0138]
可选的，本技术也可以采用公式(5)计算遥感水域图像中各像元的差值植被指数dvi，由该dvi替换上述刚毛藻遥感识别方法中的归一化植被指数：
[0139]
dvi＝ρ
(第三波段)-ρ
(第一波段)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0140]
可选的，本技术也可以采用公式(6)计算遥感水域图像中各像元的增强植被指数evi，由该evi替换上述刚毛藻遥感识别方法中的归一化植被指数：
[0141][0142]
可选的，本技术也可以采用公式(7)计算遥感水域图像中各像元的替代型漂浮藻类指数afai，由该afai替换上述刚毛藻遥感识别方法中的归一化植被指数：
[0143]
afai＝ρ
(第三波段)-ρ
(第一波段)
+(ρ
(第五波段)-ρ
(第一波段)
)
×
0.5
ꢀꢀ
(7)
[0144]
可选的，本技术也可以采用公式(8)计算遥感水域图像中各像元的浮游藻类指数afi，由该afi替换上述面向不同生长期刚毛藻的遥感识别方法中的归一化植被指数：
[0145]
afi＝ρ
(第三波段)-ρ
′
(第一波段)
[0146]
ρ
′
(第一波段)
＝ρ
(第一波段)
+(ρ
(第五波段)-ρ
(第一波段)
)
×
(λ
(第三波段)-λ
(第一波段)
)(λ
(第五波段)-λ
(第一波段)
)
ꢀꢀꢀ
(8)
[0147]
其中，λ可以表示中心波长，本技术对上述各波段的遥感反射率以及中心波长的获取方法不作详述。
[0148]
可选的，本技术还可以采用公式(9)计算遥感水域图像中各像元的基于虚拟基线高度的浮游藻类遥感识别指数vb-fah，由该vb-fah替换上述面向不同生长期刚毛藻的遥感识别方法中的归一化植被指数：
[0149]
vb-fah＝(ρ
(第四波长值)-ρ
(第六波长值)
)+(ρ
(第六波长值)-ρ
(第一波长值)
)
×
(λ
(第四波长值)-λ
(第六波长值)
)/(2λ
(第四波长值)-λ
(第一波长值)-λ
(第六波长值)
)
ꢀꢀ
(9)
[0150]
参照图6，为本技术提出的面向不同生长期刚毛藻的遥感识别方法的又一可选示例的流程示意图，本实施例可以对上文实施例描述的面向不同生长期刚毛藻的遥感识别方法的又一可选细化实现方法进行描述，本实施例可以对上文面向不同生长期刚毛藻的遥感识别方法中不同分类阈值的获取过程进行描述，但并不局限于本实施例描述的分类阈值获取实现方式，如图6所示，该方法可以包括：
[0151]
步骤s61，获取覆盖漂浮刚毛藻的遥感区域图像；
[0152]
步骤s62，基于分类算法，对该遥感区域图像进行分类识别，得到多组地物具有的不同漂浮刚毛藻指数以及像元值；
[0153]
本技术实施例可以构建分类树的阈值，据此确定针对不同光谱识别指数(如csi、ndvi、fci等，本技术实施例以获取fci的分类阈值为例进行说明)的分类阈值。对此，本技术可以获取覆盖不同生长期漂浮刚毛藻的生长环境的遥感区域图像，采用分类树方法，对该遥感区域图像进行分类识别，确定该遥感区域图像包含的多组地物(地表面的固定性物体，如不同生长期的刚毛藻(其包含漂浮衰亡期刚毛藻区域、漂浮生长期刚毛藻区域)、水体等)，还可以结合上文描述的光谱识别指数提取方法，获得各组地物中具有不同光谱识别指数的像元值。本技术对如何从遥感区域图像识别不同地物的实现方法不做限制，可以结合所选择的图像识别算法的运算原理确定。
[0154]
步骤s63，确定该漂浮刚毛藻指数对应的多组地物的像元值的未重叠范围值；
[0155]
步骤s64，从多组地物的像元值的未重叠范围值中，确定该漂浮刚毛藻指数对应的多组地物的最大像元值和最小像元值；
