本發(fā)明涉及內陸湖泊水體分類技術領域，更具體的說，是涉及一種水體分類模型的建立方法及裝置。
背景技術：
內陸湖泊水體分類研究能夠幫助人們更好地了解水體的組分和特性，對水體環(huán)境保護及工業(yè)生產用水具有重要意義。
內陸湖泊水體是由多種組分組成的，通常情況下，根據(jù)水體組分含量的不同，會將水體劃分為不同的類別。內陸湖泊水體的主要成分有純水、浮游植物、非藻類懸浮顆粒和黃色物質等，影響水體顏色及反光率的物質主要包括浮游植物、非藻類顆粒物和黃色物質?，F(xiàn)有技術中，對水體的分類需要技術人員到水體現(xiàn)場進行光譜采集和水體采樣，然后將光譜數(shù)據(jù)及采樣水體帶回實驗室進行相應的分析研究，進而通過研究數(shù)據(jù)結果確定水體類別。由于水體類別確定工作耗時耗力，相應的水體類別確定工作的間隔周期也比較長。
現(xiàn)有技術中采用實測實驗確定水體類別的方法成本比較高，而且，由于水體類別確定工作的間隔周期長，導致水體類別確定結果的時效性差。由此，如何提供一種簡單快捷，且時效性強的確定水體類別的方法，是本領域技術人員亟待解決的問題。
技術實現(xiàn)要素：
有鑒于此，本發(fā)明提供了一種水體分類模型的建立方法及裝置，以克服現(xiàn)有技術中由于采用實測實驗確定水體類別而導致的，確定水體類別成本高且時效性差的問題。
為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：
一種水體分類模型的建立方法，包括：
獲取實測的遙感反射率光譜；
通過聚類算法將所述遙感反射率光譜分為n類，所述n為正整數(shù)；
依據(jù)所述n類反射率光譜對應的水質參數(shù)和固有光學量，確定與所述n類反射率光譜依次對應的n類水體類別；
針對所述n類反射率光譜中的每一類反射率光譜進行如下操作：依據(jù)反射率光譜，確定處于遙感影像波段范圍內的敏感波段，并將分別與反射率光譜對應的水體類別和敏感波段進行關聯(lián)處理，生成水體分類決策樹子模型；
將n個決策樹子模型合并處理為水體分類決策樹模型。
可選的，所述依據(jù)反射率光譜，確定處于遙感影像波段范圍內的敏感波段，包括：
確定反射率光譜的基礎敏感波段；
在遙感影像的波段范圍內，確定和所述基礎敏感波段對應的敏感波段。
可選的，所述生成水體分類決策樹子模型，包括：
采用單波段比值法、波段比值法或歸一化波段比值法生成水體分類決策樹子模型。4、根據(jù)權利要求1所述的水體分類模型的建立方法，其特征在于，在所述將n個決策樹子模型合并處理為水體分類決策樹模型后，還包括：
依據(jù)遙感影像數(shù)據(jù)對所述決策樹模型中的所述敏感波段和數(shù)據(jù)閾值進行調整。
可選的，在所述將n個決策樹子模型合并處理為水體分類決策樹模型后，還包括：
獲取經過水體掩膜處理的遙感影像數(shù)據(jù)，通過模型計算輸出所述遙感影像數(shù)據(jù)對應的水體類別。
可選的，在所述輸出所述遙感影像數(shù)據(jù)對應的水體類別后，還包括：
統(tǒng)計一個時間段內固定區(qū)域中所有的遙感影像數(shù)據(jù)對應的水體類別，確定所述固定區(qū)域中各種水體類別發(fā)生的頻率。
可選的，在所述將n個決策樹子模型合并處理為水體分類決策樹模型后，還包括：
對一個時間段內固定區(qū)域的多個遙感影像進行水體掩膜處理，得到多個攜帶掩膜波段的影像；
將所述多個攜帶掩膜波段的影像進行波段疊加和光譜平均處理，確定所述時間段內，所述固定區(qū)域的遙感影像光譜平均后對應的水體類別。
可選的，在所述確定所述固定區(qū)域的遙感影像光譜平均后對應的水體類別后，還包括：
