晴空条件下海上雾霾遥感识别方法及系统与相关技术
海雾的监测方案
海雾的监测方案1. 简介海雾作为一种常见的自然气象现象，对于航运、交通和能见度等方面都有着重要的影响。
为了有效地监测海雾的发生和演变情况，制定一套科学合理的海雾监测方案就显得尤为重要。
本文将详细介绍一套海雾的监测方案。
2. 监测方法在监测海雾时，主要采用以下几种方法：2.1 人工观测人工观测是最早被采用的一种监测方法。
通过专业的气象观测员，使用指定的观测工具和设备，对海雾现象进行实地观测和记录。
观测内容主要包括海雾的形态、密度、高度、持续时间等。
这种方法能够提供准确的实时观测数据，但面临着观测范围有限、观测人员受限制等问题。
2.2 遥感监测遥感监测是一种利用航空器或卫星等遥感设备对海雾进行观测的方法。
通过获取海雾的热辐射和光学特征，进而确定海雾的位置、范围和强度等信息。
遥感监测具有观测范围广、观测精度高的优点，但对设备和数据处理要求较高。
2.3 气象传感器监测气象传感器监测是一种基于物理原理和传感技术的监测方法。
通过在特定位置安装气象传感器，利用其测量的气象参数数据，如温度、湿度、气压等，结合气象学模型，推测海雾的发生和演变情况。
这种方法可以实现自动化监测，并能够提供连续的监测数据，但对传感器的准确性和可靠性要求较高。
3. 数据处理和分析为了更好地利用监测的海雾数据，需要进行数据处理和分析，以获取有用的信息和结论。
3.1 数据预处理海雾监测数据经常伴随着噪声和异常值。
在进行数据分析之前，需要对数据进行预处理，包括去除异常值、进行插补处理等，以保证数据的可靠性和准确性。
3.2 数据分析方法常用的海雾数据分析方法包括统计分析、时间序列分析和空间分析等。
通过对海雾数据进行统计描述、趋势分析和相关性分析等，可以揭示海雾的变化规律和影响因素。
3.3 数据可视化数据可视化是将分析结果以图表、图像等形式展示出来，以更直观地理解海雾的特征和变化趋势。
常用的数据可视化工具有Matplotlib、Plotly等，可以生成直方图、散点图、热力图等图形。
如何利用遥感数据进行海洋环境监测
如何利用遥感数据进行海洋环境监测遥感数据在海洋环境监测中的应用遥感技术是指通过人造卫星、航空器等高空平台对地球表面进行观测和探测的技术手段。
利用遥感技术获取的观测数据，可以为海洋环境监测提供丰富的信息，从而帮助我们更好地理解和管理海洋环境。
本文将讨论如何利用遥感数据进行海洋环境监测。
1. 遥感数据的获取遥感数据的获取主要通过卫星和航空器来实现。
由于卫星的广覆盖性和高分辨率特性，卫星遥感数据成为海洋环境监测中最常用的数据来源。
此外，航空器遥感数据也有一定的应用价值，特别是在短时间尺度和小区域范围内的监测中。
2. 海洋表面温度监测海洋表面温度是海洋环境监测的重要指标之一。
利用遥感技术，我们可以获取到全球范围内的海洋表面温度数据。
这些数据可以用于监测海洋水温的变化趋势，预测气候变化，评估海洋生态系统的健康状况等。
同时，海洋表面温度数据还可以用于监测海洋循环和海洋风暴等极端天气事件。
3. 海洋色素监测海洋色素是指海洋中的生物在光合作用中吸收和反射的光线的颜色。
利用遥感技术，可以获取到海洋中的色素浓度分布图。
这些数据可以帮助我们了解海洋生物群落的演变和分布情况，评估海洋生态环境的健康程度。
同时，海洋色素数据还可以用于监测蓝藻水华、赤潮等海洋生态灾害事件的发生和扩散。
4. 海洋溢油监测海洋溢油是海洋环境监测的重要问题之一。
利用遥感技术，可以从卫星图像中识别出海洋中的溢油事件。
遥感数据可以提供溢油面积、溢油量和溢油位置等信息，帮助监测部门及时采取应对措施，并评估溢油对海洋生态环境的影响程度。
此外，遥感数据还可以用于监测海洋油田的开发和生产过程中的污染排放情况。
5. 海洋气象监测利用遥感技术，还可以对海洋气象进行监测。