[0156]
步骤s65，对多组地物的最大像元值和最小像元值进行均值运算，得到漂浮刚毛藻指数的漂浮分类阈值。
[0157]
按照上文描述的方法，获得遥感区域图像中各组地物的像元值后，可以对各组地物的像元值在不同光谱识别指数(本技术以漂浮刚毛藻指数为例进行说明，对于其他类型的光谱识别指数的分类阈值获取过程类似)的范围，据此确定各组地物像元值之间是否存在重叠范围值，之后，可以选择各组地物像元值之间未重叠范围值，来区分不同生长期刚毛藻和水体。
[0158]
为了提高所得分类阈值的准确性，可以采用均值计算方式确定，因此，本技术实施
例可以确定同一光谱识别指数(如漂浮刚毛藻指数)对应的多组地物的最大像元值和最小像元值。
[0159]
示例性的，可以基于获得针对a湖的遥感水域图像，获取附着早期刚毛藻、漂浮生长期刚毛藻、漂浮衰亡期刚毛藻以及a湖水体的反射率光谱，在确定csi、ndvi、fci之中任一光谱识别指数后计算各地物的盒须图，如图7a所示的基于csi的各组地物的盒须图，如图7b所示的基于ndvi的各组地物的盒须图，如图7c所示的基于fci的各组地物的盒须图。在图示的各盒须图中，框中实线表示中值，上部和下部的底分别表示第四分之一和第四分之三分位数，上下边缘则分别代表了该组数据的最大像元值和最小像元值。之后，可以将两者平均值确定为该光谱识别指数对应的分类阈值，由此确定csi对应的第一分类阈值、ndvi对应的第二分类阈值、fci对应的漂浮分类阈值。
[0160]
为了进一步对所确定的各分类阈值进行校准，本技术可以使用遥感测试图像对所确定的各分类阈值进行验证，如按照上文描述的方法，基于所确定的各分类阈值，对该遥感测试图像中不同生长期刚毛藻所在区域进行识别分割，验证识别结果与真实环境中各生长期刚毛藻的实际所在区域是否一致，若基本一致，可以认为所确定的各分类阈值准确；反之，可以适应性调整对应的分类阈值，以提高刚毛藻遥感识别精准度。对于其他类型的光谱识别指数对应的分类阈值的获取方法类似，本技术在此不做一一举例详述。
[0161]
参照图8，为本技术提出的刚毛藻遥感识别方法的又一可选示例的流程示意图，本实施例可以对上文实施例描述的刚毛藻遥感识别方法的又一可选细化实现方法进行描述，如图8所示，该方法可以包括：
[0162]
步骤s81，获取待识别区域的光学遥感影像；
[0163]
步骤s82，对光学遥感影像进行预处理，以将该光学遥感影像的数字量化值转换为反射率值；
[0164]
在实际应用中，可以结合待识别区域(如漂浮刚毛藻生长湖泊等水域)的地理位置和环境气候等，对遥感卫星所采集到的光学遥感影像进行预处理，以提高光学遥感影像中刚毛藻相关特征信息更加清晰，如利用sen2cor软件对光学遥感影像中的某类数据进行大气校正，得到地表反射率数据；对于某些特殊地理位置的光学遥感影像，可以利用哨兵数据应用平台(sentinel application platform，snap)对同一天采集到的无云影像进行重采样、镶嵌等预处理，本技术对影像预处理实现方法不做限制，可视情况而定。对于预处理后的光学遥感影像，可以将数字量化dn值转换为反射率值，该转换过程本技术实施例在此不做详述。
[0165]
步骤s83，对预处理后的光学遥感影像进行感兴趣区域识别，得到覆盖不同生长期刚毛藻区域和水体区域的遥感水域图像；
[0166]
结合上文实施例对应部分的描述，本技术可以使用如envi的感兴趣区工具，对处理后的光学遥感影像进行感兴趣区域识别，如通过目视解译的方式，识别包含不同生长期刚毛藻和水体的边界，裁剪预处理后的遥感数据，获得覆盖不同生长期刚毛藻区域和水体区域的遥感水域图像。本技术对目视解译的运算原理不做详述。