根據(jù)所述固定區(qū)域的遙感影像光譜平均后的水體類別，確定所述固定區(qū)域在所述時間段內的水體類別分布。
一種水體分類模型的建立裝置，包括：
光譜獲取模塊，用于獲取實測的遙感反射率光譜；
光譜分類模塊，用于通過聚類算法將所述遙感反射率光譜分為n類，所述n為正整數(shù)；
水體類別確定模塊，用于依據(jù)所述n類反射率光譜對應的水質參數(shù)和固有光學量，確定與所述n類反射率光譜依次對應的n類水體類別；
子模型處理模塊，包括波段選取模塊和子模型生成模塊，其中，所述波段選取模塊用于針對所述n類反射率光譜中的每一類反射率光譜進行如下操作：依據(jù)反射率光譜，確定處于遙感影像波段范圍內的敏感波段；所述子模型生成模塊用于將分別與反射率光譜對應的水體類別和敏感波段進行關聯(lián)處理，生成水體分類決策樹子模型；
模型合成模塊，用于將n個決策樹子模型合并處理為水體分類決策樹模型。
可選的，所述波段選取模塊具體包括：
波段確定模塊，用于確定反射率光譜的基礎敏感波段；
波段選取子模塊，用于在遙感影像的波段范圍內，確定和所述基礎敏感波段對應的敏感波段。
可選的，所述子模型生成模塊具體用于：
采用單波段比值法、波段比值法或歸一化波段比值法生成水體分類決策樹子模型。
可選的，還包括：
模型調整模塊，用于依據(jù)遙感影像數(shù)據(jù)對所述決策樹模型中的所述敏感波段和數(shù)據(jù)閾值進行調整。
可選的，還包括：
結果輸出模塊，用于獲取經過水體掩膜處理的遙感影像數(shù)據(jù)，通過模型計算輸出所述遙感影像數(shù)據(jù)對應的水體類別。
可選的，還包括：
頻率統(tǒng)計模塊，用于統(tǒng)計一個時間段內固定區(qū)域中所有的遙感影像數(shù)據(jù)對應的水體類別，確定所述固定區(qū)域中各種水體類別發(fā)生的頻率。
可選的，還包括：
掩膜處理模塊，用于對一個時間段內固定區(qū)域的多個遙感影像進行水體掩膜處理，得到多個攜帶掩膜波段的影像；
平均結果模塊，用于將所述多個攜帶掩膜波段的影像進行波段疊加和光譜平均處理，確定所述時間段內，所述固定區(qū)域的遙感影像光譜平均后對應的水體類別。
可選的，還包括：
分布結果模塊，用于根據(jù)所述固定區(qū)域的遙感影像光譜平均后的水體類別，確定所述固定區(qū)域在所述時間段內的水體類別分布。
經由上述的技術方案可知，與現(xiàn)有技術相比，本發(fā)明實施例公開了一種水體分類模型的建立方法及裝置，所述水體分類模型的建立方法將實測的遙感反射率光譜經過聚類算法分為n類，進而結合水質參數(shù)和固有光學量確定對應于n類反射率光譜的n類水體類別，針對每一類反射率光譜，確定處于遙感影像波段范圍內的敏感波段，并將分別與反射率光譜對應的水體類別和敏感波段進行關聯(lián)處理，生成水體分類決策樹子模型，最終將n個決策樹子模型合并處理為水體分類決策樹模型。所述水體分類模型的建立方法及裝置，能夠應用于影像水體分類，用戶可以根據(jù)水體的遙感影像數(shù)據(jù)，通過水體分類決策樹模型直接得到水體的類別，不需要用戶到現(xiàn)場和實驗室進行實測實驗，簡單快捷。且由于水體任何時段的遙感影像數(shù)據(jù)都可以通過衛(wèi)星直接獲取，因此通過水體分類決策樹模型確定的水體類別結果時效性佳，準確度高。
附圖說明
為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。
圖1為本發(fā)明實施例公開的水體分類模型的建立方法第一流程圖；
圖2為本發(fā)明實施例公開的水體分類決策樹子模型建立的流程圖；