通过获取海洋中的风力、风向、海浪高度等数据，可以帮助预测海洋风暴、海浪涌浪等极端气象事件的发生和发展趋势。
这些数据对于航海、渔业等海洋相关行业的安全运营具有重要意义。
6. 人工智能在遥感数据分析中的应用随着人工智能技术的发展，越来越多的研究将人工智能技术与遥感数据分析相结合。
遥感与雾霾(完整版)
• 成员2：李小鹏，编写报告，制作学习计划
团队成员及分工
雾霾的组成
雾霾主要由二氧化硫、氮氧化物 和可吸入颗粒物这三项组成，它 们与雾气结合在一起，让天空瞬 间变得阴沉灰暗。颗粒物的英文 缩写为PM，北京监测的是细颗粒 物（PM2.5），也就是空气动力学 当量直径小于等于2.5微米的污染 物颗粒。这种颗粒本身既是一种 污染物，又是重金属、多环芳烃 等有毒物质的载体。
研究效果
遥感的应用
• 海洋监测、土地利用监测、城市 扩张预案、图像判绘、洪涝灾害 和地震灾害灾后影像分析等等。
• 遥感设备可以设置在飞机，热气 球，无人机等飞行器上，也可以 安装在卫星上，甚至曾经放置在 风筝上。
研究效果
研究效果
遥感在雾霾检测中的应用
• 卫星测量的辐亮度直接取决于地物波谱特性。在雾霾天气情况下， 由于雾霾对太阳辐射的散射和吸收作用，改变了电磁波的辐射传输， 电磁波受雾霾的影响，图像在色调、纹理及形状上都与其他景物有 明显不同。 一种思路是基于卫星遥感获取的高分辨率影像，利用法 结暗像元构函数法或深蓝算法反演出光学气溶浓胶度AOD值。AOD 值与空气污染程度呈线性相关。一种思路是用AOD的值来表征雾霾 程度
研究效果
• 还有一种思路是基于相关模型，通过AOD值来反演出空气污染物 PM2.5和PM10的浓度。
• 另一种思路是利用多光谱遥感影像，利用TC法和HOT对影像进行 变换。
研究效果
TC法和HOT法
• 1.TC变换后使植被生长状况的时间轨迹和土壤亮度轴相互垂直,通 过变换使植被与土壤特征分离，从而排除了土壤背景值对植物光谱 或植被指数的影响。Crist通过TC变换的3个特征值，对有雾霾影响 的LandsatMSS数据作归一化处理，通过分析发现气溶胶散射量的 变化会使MSS数据朝“黄度”方向有预期地转变。用空间滤波消除 其他噪声的影响，发现“黄度”信息可以作为揭示大气雾霾污染程 度的一个因子，雾霾程度越严重，MSS数据向“黄度”转变越多。
遥感图像处理技术在海洋环境监测中的实际应用案例
遥感图像处理技术在海洋环境监测中的实际应用案例引言海洋是地球上占据最大面积的一个生态系统，对于全球的气候、经济和生态具有重要的作用。
然而，随着人类活动的不断增加，海洋环境也面临着越来越大的压力。
为了更好地了解和保护海洋环境，遥感图像处理技术被广泛应用于海洋环境监测中。
本文将通过介绍一些实际应用案例，探讨遥感图像处理技术在海洋环境监测中的作用及其潜力。
一、海洋油污染监测海洋中的油污染对生态系统和人类健康都造成严重影响。
传统的油污染监测方法通常需要徒步巡航，效率低下且耗时。
然而，遥感图像处理技术为油污染监测提供了一种高效的解决方案。
以哈萨克斯坦的里海为例，该海域长期受到来自周边沙漠的排放、工业污染和船舶漏油等多种油污染源的威胁。
通过利用航空和卫星遥感图像，科研人员可以监测沿海地区的明显油污染迹象，如油膜、油迹和油溢。
借助遥感图像处理技术，他们可以准确地识别油污染区域，并了解油污染的空间和时间分布，帮助相关部门及时采取应对措施。
二、海洋浮游生物监测浮游生物是维持海洋生态平衡和生产力的重要组成部分，对于海洋环境的监测具有重要意义。
传统的浮游生物监测方法通常是通过收集水样，然后使用显微镜进行分类和计数。
而这种方法需要大量人力物力，同时也无法提供全面的信息。
遥感图像处理技术可以通过监测海洋中的色素浓度和水体的透明度等指标，获得关于浮游生物的重要信息。
例如，在美国加利福尼亚湾的一个研究中，科学家们使用卫星遥感图像分析了盛产浮游生物的区域。