[0167]
步骤s84，将遥感水域图像输入光谱识别指数提取模型，得到遥感水域图像中各像元的光谱识别指数；
[0168]
其中，光谱识别指数至少可以包括漂浮刚毛藻指数和叶绿素a光谱指数，以及植被
指数(其可以包括但并不局限于归一化植被指数、增强植被指数、替代型漂浮藻类指数、比值植被指数、差值植被指数以及浮游藻类指数之中的任一指数)或基于虚拟基线高度的浮游藻类遥感识别指数等。光谱识别指数提取模型可以是基于漂浮刚毛藻不同生长环境的样本遥感水域图像进行学习得到，本技术对该模型学习方法不做限制。
[0169]
可选的，对于上述光谱识别指数提取模型可以是按照上述学习方法，得到的能够识别多种光谱识别指数的一个模型，也可以包括分别用于提取不同光谱识别指数的多个子模型，本技术对该光谱识别指数提取模型的结构组成不做限制，可视情况而定。
[0170]
对于上述用于提取漂浮刚毛藻指数的子模型(即漂浮刚毛藻特征提取模型)，可以基于覆盖处于不同生长期的漂浮刚毛藻的遥感图像进行学习得到，关于该子模型的结构可以参照但并不局限于上文实施例对应部分的计算公式。基于此，本技术可以对漂浮刚毛藻生长环境的实测光谱数据进行波段等效处理，得到针对漂浮刚毛藻区域的多个卫星波段各自的遥感发射率和中心波长，之后，将多个卫星波段各自的遥感发射率和中心波长输入漂浮刚毛藻特征提取模型，得到漂浮刚毛藻区域中各像元的漂浮刚毛藻指数，实现过程不做详述。
[0171]
步骤s85，获取针对不同光谱识别指数构建的分类阈值；
[0172]
步骤s86，将不同光谱识别指数与对应的分类阈值进行比较，得到对应的比较结果；
[0173]
步骤s87，基于不同分类阈值对应的比较结果，识别遥感水域图像中处于任一生长期刚毛藻所在的目标区域，该目标区域至少包括漂浮衰亡期刚毛藻区域和/或漂浮生长期刚毛藻区域；
[0174]
关于步骤s85-步骤s87的实现过程，可以参照上文实施例对应部分的描述，本实施例在此不做赘述。
[0175]
步骤s88，基于识别出的不同目标区域，确定在漂浮刚毛藻生长环境下对应生长期刚毛藻的覆盖面积和/或覆盖地理位置；
[0176]
步骤s89，输出所确定的任一生长期刚毛藻的覆盖面积和/或覆盖地理位置。
[0177]
针对不同的遥感业务需求，从待识别的漂浮刚毛藻生长环境的遥感水域图像中，识别出任一生长期刚毛藻所在的区域，即确定处于附着早期、漂浮生长期、漂浮衰亡期等不同生长期刚毛藻的空间分布情况，后续可以据此定位某一生长期刚毛藻，实现对该生长期刚毛藻的有针对性处理，推动不同生长期刚毛藻自动化监测和管理。
[0178]
其中，上述覆盖面积可以基于光学遥感影像的采集参数，对遥感水域图像中目标区域的区域面积进行转换得到，也可以定位某生长期刚毛藻的覆盖地理位置后，再据此计算得到该生长期刚毛藻的覆盖面积等，本技术对任一生长期刚毛藻的覆盖面积、覆盖地理位置的获取方法不做限制。
[0179]
结合上文各实施例对面向不同生长期刚毛藻的遥感识别方法的相关描述，下面将基于sentinel-2(即哨兵2号高分辨率多光谱成像卫星)遥感影像对a湖刚毛藻为案例进行说明，若地面观测得到的遥感反射率的光谱分辨率为1nm，卫星影像具有不同的波段数量且每种卫星的波段宽度也不一样，需要将光谱仪测得的反射率转换为卫星波段的等效反射率，可以采用波段等效计算方式，将实测不同生长期刚毛藻和水体光谱等效到哨兵2卫星波段的反射率，得到如图9a所示的基于哨兵2号等效后的不同生长期刚毛藻和水体反射光谱
曲线。
[0180]