圖3為本發(fā)明實施例公開的水體分類模型的建立方法第二流程圖；
圖4為本發(fā)明實施例公開的水體分類模型的建立方法第三流程圖；
圖5為本發(fā)明實施例公開的基于水體分類模型的影像水體分類應用流程圖；
圖6為本發(fā)明實施例公開的水體分類模型的建立裝置第一結構圖；
圖7為本發(fā)明實施例公開的波段選取模塊的結構示意圖；
圖8為本發(fā)明實施例公開的水體分類模型的建立裝置第二結構圖；
圖9為本發(fā)明實施例公開的水體分類模型的建立裝置第三結構圖。
具體實施方式
下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
圖1為本發(fā)明實施例公開的水體分類模型的建立方法的第一流程圖，參見圖1所示，所述方法可以包括：
步驟101：獲取實測的遙感反射率光譜；
反射率光譜(rrs)是經過天空光去除的水體遙感反射率。rrs以1nm為間隔，光譜范圍包括400nm–900nm，且每一條rrs光譜曲線具有相同的光譜范圍和光譜分辨率。在本發(fā)明實施例中，所述遙感反射率光譜可以是實測高光譜數(shù)據(jù)、衛(wèi)星遙感高光譜數(shù)據(jù)或多光譜數(shù)據(jù)。
步驟102：通過聚類算法將所述遙感反射率光譜分為n類；
其中，所述n為正整數(shù)。步驟102具體可以是用逐步迭代的k均值聚類算法將實測的遙感反射率光譜分為n類。需要說明的是，n的數(shù)值并不是人為設定的，而是根據(jù)水體本身的水質特性參數(shù)，依據(jù)逐步迭代的k均值聚類算法自動劃分而形成的。
本實施例中，在進行聚類算法工作前，可以對rrs光譜曲線進行平滑處理和歸一化處理，以便于后續(xù)的聚類算法，同時對光譜曲線的平滑處理和歸一化處理有利于聚類算法結果的準確度。這里所述的平滑處理可以是利用窗口為15，多項式級數(shù)為2的savitzky-golay算法實現(xiàn)的。當然，處理過程中涉及的具體數(shù)值并不是固定的，可以根據(jù)用戶需求，按照實際需要進行適當?shù)恼{整。
步驟103：依據(jù)所述n類反射率光譜對應的水質參數(shù)和固有光學量，確定與所述n類反射率光譜依次對應的n類水體類別；
其中，所述反射率光譜和水質參數(shù)以及固有光學量的對應關系可以根據(jù)以往實驗數(shù)據(jù)來確定獲取。
步驟104：針對所述n類反射率光譜中的每一類反射率光譜進行如下操作：依據(jù)反射率光譜，確定處于遙感影像波段范圍內的敏感波段，并將分別與反射率光譜對應的水體類別和敏感波段進行關聯(lián)處理，生成水體分類決策樹子模型；
在一個示意性的實施例中，步驟104的實施方式可參見圖2，圖2為本發(fā)明實施例公開的水體分類決策樹子模型建立的流程圖，該方法針對n類反射率光譜中的每一類反射率光譜分別進行。如圖2所示，可以包括：
步驟201：確定反射率光譜的基礎敏感波段；
根據(jù)半經驗法，可以選取基礎敏感波段，即根據(jù)以往實驗室對水體反射率光譜與水質參數(shù)和敏感波段的研究數(shù)據(jù)，得到水體反射率光譜與敏感波段的對應關系。在有確定的反射率光譜的前提下，也能夠很方便的得到所述反射率光譜對應的基礎敏感波段。水體中不同組分的敏感波段不同，如葉綠素的敏感波段包括675和700，針對不同的水體，其各種組分比例不同，對應的敏感波段也不同。
步驟202：在遙感影像的波段范圍內，確定和所述基礎敏感波段對應的敏感波段；
步驟202中，之所以確定處于遙感影像波段范圍內的敏感波段，是為了保證最后選取的敏感波段不會距離遙感影像中心波段太遠，以便于后續(xù)在水體分類決策樹模型建立后，能夠在影像水體分類工作中應用。