通过比较不同时间段的遥感图像，他们可以观察到浮游生物的季节变化和空间分布，为了解海洋生态系统的演变提供了重要线索。
三、海洋潮汐监测海洋潮汐是海洋环境中的重要参数，对于港口工程、海洋能源利用和海岸防护等方面都具有重要意义。
传统的潮汐监测通常是通过测量潮汐站点的水位变化，这种方法需要大量设备和人力投入。
利用遥感图像处理技术，科学家们可以通过分析沿海区域的高分辨率遥感图像，获取潮汐的动态信息。
遥感技术在雾霾监测中的应用研究
《资源节约与环保》2019年第4期引言在国内经济快速提升的现今时期，空气污染日益明显，对环境监测给出了更严格的标准。
在现代的雾霾监测环节中，借助先进的遥感技术来收集指定空间范围内的空气质量数据，在数据收集中不会存在人力干扰因素，可降低雾霾监测所要投入的财力，重要的是能够对雾霾的发展状况做出实时性的监测，所以，将先进的遥感技术与专业的雾霾监测技术充分融合，可达到对雾霾污染情况的有效监测，所以对雾霾防控和空气质量优化会起到无可替代的现实作用。
1监测气溶胶空气污染度直接的反应源就是气溶胶厚度，其反映着环境中气溶胶的消光力。
而遥感技术是属于监测气溶胶密度的主要措施，可以在空气状态不发生改变的条件下，在很短时间内采集到指定空间内的气溶胶密度，范围等信息，从而对雾霾的出现根源、发展规律做出充分明确。
可能说遥感技术对于雾霾的监测会起到无所替代的现实作用。
现阶段，得到气溶胶光学厚度的方法主要是通过卫星遥感影像数据如MODIS数据等，进行气溶胶光学厚度的反映，这在实践应用中已经取得一定成效。
2监测二氧化氮和二氧化硫含有毒性成分的二氧化氮和二氧化硫都属于雾霾颗粒的主要发源点，借助遥感技术能够充分监测出二氧化氮和二氧化硫中的杂质比例，从而对雾霾的预测和全面防控起到了明显的促进性作用，如果环境中的树木或花草接触到二氧化氮或二氧化硫，其对于红外线的反射能力就会明显弱化，继而导致花草的颜色与在无污染环境生长的花草颜色呈现明显差异。
所以，可借助遥感技术中的影像监测功能，对花草的受污染状态做出全面监测[1]。
在各种像元的相关遥感设备可对花草的污染状态做出显示，结合相关参考数据来对像元数据与现实环境中的花草土床、花草、水资源等相关数据做出比对，分析两组数据的差异，并结合相关要求，将这些数据再进行类别上的比对。
现实环境的污染数据与各种像元数据生重合后，就会有效分析出空气中的污染物比例。
3监测秸秆焚烧如果在户外对农业种植所留下的秸秆进行焚毁，就会排出诸多不同类型的杂质和气体，这些杂质和气体都含有较大比例的毒性成分，属于国内雾霾现象的主要发生源。
天空多源遥感海上目标识别与监视系统设计与应用
天空多源遥感海上目标识别与监视系统设计与应用文 | 雷建胜 邓守峰 艾宁义天津航天中为数据系统科技有限公司摘要：本文针对我国管辖海域内海上移动目标、海域利用活动和岛礁变化等典型目标识别与监视需求，整合天空基感知、传输、处理、应用资源，设计集成了天空多源遥感海上目标识别与监视系统，并在重点海域开展应用示范，形成具有大范围早期预警和连续跟踪能力的海上目标识别与监视力量，为加强海域管理和维权执法提供技术支撑。
关键词：天空协同；多源遥感；目标识别一、引言我国是海洋大国，海洋经济已成为国民经济增长的重要动力，2021年全国海洋经济生产总值突破了9万亿元，而庞大的经济总量背后也对海洋经济建设活动的监管带来巨大压力。
同时，由于历史和现实的原因，我国海上安全形势日趋严峻和复杂，以与海上邻国的权益争端为甚，有关国家通过岛屿侵占、油气盗采、非法测绘、非法捕捞、非法闯入等方式频频侵犯我国领海权益，但目前仍缺乏行之有效的管控手段。
针对海洋经济建设活动监管和海上安全保障面临的问题，依托国家重点研发专项“海上目标识别与监视系统集成与应用示范”项目（编号2017YFC1404900），天津航天中为数据系统科技有限公司成立项目组，设计集成了天空多源遥感海上目标识别与监视系统，并在实际业务中验证系统性能。