在该示例中，获取哨兵2遥感数据，通过一系列遥感数据预处理，将dn值转换为反射率值后，可以按照上文实施例描述的方法，获取各像元的叶绿素a光谱指数、归一化植被指数、漂浮刚毛藻指数，在各指数获取过程中所选择的各波长值及其遥感反射率可以包括：选择哨兵2的第4波段的遥感反射率记为第一波段的第一遥感反射率，选择第5波段的遥感反射率记为第四波段的第四遥感反射率，选择第7波段的遥感反射率记为第二波段的第二遥感反射率，选择第8波段的遥感反射率记为第三波段的第三遥感反射率。其中，第4波段的中心波长为665nm，第5波段的中心波长为705nm，第7波段的中心波长为783nm，第8波段的中心波长为842nm。
[0181]
其中，为了验证图像上不同生长期刚毛藻和a湖水体的光谱曲线与实测等效后光谱曲线的一致性，可以选取多景预处理后哨兵2上的不同生长期和a湖水体的光谱曲线，且是具有代表的波段(第2、3、4、5、6、7、8、11、22波段)进行对比，如图9b和图9c所示。结合上述分析，本技术可以根据不同生长期刚毛藻和a湖水体光谱的特性差异，准确识别不同生长期刚毛藻区域和覆盖面积估算的目的。
[0182]
参照图10，为本技术提出的面向不同生长期刚毛藻的遥感识别装置的一可选示例的结构示意图，该装置可以包括：
[0183]
漂浮刚毛藻区域获得模块101，用于获得漂浮刚毛藻生长环境下的遥感水域图像中的漂浮刚毛藻区域；
[0184]
漂浮刚毛藻指数获得模块102，用于基于所述漂浮刚毛藻生长环境的实测光谱数据，获得所述漂浮刚毛藻区域中各像元的漂浮刚毛藻指数；
[0185]
区域识别模块103，用于基于所述漂浮刚毛藻指数与漂浮分类阈值的比较结果，识别所述漂浮刚毛藻区域中的漂浮衰亡期刚毛藻区域和/或漂浮生长期刚毛藻区域。
[0186]
在一些实施例中，上述漂浮刚毛藻指数获得模块102可以包括：
[0187]
等效处理单元，用于对所述漂浮刚毛藻生长环境的实测光谱数据进行波段等效处理，得到针对所述漂浮刚毛藻区域的多个卫星波段各自的遥感发射率和中心波长；
[0188]
指数计算单元，用于将所述多个卫星波段各自的遥感发射率和中心波长输入漂浮刚毛藻特征提取模型，得到所述漂浮刚毛藻区域中各像元的漂浮刚毛藻指数。
[0189]
可选的，上述多个卫星波段各自的遥感发射率和中心波长包括：所述遥感水域图像中第一波段的第一遥感反射率和第一中心波长、第二波段的第二遥感反射率和第二中心波长、第三波段的第三遥感反射率和第三中心波长；其中，所述第一波段为红光波段、所述第二波段为红光波段至近红波段之间的波段、所述第三波段为近红外波段；基于此，上述指数计算单元可以包括：
[0190]
波长变量获取单元，用于获取所述第二中心波长与所述第一中心波长的第一波长变量，以及所述第三中心波长与所述第一中心波长的第二波长变量；
[0191]
波长变化系数获取单元，用于对所述第一波长变量与所述第二波长变量进行比值运算，得到波长变化系数；
[0192]
反射率变量获得单元，用于获取所述第三遥感反射率与所述第一遥感反射率的第一反射率变量，对所述第一反射率变量与所述波长变化系数进行乘积运算，得到第二反射率变量；
[0193]
漂浮刚毛藻指数运算单元，用于对所述第二遥感反射率、所述第一遥感反射率和所述第二反射率变量进行差值运算，得到所述漂浮刚毛藻区域对应像元的漂浮刚毛藻指数。
[0194]
在又一些实施例中，上述区域识别模块103可以包括：
[0195]
漂浮分类阈值获取单元，用于获取针对不同生长期的漂浮刚毛藻的漂浮分类阈值；
[0196]
第一比较单元，用于对所述漂浮刚毛藻区域中各像元的所述漂浮刚毛藻指数分别与所述漂浮分类阈值进行比较；
[0197]