步驟203：將分別與反射率光譜對應的水體類別和敏感波段進行關聯(lián)處理，生成水體分類決策樹子模型。
將反射率光譜以及與其對應的水體類別和敏感波段進行關聯(lián)處理，這樣，后期在水體分類決策樹模型中輸入經過處理的遙感影像的光譜特征數(shù)據(jù)，依據(jù)上述關聯(lián)關系就能夠很方便的確定遙感影像中水體的水體類別。
本步驟中，所述生成水體分類決策樹子模型可以但不限制為采用單波段比值法、波段比值法或歸一化波段比值法生成水體分類決策樹子模型。
在步驟104之后，進入步驟105。
步驟105：將n個決策樹子模型合并處理為水體分類決策樹模型。
需要說明的是，建立的水體分類決策樹模型的應用，只針對其采樣實測的主體適用。因為不同的內陸湖泊地理位置及周邊環(huán)境不同，水體組分往往會有比較大的差別，如青海湖和太湖，地理位置和周邊環(huán)境差異都很大，那么其水體組分的差別也會比較大，如果將針對青海湖實測數(shù)據(jù)建立的水體分類決策樹模型用于對太湖遙感影像進行水體分類，那么結果不具備參考性。
本實施例中，所述水體分類模型的建立方法，能夠應用于影像水體分類，用戶可以根據(jù)水體的遙感影像數(shù)據(jù)，通過水體分類決策樹模型直接得到水體的類別，不需要用戶到現(xiàn)場和實驗室進行實測實驗，計算量小，簡單快捷。且由于水體任何時段的遙感影像數(shù)據(jù)都可以通過衛(wèi)星直接獲取，因此通過水體分類決策樹模型確定的水體類別結果時效性佳，準確度高。
在上述本發(fā)明公開的實施例的基礎上，圖3公開了水體分類模型的建立方法第二流程圖，參見圖3所示，所述水體分類模型的建立方法可以包括：
步驟301：獲取實測的遙感反射率光譜；
所述遙感反射率光譜可以是實測高光譜數(shù)據(jù)、衛(wèi)星遙感高光譜數(shù)據(jù)或多光譜數(shù)據(jù)。
步驟302：通過聚類算法將所述遙感反射率光譜分為n類；
其中，所述n為正整數(shù)。本步驟可以是用逐步迭代的k均值聚類算法將實測的遙感反射率光譜分為n類。其中，n的數(shù)值并不是人為設定的，而是根據(jù)水體本身的水質特性參數(shù)，依據(jù)逐步迭代的k均值聚類算法自動劃分而形成的。
步驟303：依據(jù)所述n類反射率光譜對應的水質參數(shù)和固有光學量，確定與所述n類反射率光譜依次對應的n類水體類別；
步驟304：針對每一類反射率光譜，依據(jù)反射率光譜，確定處于遙感影像波段范圍內的敏感波段；
之所以確定處于遙感影像波段范圍內的敏感波段，是為了保證最后選取的敏感波段不會距離遙感影像中心波段太遠，以便于后續(xù)在水體分類決策樹模型建立后，能夠在影像水體分類工作中應用。
步驟305：將分別與反射率光譜對應的水體類別和敏感波段進行關聯(lián)處理，生成水體分類決策樹子模型；
步驟306：將n個決策樹子模型合并處理為水體分類決策樹模型；
步驟307：獲取經過水體掩模處理的遙感影像數(shù)據(jù)，通過模型計算輸出所述遙感影像數(shù)據(jù)對應的水體類別。
在建立水體分類決策樹模型后，可以將其直接應用于遙感影像的水體分類。具體地，在獲取水體的衛(wèi)星遙感影像后，可以先對影像進行幾何校正和輻射校正，進而進行裁剪和重采樣等預處理，在對影像進行水體掩膜和波段重組等處理后，得到遙感影像的光譜特性數(shù)據(jù)，將這些光譜特性數(shù)據(jù)輸入所述水體分類決策樹模型后，水體分類決策樹模型根據(jù)自身存儲的反射率光譜、水體類別和敏感波段的對應關系，能夠很快輸出遙感影像中水體的水體類別。