二、系统架构天空多源遥感海上目标识别与监视系统以广域海上目标识别与监视业务应用为牵引，整合天空基软硬件资源，形成感知层、通信层、处理层、数据层、应用层，系统框架如图1所示。
图1 天空多源遥感海上目标识别与监视系统架构感知层利用高分辨率遥感卫星和无人机形成监测网络，发挥卫星高位监测和无人机灵活机动的互补优势，获取广阔监测区域的遥感影像。
通信层借助卫星通信、微波、4G/5G等通信手段建立监测现场与指挥中心及业务管理部门的联系，保障空中与地面、前方与后方的稳定通信，保障监测过程中稳定的实时监控和对监测资源的指挥口，同时为与国家海域动态监视监测管理系统、综合业务管理平台、蓝海信息网络综合管控系统等业务平台交互数据提供数据及应用服务接口。
测绘技术中的遥感图像识别方法与技巧
测绘技术中的遥感图像识别方法与技巧遥感图像识别是测绘技术中的一个重要领域，通过分析遥感数据中的图像信息来获取地物信息，对于地图制作、城市规划、环境监测等方面具有重要的应用价值。
在遥感图像识别过程中，常常需要应用各种方法和技巧来提高识别准确性和效率。
一、图像预处理在进行遥感图像识别之前，首先需要对图像进行预处理。
图像预处理的目的是消除图像噪声，增强图像对比度，以及调整图像亮度等，使得待识别的地物目标更加明显。
预处理方法包括直方图均衡化、锐化和滤波等。
直方图均衡化可以调整图像的亮度分布，使得图像具有更好的视觉效果；锐化可以增强图像的边缘和细节特征；滤波可以消除图像中的噪声。
二、影像分类影像分类是遥感图像识别中的核心环节。
影像分类是将图像中的像素划分到不同的地物类别中，常见的分类方法包括基于统计学的方法和机器学习方法。
统计学的方法包括最大似然法和贝叶斯分类器等，机器学习方法包括支持向量机、人工神经网络和随机森林等。
这些方法根据图像的特征向量进行分类，从而实现地物目标的自动识别。
三、特征提取特征提取是影像分类的关键步骤。
地物目标在遥感图像中表现出不同的光谱、空间和纹理等特征，通过提取这些特征可以准确地进行分类。
特征提取方法包括基于像素的方法和基于对象的方法。
基于像素的方法是指对每个像素进行特征计算，而基于对象的方法是先将图像分割成不同的地物对象，然后对每个对象提取特征。
常见的特征包括光谱特征、纹理特征和形状特征等。
四、数据融合数据融合是将多个遥感数据源的信息进行整合，以获取更全面和准确的地物目标信息。
数据融合可以是不同来源的遥感图像数据的融合，也可以是不同类型的遥感数据的融合。
常见的数据融合方法包括主成分分析、小波变换和卡尔曼滤波等。
通过数据融合，可以提高地物目标的识别精度和分类准确性。
五、时序分析时序分析是利用多个时期的遥感图像数据进行地物目标的动态监测和变化分析。
通过对不同时期的图像进行比较，可以了解地物目标的生长变化情况，以及环境演变趋势。
面向可见光遥感图像的海上目标快速检测和识别技术
1、目标识别率
实验结果显示，卷积神经网络在目标识别方面具有较高的准确率。在我们的数 据集上，卷积神经网络的目标识别率达到了90%以上。相比之下，支持向量机 和神经网络的识别率略低，但也达到了80%以上。
2、时间成本
在实验中，我们还对三种分类算法的时间成本进行了比较。结果表明，卷积神 经网络的时间成本相对较低，能够在较短的时间内完成目标识别任务。而支持 向量机和神经网络的时间成本相对较高，尤其是在处理大规模数据集时更为明 显。
四、总结与展望
面向可见光遥感图像的海上目标快速检测和识别技术是遥感技术应用中的重要 研究方向之一。虽然现有的方法已经取得了一定的成果，但仍存在一些挑战和 问题需要进一步研究和解决。例如，如何进一步提高算法的实时性和准确性、 如何处理复杂多变的海面背景、如何降低光照条件等因素对目标检测和识别的 影响等。
关键技术分析
1、图像采集