第一识别单元，用于将所述漂浮刚毛藻指数小于所述漂浮分类阈值的像元所在区域识别为漂浮衰亡期刚毛藻区域，以及所述漂浮刚毛藻指数大于所述漂浮分类阈值的像元所在区域识别为漂浮生长期刚毛藻区域。
[0198]
基于此，上述漂浮分类阈值获取单元可以包括：
[0199]
遥感区域图像获取单元，用于获取覆盖漂浮刚毛藻的遥感区域图像；
[0200]
像元值得到单元，用于基于分类算法，对所述遥感区域图像进行分类识别，得到多组地物具有的漂浮刚毛藻指数以及像元值；所述多组地物包括水体以及不同生长期刚毛藻；
[0201]
重叠范围检测单元，用于确定所述漂浮刚毛藻指数对应的所述多组地物的像元值的未重叠范围值；
[0202]
像元最值确定单元，用于从所述多组地物的像元值的未重叠范围值中，确定所述漂浮刚毛藻指数对应的所述多组地物的最大像元值和最小像元值；
[0203]
漂浮分类阈值得到单元，用于对所述多组地物的最大像元值和最小像元值进行均值运算，得到所述漂浮刚毛藻指数的漂浮分类阈值。
[0204]
在又一些实施例中，上述漂浮刚毛藻区域获得模块101可以包括：
[0205]
遥感水域图像获得单元，用于获得漂浮刚毛藻生长环境下的遥感水域图像；
[0206]
光谱指数获得单元，用于基于所述漂浮刚毛藻生长环境的实测光谱数据，获得所述遥感水域图像中各像元的叶绿素a光谱指数和至少一种植被指数；
[0207]
刚毛藻区域识别单元，用于基于所述叶绿素a光谱指数与第一分类阈值的比较结果，识别所述遥感水域图像中不同生长期的刚毛藻区域；
[0208]
漂浮刚毛藻识别单元，用于基于所述植被指数与第二分类阈值的比较结果，识别所述不同生长期的刚毛藻区域中的附着早期刚毛藻区域和漂浮刚毛藻区域；
[0209]
可选的，上述遥感水域图像获得单元可以包括：
[0210]
光学遥感影像获取单元，用于获取待识别区域的光学遥感影像；
[0211]
预处理单元，用于对所述光学遥感影像进行预处理，以将该光学遥感影像的数字量化值转换为反射率值；
[0212]
感兴趣识别单元，用于对预处理后的光学遥感影像进行感兴趣区域识别，得到覆盖不同生长期刚毛藻区域和水体区域的遥感水域图像。基于上述各实施例的描述内容，上述装置还可以包括：
[0213]
覆盖面积确定模块，用于基于从所述遥感水域图像识别出的不同生长期刚毛藻区域，确定在所述漂浮刚毛藻生长环境下对应生长期刚毛藻的覆盖面积，和/或；
[0214]
覆盖面积确定模块，用于基于从所述遥感水域图像识别出的不同生长期刚毛藻区域，确定在所述漂浮刚毛藻生长环境下对应生长期刚毛藻的覆盖地理位置；
[0215]
输出模块，用于输出所确定的任一生长期刚毛藻的覆盖面积和/或覆盖地理位置。
[0216]
需要说明的是，关于上述各装置实施例中的各种模块、单元等，均可以作为程序模块存储在存储器中，可以由处理器执行存储在存储器中的上述程序模块，以实现相应的功能，也可以由该程序模型和硬件结合实现，关于各程序模块及其组合所实现的功能，以及达到的技术效果，可以参照上述方法实施例相应部分的描述，本实施例不再赘述。
[0217]
本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器加载并执行，实现上述的面向不同生长期刚毛藻的遥感识别方法的各步骤，具体实现过程可以参照上述实施例相应部分的描述，本实施例不做赘述。
[0218]
本技术实施例还提供了一种面向不同生长期刚毛藻的遥感识别系统，该系统可以包括遥感设备，光谱检测设备以及适用于本技术提出的面向不同生长期刚毛藻的遥感识别方法的计算机设备，其中，该遥感设备可以用于获取刚毛藻生长环境下的光学遥感影像，以确定漂浮刚毛藻生长环境的遥感水域图像；光谱检测设备可以用于对所述漂浮刚毛藻生长环境进行光谱数据检测，得到实测光谱数据，关于遥感设备，光谱检测设备的类型以及工作内容，可以参照上文方法实施例对应部分的描述，本实施例在此不做详述。