本實施例中，所述水體分類模型的建立方法，應用于影像水體分類，用戶可以根據(jù)水體的遙感影像數(shù)據(jù)，通過水體分類決策樹模型直接得到水體的類別，不需要用戶到現(xiàn)場和實驗室進行實測實驗，簡單快捷。依據(jù)水體分類決策樹模型對遙感影像水體分類運算效率高、時效性強、成本低，且可以實現(xiàn)對水體類別進行連續(xù)監(jiān)測。
在其他的實施例中，水體分類決策樹模型建立應用的過程中，還可以依據(jù)遙感影像數(shù)據(jù)對所述決策樹模型中的敏感波段和數(shù)據(jù)閾值進行調整，以優(yōu)化所述水體分類決策樹模型，使得其輸出的水體類別結果更加準確。從而使得應用水體分類決策樹模型進行影像水體分類的工作更加靈活，效率更高，魯棒性更強。
基于上述實施例，進一步的，在其他的實施例中，在輸出所述遙感影像數(shù)據(jù)對應的水體類別后，還可以包括：統(tǒng)計一個時間段內固定區(qū)域中所有的遙感影像數(shù)據(jù)對應的水體類別，確定所述固定區(qū)域中各種水體類別發(fā)生的頻率。便于相關人員了解固定區(qū)域的水體類別發(fā)生概率并進行后期相關研究。
圖4為本發(fā)明實施例公開的水體分類模型的建立方法第三流程圖，如圖4所示，所述水體分類模型的建立方法可以包括：
步驟401：獲取實測的遙感反射率光譜；
步驟402：通過聚類算法將所述遙感反射率光譜分為n類；
步驟403：依據(jù)所述n類反射率光譜對應的水質參數(shù)和固有光學量，確定與所述n類反射率光譜依次對應的n類水體類別；
步驟404：針對每一類反射率光譜：依據(jù)反射率光譜，確定處于遙感影像波段范圍內的敏感波段，并將分別與反射率光譜對應的水體類別和敏感波段進行關聯(lián)處理，生成水體分類決策樹子模型；
步驟405：將n個決策樹子模型合并處理為水體分類決策樹模型；
步驟406：對一個時間段內固定區(qū)域的多個遙感影像進行水體掩膜處理，得到多個攜帶掩膜波段的影像；
步驟407：將所述多個攜帶掩膜波段的影像進行波段疊加和光譜平均處理，確定所述時間段內，所述固定區(qū)域的遙感影像光譜平均后對應的水體類別。
在步驟406處理得到多個攜帶掩膜波段的影像后，可以依據(jù)每個攜帶掩膜波段的影像，對所述水體分類決策樹模型所需的波段進行掩膜處理，針對多個掩膜處理后的影像上對應的點，分別進行波段疊加，然后除以對應掩膜波段矩陣上值為1(值為1是有效波段，值為0是無效波段)的個數(shù)，得到對應多個影像采集時段的平均光譜影像。舉例來說，現(xiàn)有30幅(一個月30天中每天采集的影像整體)西湖某一固定區(qū)域的遙感影像，將這些遙感影像分為9個相等的區(qū)域，將30幅影像的左上角區(qū)域進行波段疊加，由于有的影像中，左上角區(qū)域拍到的是水體，有的左上角區(qū)域拍到的是云彩，即云彩將對應區(qū)域的水體遮擋住了，此時，區(qū)域中為水體的可以標記為1，區(qū)域中為云彩的可以標記為0，將30幅影像的左上角區(qū)域的波段疊加起來，然后除以30個左上角區(qū)域中標記值為1的區(qū)域的個數(shù)，即可得到左上角區(qū)域月平均光譜影像。當然，除了左上角區(qū)域，還需要對影像其他區(qū)域進行類似的處理。以得到完整的處理結果。
根據(jù)上述方法，可以根據(jù)需要得到對應年、季、月的平均光譜影像。
其他實施例中，還可以利用所述水體分類決策樹模型對掩膜處理后的單個遙感影像以及光譜平均后的影像進行分類，分別得到單景水體分類影像和年、季、月水體分類影像。