图像采集是遥感技术的首要环节。对于大幅面可见光遥感图像，通常采用高分 辨率卫星或航空相机进行采集。近年来，随着无人机技术的发展，低空遥感图 像的获取也越来越普遍。在图像采集过程中，需要控制照相机的曝光时间、光 圈大小、焦距等参数，以获取高质量的遥感图像。
2、特征提取
特征提取是目标识别的关键步骤。对于大幅面可见光遥感图像，目标的特征通 常包括纹理、形状、颜色等。这些特征可以通过图像处理技术进行提取。常用 的图像处理技术包括灰度化、二值化、滤波、边缘检测等。在特征提取过程中， 需要选择合适的处理技术，并根据目标的特点进行特征提取和优化。
一、可见光遥感图像的特点
可见光遥感图像是以电磁波谱中的可见光部分为基础，通过遥感器收集并处理 后得到的图像。它们通常具有较高的空间分辨率和光谱分辨率，能够提供较为 直观和丰富的地表信息。但是，由于大气散射、海面波动、光照条件等多种因 素的影响，可见光遥感图像往往存在一定的噪声和模糊。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图片简介:本技术介绍了一种晴空条件下海上雾霾遥感识别方法及系统，涉及海洋遥感数据与应用领域，包括获取晴空条件下监测区域对应的海洋上空卫星遥感数据；根据海洋上空卫星遥感数据提取像元光谱特征值；根据像元光谱特征值和训练好的神经网络雾霾遥感识别模型确定监测区域对应的海洋上空雾霾分布。
其中，训练好的神经网络雾霾遥感识别模型是根据样本数据对MLP神经网络模型训练得到的；样本数据包括像元区域的类型以及每个像元区域对应的像元光谱特征值；类型包括清洁水体、浑浊水体和雾霾。
本技术将海洋上空卫星遥感数据与神经网络机器学习算法相结合，以实现准确有效监测海洋上空雾霾分布情况的目的。
技术要求1.一种晴空条件下海上雾霾遥感识别方法，其特征在于，包括：获取晴空条件下监测区域对应的海洋上空卫星遥感数据；根据所述海洋上空卫星遥感数据，提取像元光谱特征值；根据所述像元光谱特征值和训练好的神经网络雾霾遥感识别模型，确定监测区域对应的海洋上空雾霾分布；其中，所述训练好的神经网络雾霾遥感识别模型是根据样本数据对MLP神经网络模型训练得到的；所述样本数据包括像元区域的类型以及每个所述像元区域对应的像元光谱特征值；所述类型包括清洁水体、浑浊水体和雾霾。
2.根据权利要求1所述的一种晴空条件下海上雾霾遥感识别方法，其特征在于，所述海洋上空卫星遥感数据为海洋水色数据网站的MODIS L1A数据。
所述海洋上空卫星遥感数据，提取像元光谱特征值，具体包括：利用SeaDAS软件对所述MODIS L1A数据进行处理，得到去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
4.根据权利要求1所述的一种晴空条件下海上雾霾遥感识别方法，其特征在于，所述样本数据的确定过程为：采用目视解译方法，提取不同类型的像元区域；利用ENVI软件对所述像元区域的样本进行提取，得到可见光波段光谱数据；利用SeaDAS软件对所述可见光波段光谱数据进行处理，得到像元区域对应的去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
5.一种晴空条件下海上雾霾遥感识别系统，其特征在于，包括：海洋上空卫星遥感数据获取模块，用于获取晴空条件下监测区域对应的海洋上空卫星遥感数据；像元光谱特征值提取模块，用于根据所述海洋上空卫星遥感数据，提取像元光谱特征值；海洋上空雾霾分布确定模块，用于根据所述像元光谱特征值和训练好的神经网络雾霾遥感识别模型，确定监测区域对应的海洋上空雾霾分布；其中，所述训练好的神经网络雾霾遥感识别模型是根据样本数据对MLP神经网络模型训练得到的；所述样本数据包括像元区域的类型以及每个所述像元区域对应的像元光谱特征值；所述类型包括清洁水体、浑浊水体和雾霾。