[0219]
在实际应用中，上述面向不同生长期刚毛藻的遥感识别过程中，上述计算机设备能够与遥感设备和光谱检测设备进行通信连接，实现相互之间的数据传输，如计算机设备接收遥感设备发送的光学遥感影像、接收光谱检测设备发送的实测光谱数据等，本技术对不同设备之间的通信方式不做限制，可视情而定。应该理解的是，上述系统实施例描述的面向不同生长期刚毛藻的遥感识别系统的结构并不构成对本技术实施例中面向不同生长期刚毛藻的遥感识别系统的限定，在实际应用中，面向不同生长期刚毛藻的遥感识别系统可以包括比上述示例更多或更少的设备，如监控设备、数据库等，本技术在此不做一一列举。
[0220]
参照图11，为适用于本技术提出的面向不同生长期刚毛藻的遥感识别方法的计算机设备的硬件结构示意图，该计算机设备可以包括：通信接口111，存储器112和处理器113，其中：
[0221]
通信接口111可以包括能够利用无线通信网络实现数据交互的通信模块，如wifi模块、5g/6g(第五代移动通信网络/第六代移动通信网络)模块、gprs模块、遥感通信模块等通信模块的数据传输接口，该通信接口111还可以包括实现计算机设备内部组成部件之间的数据交互的数据传输接口，如usb接口、串/并口等，本技术对该通信接口111包含的具体内容不做限定。
[0222]
存储器112可以用于存储实现上文实施例描述的面向不同生长期刚毛藻的遥感识别方法的程序；处理器113可以用于加载并执行所述存储器存储的所述程序，以实现上文实施例描述的面向不同生长期刚毛藻的遥感识别方法的各步骤，具体实现过程可以参照上述实施例相应部分的描述，本实施例不做赘述。
[0223]
在本技术实施例中，存储器112可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。处理器113，可以为中央处理器(central processing unit，cpu)、特定应用集成电路(application-specific integrated circuit，asic)、数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门
阵列(fpga)或者其他可编程逻辑器件等。
[0224]
可以理解，上述计算机设备可以是服务器或具有一定数据处理能力的终端，服务器可以是独立的物理服务器、也可以是多台物理服务器构成的服务器集，或者是能够实现云计算的云服务器等；终端可以包括但并不局限于智能手机、笔记本电脑、台式电脑、机器人等。在上述计算机设备为终端的情况下，其还可以包括如感应触摸显示面板上的触摸事件的触摸感应单元、键盘、鼠标、摄像头、拾音器等至少一个输入设备；如显示器、扬声器、振动机构、灯等至少一个输出设备等。也就是说，图11所示的计算机设备的结构并不构成对本技术实施例中计算机设备的限定，在实际应用中，计算机设备可以包括比图11所示的更多或更少的部件，或者组合某些部件，本技术在此不做一一列举。
[0225]
最后，需要说明的是，关于上述各实施例中，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0226]
其中，在本技术实施例的描述中，除非另有说明，“/”表示或的意思，例如，a/b可以表示a或b；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，在本技术实施例的描述中，“多个”是指两个或多于两个。