實際應用中，可以進一步地分別疊加年、季、月的單景水體分類影像，依次計算各個像元位置上各種類型的水體發(fā)生的概率，得到各種類型的水體在年、季、月中發(fā)生的概率。
本實施例中，所述水體分類模型的建立方法，應用于影像水體分類，用戶可以根據(jù)水體的遙感影像數(shù)據(jù)，通過水體分類決策樹模型直接得到水體的類別，不需要用戶到現(xiàn)場和實驗室進行實測實驗，簡單快捷。而且，衛(wèi)星遙感影像資源的獲取很容易，經過對固定時間段中遙感影像進行的水體掩膜和波段均值等處理，結合水體分類決策樹模型，能夠對目標區(qū)域的水體進行深層次的分析，如區(qū)分水體類別的分布特征以及各個類別在不同時間段的發(fā)生頻率的規(guī)律和趨勢等。
基于上述實施例，進一步的，在其他的實施例中，在確定所述固定區(qū)域的遙感影像光譜平均后對應的水體類別后，還可以包括：根據(jù)所述固定區(qū)域的遙感影像光譜平均后的水體類別，確定所述固定區(qū)域在所述時間段內的水體類別分布。便于相關人員了解固定區(qū)域的水體分布情況并進行后期相關研究。
圖5為本發(fā)明實施例公開的基于水體分類模型的影像水體分類應用流程圖，可結合上述實施例內容理解該應用流程。其中的影像預處理可以包括幾何校正、輻射校正、反射率轉換、裁剪、去噪、重采樣等處理?；谒w分類決策樹模型的水體分類法，可以很好的區(qū)分水體類別的分布特征以及各個水體類別在各個時段發(fā)生的規(guī)律和趨勢。
上述本發(fā)明公開的實施例中詳細描述了方法，對于本發(fā)明的方法可采用多種形式的裝置實現(xiàn)，因此本發(fā)明還公開了一種裝置，下面給出具體的實施例進行詳細說明。
圖6為本發(fā)明實施例公開的水體分類模型的建立裝置第一結構圖，如圖6所示，所述水體分類模型的建立裝置60可以包括：
光譜獲取模塊601，用于獲取實測的遙感反射率光譜；
所述遙感反射率光譜可以是實測高光譜數(shù)據(jù)、衛(wèi)星遙感高光譜數(shù)據(jù)或多光譜數(shù)據(jù)。
光譜分類模塊602，用于通過聚類算法將所述遙感反射率光譜分為n類；
其中，所述n為正整數(shù)。所述光譜分類模塊602具體可以用逐步迭代的k均值聚類算法將實測的遙感反射率光譜分為n類。
本實施例中，在進行聚類算法工作前，可以對rrs光譜曲線進行平滑處理和歸一化處理，以便于后續(xù)的聚類算法，同時對光譜曲線的平滑處理和歸一化處理有利于聚類算法結果的準確度。
水體類別確定模塊603，用于依據(jù)所述n類反射率光譜對應的水質參數(shù)和固有光學量，確定與所述n類反射率光譜依次對應的n類水體類別；
其中，所述反射率光譜和水質參數(shù)以及固有光學量的對應關系可以根據(jù)以往實驗數(shù)據(jù)來確定獲取。
子模型處理模塊604，包括波段選取模塊6041和子模型生成模塊6042，其中，所述波段選取模塊6041用于針對所述n類反射率光譜中的每一類反射率光譜進行如下操作：依據(jù)反射率光譜，確定處于遙感影像波段范圍內的敏感波段；所述子模型生成模塊6042用于將分別與反射率光譜對應的水體類別和敏感波段進行關聯(lián)處理，生成水體分類決策樹子模型；
將反射率光譜以及與其對應的水體類別和敏感波段進行關聯(lián)處理，這樣，后期在水體分類決策樹模型中輸入經過處理的遙感影像的光譜特征數(shù)據(jù)，依據(jù)上述關聯(lián)關系就能夠很方便的確定遙感影像中水體的水體類別。
所述子模型生成模塊6042具體可以但不限制為用于采用單波段比值法、波段比值法或歸一化波段比值法生成水體分類決策樹子模型。