6.根据权利要求5所述的一种晴空条件下海上雾霾遥感识别系统，其特征在于，所述海洋上空卫星遥感数据获取模块中的海洋上空卫星遥感数据为海洋水色数据网站的MODISL1A 数据。
光谱特征值提取模块，具体包括：像元光谱特征值提取单元，用于利用SeaDAS软件对所述MODIS L1A数据进行处理，得到去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
8.根据权利要求5所述的一种晴空条件下海上雾霾遥感识别系统，其特征在于，所述海洋上空雾霾分布确定模块中样本数据的确定过程为：采用目视解译方法，提取不同类型的像元区域；利用ENVI软件对所述像元区域的样本进行提取，得到可见光波段光谱数据；利用SeaDAS软件对所述可见光波段光谱数据进行处理，得到像元区域对应的去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
技术说明书一种晴空条件下海上雾霾遥感识别方法及系统技术领域本技术涉及海洋遥感数据与应用领域，特别是涉及一种晴空条件下海上雾霾遥感识别方法及系统。
背景技术近年来，雾霾现象出现的频率越来越高，受雾霾影响的范围也比较广泛，雾霾对人类的出行、身体健康以及生态环境等都造成了破坏性的影响，已经引起政府部门、科学家以及社会的广泛关注，成为了热门话题。
海洋作为全球气候系统的重要组成部分，对全球气候的变化有重要影响。
我国濒临太平洋，是海洋大国，同时，东部沿海地区是我国经济社会发展相对较快的区域，也是我国主要的经济贡献区域，全国约60％以上的人口都分布在东部沿海。
海洋对我国的经济社会和国防建设发展有极其重要的战略意义。
因此，对海洋上空雾霾的监测显得尤为必要。
目前，传统地面观测手段费时费力，且观测空间有限，对于海洋上空的雾霾监测难度更高。
技术内容本技术的目的是提供一种晴空条件下海上雾霾遥感识别方法及系统，能够准确有效的监测海洋上空的雾霾分布情况。
为实现上述目的，本技术提供了如下方案：一种晴空条件下海上雾霾遥感识别方法，包括：获取晴空条件下监测区域对应的海洋上空卫星遥感数据；根据所述海洋上空卫星遥感数据，提取像元光谱特征值；根据所述像元光谱特征值和训练好的神经网络雾霾遥感识别模型，确定监测区域对应的海洋上空雾霾分布；其中，所述训练好的神经网络雾霾遥感识别模型是根据样本数据对MLP神经网络模型训练得到的；所述样本数据包括像元区域的类型以及每个所述像元区域对应的像元光谱特征值；所述类型包括清洁水体、浑浊水体和雾霾。
可选的，所述海洋上空卫星遥感数据为海洋水色数据网站的MODIS L1A数据。
可选的，所述根据所述海洋上空卫星遥感数据，提取像元光谱特征值，具体包括：利用SeaDAS软件对所述MODIS L1A数据进行处理，得到去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
可选的，所述样本数据的确定过程为：采用目视解译方法，提取不同类型的像元区域；利用ENVI软件对所述像元区域的样本进行提取，得到可见光波段光谱数据；利用SeaDAS软件对所述可见光波段光谱数据进行处理，得到像元区域对应的去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
一种晴空条件下海上雾霾遥感识别系统，包括：海洋上空卫星遥感数据获取模块，用于获取晴空条件下监测区域对应的海洋上空卫星遥感数据；像元光谱特征值提取模块，用于根据所述海洋上空卫星遥感数据，提取像元光谱特征值；海洋上空雾霾分布确定模块，用于根据所述像元光谱特征值和训练好的神经网络雾霾遥感识别模型，确定监测区域对应的海洋上空雾霾分布；其中，所述训练好的神经网络雾霾遥感识别模型是根据样本数据对MLP神经网络模型训练得到的；所述样本数据包括像元区域的类型以及每个所述像元区域对应的像元光谱特征值；所述类型包括清洁水体、浑浊水体和雾霾。