[0227]
本技术涉及到的术语诸如“第一”、“第二”等仅用于描述目的，用来将一个操作、单元或模块与另一个操作、单元或模块区分开来，而不一定要求或者暗示这些单元、操作或模块之间存在任何这种实际的关系或者顺序。且不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量，由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
[0228]
另外，本说明书中各个实施例采用递进或并列的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、系统、介质、计算机设备而言，由于其与实施例公开的方法对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0229]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计预设条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0230]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的核心思想或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：

1.一种面向不同生长期刚毛藻的遥感识别方法，其特征在于，所述方法包括：获得漂浮刚毛藻生长环境下的遥感水域图像中的漂浮刚毛藻区域；基于所述漂浮刚毛藻生长环境的实测光谱数据，获得所述漂浮刚毛藻区域中各像元的漂浮刚毛藻指数；基于所述漂浮刚毛藻指数与漂浮分类阈值的比较结果，识别所述漂浮刚毛藻区域中的漂浮衰亡期刚毛藻区域和/或漂浮生长期刚毛藻区域。2.根据权利要求1所述的方法，其特征在于，所述基于所述漂浮刚毛藻生长环境的实测光谱数据，获得所述漂浮刚毛藻区域中各像元的漂浮刚毛藻指数，包括：对所述漂浮刚毛藻生长环境的实测光谱数据进行波段等效处理，得到针对所述漂浮刚毛藻区域的多个卫星波段各自的遥感发射率和中心波长；将所述多个卫星波段各自的遥感发射率和中心波长输入漂浮刚毛藻特征提取模型，得到所述漂浮刚毛藻区域中各像元的漂浮刚毛藻指数。3.根据权利要求2所述的方法，其特征在于，所述多个卫星波段各自的遥感发射率和中心波长包括：所述遥感水域图像中第一波段的第一遥感反射率和第一中心波长、第二波段的第二遥感反射率和第二中心波长、第三波段的第三遥感反射率和第三中心波长；其中，所述第一波段为红光波段、所述第二波段为红光波段至近红波段之间的波段、所述第三波段为近红外波段；所述将所述多个卫星波段各自的遥感发射率和中心波长输入漂浮刚毛藻特征提取模型，得到所述漂浮刚毛藻区域中各像元的漂浮刚毛藻指数，包括：获取所述第二中心波长与所述第一中心波长的第一波长变量，以及所述第三中心波长与所述第一中心波长的第二波长变量；对所述第一波长变量与所述第二波长变量进行比值运算，得到波长变化系数；获取所述第三遥感反射率与所述第一遥感反射率的第一反射率变量，对所述第一反射率变量与所述波长变化系数进行乘积运算，得到第二反射率变量；对所述第二遥感反射率、所述第一遥感反射率和所述第二反射率变量进行差值运算，得到所述漂浮刚毛藻区域对应像元的漂浮刚毛藻指数。4.根据权利要求1-3任一项所述的方法，其特征在于，所述基于所述漂浮刚毛藻指数与漂浮分类阈值的比较结果，识别所述漂浮刚毛藻区域中的漂浮衰亡期刚毛藻区域和/或漂浮生长期刚毛藻区域，包括：获取针对不同生长期的漂浮刚毛藻的漂浮分类阈值；对所述漂浮刚毛藻区域中各像元的所述漂浮刚毛藻指数分别与所述漂浮分类阈值进行比较；将所述漂浮刚毛藻指数小于所述漂浮分类阈值的像元所在区域识别为漂浮衰亡期刚毛藻区域，以及所述漂浮刚毛藻指数大于所述漂浮分类阈值的像元所在区域识别为漂浮生长期刚毛藻区域。5.根据权利要求4所述的方法，其特征在于，所述获取针对不同生长期的漂浮刚毛藻的漂浮分类阈值，包括：获取覆盖漂浮刚毛藻的遥感区域图像；基于分类算法，对所述遥感区域图像进行分类识别，得到多组地物具有的漂浮刚毛藻
