公开(公告)号：CN114297938B

公开(公告)日：2024-06-07

申请号：CN202111670094.X

申请日：2021-12-31

Applicant: 厦门大学

Inventor： 赖文典 ,  李忠平 ,  王俊帏 ,  汪永超 ,  林供

IPC: G06F30/27 ,  G06F17/10 ,  G06F18/214 ,  G06N3/084 ,  G01B11/22

Abstract: 一种基于神经网络的光学浅水水底深度的反演方法，涉及地球物理勘探。包括以下步骤：1)对光学影像的原始数据进行气体吸收校正和瑞利校正获得瑞利校正后反射率；2)计算光学影像中每个像元的云反照度，将其作为参考，使用阈值法对步骤1)获得的反射率进行云像元掩膜；3)根据已知水体类型，将遥感获得的影像数据中每个像元对应的水体分为光学深水区域和光学浅水区域；4)构建水深数据集；5)建立一个多层感知神经网络模型，以步骤4)中覆盖广泛的水深数据集对模型进行神经网络训练，获取光学浅水水深信号，预测水深。

公开(公告)号：CN119964018A

公开(公告)日：2025-05-09

申请号：CN202411294299.6

申请日：2024-09-14

Applicant: 厦门大学

Inventor： 余小龙 ,  赖文典 ,  陈能汪 ,  李忠平 ,  张彩云 ,  吴玉芳 ,  黄水英

IPC: G06V20/13 ,  G01N21/27 ,  G01N21/55 ,  G06V10/75 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0985

Abstract: 本发明公开了一种基于卫星融合的近岸海域营养盐浓度遥感反演方法，包括以下步骤：S1、对高空间分辨率卫星和低空间分辨率卫星的光学影像的原始L1C数据分别进行瑞利校正，得到瑞利校正后遥感反射比；S2、将瑞利校正后遥感反射比数据中的云与陆地像元进行掩膜处理；S3、基于低空间分别卫星数据构建营养盐训练数据集；S4、构建跨卫星融合训练数据集；S5、建立基于低分辨率卫星的AutoGluon‑DIN机器学习模型和AutoGluon‑DIP机器学习模型，并进行模型训练；S6、建立融合高分辨和低分辨率卫星的AutoGluon‑transfer机器学习模型，并进行模型训练；S7、依次应用训练后AutoGluon‑transfer机器学习、AutoGluon‑DIN机器学习模型、AutoGluon‑DIP机器学习模型于高分辨率卫星，获取高空间分辨率的近岸海域营养盐浓度遥感反演产品。

公开(公告)号：CN114297938A

公开(公告)日：2022-04-08

申请号：CN202111670094.X

申请日：2021-12-31

Applicant: 厦门大学

Inventor： 赖文典 ,  李忠平 ,  王俊帏 ,  汪永超 ,  林供

IPC: G06F30/27 ,  G06F17/10 ,  G06K9/62 ,  G06N3/08 ,  G01B11/22

Abstract: 一种基于神经网络的光学浅水水底深度的反演方法，涉及地球物理勘探。包括以下步骤：1)对光学影像的原始数据进行气体吸收校正和瑞利校正获得瑞利校正后反射率；2)计算光学影像中每个像元的云反照度，将其作为参考，使用阈值法对步骤1)获得的反射率进行云像元掩膜；3)根据已知水体类型，将遥感获得的影像数据中每个像元对应的水体分为光学深水区域和光学浅水区域；4)构建水深数据集；5)建立一个多层感知神经网络模型，以步骤4)中覆盖广泛的水深数据集对模型进行神经网络训练，获取光学浅水水深信号，预测水深。