可选的，所述海洋上空卫星遥感数据获取模块中的海洋上空卫星遥感数据为海洋水色数据网站的MODIS L1A数据。
可选的，所述像元光谱特征值提取模块，具体包括：像元光谱特征值提取单元，用于利用SeaDAS软件对所述MODIS L1A数据进行处理，得到去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
可选的，所述海洋上空雾霾分布确定模块中样本数据的确定过程为：采用目视解译方法，提取不同类型的像元区域；利用ENVI软件对所述像元区域的样本进行提取，得到可见光波段光谱数据；利用SeaDAS软件对所述可见光波段光谱数据进行处理，得到像元区域对应的去瑞利校正后的遥感反射率Rrc；其中，所述像元光谱特征值为去瑞利校正后的遥感反射率Rrc。
根据本技术提供的具体实施例，本技术介绍了以下技术效果：本技术提供了一种晴空条件下海上雾霾遥感识别方法及系统，包括获取晴空条件下监测区域对应的海洋上空卫星遥感数据；根据海洋上空卫星遥感数据提取像元光谱特征值；根据像元光谱特征值和训练好的神经网络雾霾遥感识别模型确定监测区域对应的海洋上空雾霾分布。
本技术将海洋上空卫星遥感数据与神经网络机器学习算法相结合，以实现准确有效监测海洋上空雾霾分布情况的目的。
附图说明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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本技术晴空条件下海上雾霾遥感识别方法的流程图；图2为本技术神经网络模型训练过程示意图；图3为本技术两景MODIS晴空像元灰度图；图4为本技术清洁水体的光谱特征分布图；图5为本技术混浊水体的光谱特征分布图；图6为本技术雾霾光谱特征分布图；图7为本技术海上雾霾遥感监测结果图；图8为本技术晴空条件下海上雾霾遥感识别系统的结构图。
具体实施方式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，显然，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。
本技术针对海上雾霾现场观测费时费力、且观测范围有限的缺点，提供了一种晴空条件下，基于不同类型像元光谱特征差异和神经网络机器学习算法的海上雾霾遥感识别方法及系统。
为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
机器学习算法流程：在模型训练前，建立一个三维向量，对三维向量的每一维分别设置空值和有效值，用于区分不同类型的像元，如用(0,0,1)表征清洁水体，(0,1,0)表征浑浊水体，(1,0,0)表征雾霾。
抽取30％的样本数据作为训练数据，其中，可见光波段的光谱特征值作为模型的输入，在隐含层的训练下，输出的结果为表征不同像元的三维向量，即可以根据输出结果直接判别出每个像元的类型。
模型建立好以后，剩余70％的样本数据将用于模型精度验证，即检验模型训练结果与真实像元结果的误差。
本技术则是通过识别率来表征模型精度。
本技术的技术关键点是基于光谱特征差异的机器学习算法模型精度训练。
实施例1如图1所示，本实施例提供了一种晴空条件下海上雾霾遥感识别方法，包括以下步骤。
步骤101：获取晴空条件下监测区域对应的海洋上空卫星遥感数据。
其中，本实施例使用的海洋上空卫星遥感数据来自海洋水色数据网站(https:///)的MODIS L1A数据。
步骤102：根据所述海洋上空卫星遥感数据，提取像元光谱特征值。
在本实施例中，该像元光谱特征值为去瑞利校正后的遥感反射率Rrc，简称去瑞利遥感反射率Rrc。
由于海洋上空卫星遥感数据上云掩膜的情况比较严重，MODIS L1A数据的遥感反射率Rrs有很多缺省值，因而本实施例选取去瑞利校正后的遥感反射率Rrc作为光谱特征参数。