指数以及像元值；所述多组地物包括水体以及不同生长期刚毛藻；确定所述漂浮刚毛藻指数对应的所述多组地物的像元值的未重叠范围值；从所述多组地物的像元值的未重叠范围值中，确定所述漂浮刚毛藻指数对应的所述多组地物的最大像元值和最小像元值；对所述多组地物的最大像元值和最小像元值进行均值运算，得到所述漂浮刚毛藻指数的漂浮分类阈值。6.根据权利要求1-3任一项所述的方法，其特征在于，所述获得漂浮刚毛藻生长环境下的遥感水域图像中的漂浮刚毛藻区域，包括：获得漂浮刚毛藻生长环境下的遥感水域图像；基于所述漂浮刚毛藻生长环境的实测光谱数据，获得所述遥感水域图像中各像元的叶绿素a光谱指数和至少一种植被指数；基于所述叶绿素a光谱指数与第一分类阈值的比较结果，识别所述遥感水域图像中不同生长期的刚毛藻区域；基于所述植被指数与第二分类阈值的比较结果，识别所述不同生长期的刚毛藻区域中的附着早期刚毛藻区域和漂浮刚毛藻区域；所述方法还包括：基于从所述遥感水域图像识别出的不同生长期刚毛藻区域，确定在所述漂浮刚毛藻生长环境下对应生长期刚毛藻的覆盖面积和/或覆盖地理位置；输出所确定的任一生长期刚毛藻的覆盖面积和/或覆盖地理位置。7.一种面向不同生长期刚毛藻的遥感识别装置，其特征在于，所述装置包括：漂浮刚毛藻区域获得模块，用于获得漂浮刚毛藻生长环境下的遥感水域图像中的漂浮刚毛藻区域；漂浮刚毛藻指数获得模块，用于基于所述漂浮刚毛藻生长环境的实测光谱数据，获得所述漂浮刚毛藻区域中各像元的漂浮刚毛藻指数；区域识别模块，用于基于所述漂浮刚毛藻指数与漂浮分类阈值的比较结果，识别所述漂浮刚毛藻区域中的漂浮衰亡期刚毛藻区域和/或漂浮生长期刚毛藻区域。8.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述计算机指令被处理器加载执行，实现如权利要求1-6任一项所述的面向不同生长期刚毛藻的遥感识别方法。9.一种计算机设备，其特征在于，所述计算机设备包括：通信接口；存储器，用于存储实现如权利要求1-6任一项所述的面向不同生长期刚毛藻的遥感识别方法的程序；处理器，用于加载执行所述存储器存储的所述程序，实现如权利要求1-6任一项所述的面向不同生长期刚毛藻的遥感识别方法。10.一种面向不同生长期刚毛藻的遥感识别系统，其特征在于，所述系统包括：遥感设备，用于获取刚毛藻生长环境下的光学遥感影像，以确定漂浮刚毛藻生长环境的遥感水域图像；光谱检测设备，用于对所述漂浮刚毛藻生长环境进行光谱数据检测，得到实测光谱数
据；与所述遥感设备和所述光谱检测设备通信连接，如权利要求9所述的计算机设备。

技术总结

本申请提供一种面向不同生长期刚毛藻的遥感识别方法及设备，获取漂浮刚毛藻生长环境下遥感水域图像中的漂浮刚毛藻区域后，可以基于漂浮刚毛藻生长环境的实测光谱数据，获得该漂浮刚毛藻区域中各像元的漂浮刚毛藻指数，从而基于该漂浮刚毛藻指数与漂浮分类阈值的比较结果，来精准识别漂浮刚毛藻区域中的漂浮衰亡期刚毛藻区域和/或漂浮生长期刚毛藻区域，通过这种不同生长期漂浮刚毛藻的定量识别方式，精准确定其空间分布情况，推动不同生长期漂浮刚毛藻在湖泊中的遥感自动化和业务化监测。测。测。