在一個示意性的實施例中，所述波段選取模塊6041的具體結構可以參見圖7，圖7為本發(fā)明實施例公開的波段選取模塊的結構示意圖，如圖7所示，所述波段選取模塊6041可以包括：
波段確定模塊701，用于確定反射率光譜的基礎敏感波段；
根據(jù)半經驗法，可以選取基礎敏感波段，即根據(jù)以往實驗室對水體反射率光譜與水質參數(shù)和敏感波段的研究數(shù)據(jù)，得到水體反射率光譜與敏感波段的對應關系。
波段選取子模塊702，用于在遙感影像的波段范圍內，確定和所述基礎敏感波段對應的敏感波段。
之所以確定處于遙感影像波段范圍內的敏感波段，是為了保證最后選取的敏感波段不會距離遙感影像中心波段太遠，以便于后續(xù)在水體分類決策樹模型建立后，能夠在影像水體分類工作中應用。
模型合成模塊605，用于將n個決策樹子模型合并處理為水體分類決策樹模型。
建立的水體分類決策樹模型的應用，只針對其采樣實測的主體適用。
本實施例中，所述水體分類模型的建立裝置，能夠應用于影像水體分類，用戶可以根據(jù)水體的遙感影像數(shù)據(jù)，通過水體分類決策樹模型直接得到水體的類別，不需要用戶到現(xiàn)場和實驗室進行實測實驗，計算量小，簡單快捷。且由于水體任何時段的遙感影像數(shù)據(jù)都可以通過衛(wèi)星直接獲取，因此通過水體分類決策樹模型確定的水體類別結果時效性佳，準確度高。
圖8公開了水體分類模型的建立裝置第二結構圖，如圖7所示，所述水體分類模型的建立裝置80可以包括：
光譜獲取模塊601，用于獲取實測的遙感反射率光譜；
光譜分類模塊602，用于通過聚類算法將所述遙感反射率光譜分為n類，所述n為正整數(shù)；
水體類別確定模塊603，用于依據(jù)所述n類反射率光譜對應的水質參數(shù)和固有光學量，確定與所述n類反射率光譜依次對應的n類水體類別；
子模型處理模塊604，包括波段選取模塊6041和子模型生成模塊6042，其中，所述波段選取模塊6041用于針對所述n類反射率光譜中的每一類反射率光譜進行如下操作：依據(jù)反射率光譜，確定處于遙感影像波段范圍內的敏感波段；所述子模型生成模塊6042用于將分別與反射率光譜對應的水體類別和敏感波段進行關聯(lián)處理，生成水體分類決策樹子模型；
模型合成模塊605，用于將n個決策樹子模型合并處理為水體分類決策樹模型；
結果輸出模塊801，用于獲取經過水體掩模處理的遙感影像數(shù)據(jù)，通過模型計算輸出所述遙感影像數(shù)據(jù)對應的水體類別。
本實施例中，所述水體分類模型的建立裝置，應用于影像水體分類，用戶可以根據(jù)水體的遙感影像數(shù)據(jù)，通過水體分類決策樹模型直接得到水體的類別，不需要用戶到現(xiàn)場和實驗室進行實測實驗，簡單快捷。依據(jù)水體分類決策樹模型對遙感影像水體分類運算效率高、時效性強、成本低，且可以實現(xiàn)對水體類別進行連續(xù)監(jiān)測。
在其他的實施例中，水體分類模型的建立裝置除了上述模塊后，還可以包括模型調整模塊，用于依據(jù)遙感影像數(shù)據(jù)對所述決策樹模型中的所述敏感波段和數(shù)據(jù)閾值進行調整，以優(yōu)化所述水體分類決策樹模型，使得其輸出的水體類別結果更加準確。
基于上述實施例，所述水體分類模型的建立裝置還可以包括：頻率統(tǒng)計模塊，用于在結果輸出模塊輸出所述遙感影像數(shù)據(jù)對應的水體類別后，統(tǒng)計一個時間段內固定區(qū)域中所有的遙感影像數(shù)據(jù)對應的水體類別，確定所述固定區(qū)域中各種水體類別發(fā)生的頻率。
圖9公開了水體分類模型的建立裝置第三結構圖，參見圖9所示，所述水體分類模型的建立裝置90可以包括：
光譜獲取模塊601，用于獲取實測的遙感反射率光譜；
光譜分類模塊602，用于通過聚類算法將所述遙感反射率光譜分為n類，所述n為正整數(shù)；
水體類別確定模塊603，用于依據(jù)所述n類反射率光譜對應的水質參數(shù)和固有光學量，確定與所述n類反射率光譜依次對應的n類水體類別；
子模型處理模塊604，包括波段選取模塊6041和子模型生成模塊6042，其中，所述波段選取模塊6041用于針對所述n類反射率光譜中的每一類反射率光譜進行如下操作：依據(jù)反射率光譜，確定處于遙感影像波段范圍內的敏感波段；所述子模型生成模塊6042用于將分別與反射率光譜對應的水體類別和敏感波段進行關聯(lián)處理，生成水體分類決策樹子模型；
模型合成模塊605，用于將n個決策樹子模型合并處理為水體分類決策樹模型；
掩膜處理模塊901，用于對一個時間段內固定區(qū)域的多個遙感影像進行水體掩膜處理，得到多個攜帶掩膜波段的影像；
平均結果模塊902，用于將所述多個攜帶掩膜波段的影像進行波段疊加和光譜平均等處理，確定所述時間段內，所述固定區(qū)域的遙感影像光譜平均后對應的水體類別。
在處理得到多個攜帶掩膜波段的影像后，可以依據(jù)每個攜帶掩膜波段的影像，對所述水體分類決策樹模型所需的波段進行掩膜處理，針對多個掩膜處理后的影像上對應的點，分別進行波段疊加，然后除以對應掩膜波段矩陣上值為1(值為1是有效波段，值為0是無效波段)的個數(shù)，得到對應多個影像采集時段的平均光譜影像。
根據(jù)上述方式，可以根據(jù)需要得到對應年、季、月的平均光譜影像。
其他實施例中，還可以利用所述水體分類決策樹模型對掩膜處理后的單個遙感影像以及光譜平均后的影像進行分類，分別得到單景水體分類影像和年、季、月水體分類影像。
實際應用中，可以進一步地分別疊加年、季、月的單景水體分類影像，依次計算各個像元位置上各種類型的水體發(fā)生的概率，得到各種類型的水體在年、季、月中發(fā)生的概率。
本實施例中，所述水體分類模型的建立裝置，應用于影像水體分類，用戶可以根據(jù)水體的遙感影像數(shù)據(jù)，通過水體分類決策樹模型直接得到水體的類別，不需要用戶到現(xiàn)場和實驗室進行實測實驗，簡單快捷。而且，衛(wèi)星遙感影像資源的獲取很容易，經過對固定時間段中遙感影像進行的水體掩膜和波段均值等處理，結合水體分類決策樹模型，能夠對目標區(qū)域的水體進行深層次的分析，如區(qū)分水體類別的分布特征以及各個類別在不同時間段的發(fā)生頻率的規(guī)律和趨勢等。
基于上述實施例，進一步的，在其他的實施例中，所述水體分類模型的建立裝置還可以包括：分布結果模塊，用于在所述平均結果模塊確定所述固定區(qū)域的遙感影像光譜平均后對應的水體類別后，根據(jù)所述固定區(qū)域的遙感影像光譜平均后的水體類別，確定所述固定區(qū)域在所述時間段內的水體類別分布。便于相關人員了解固定區(qū)域的水體分布情況并進行后期相關研究。
本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。
還需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。
結合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結合來實施。軟件模塊可以置于隨機存儲器(ram)、內存、只讀存儲器(rom)、電可編程rom、電可擦除可編程rom、寄存器、硬盤、可移動磁盤、cd-rom、或技術領域內所公知的任意其它形式的存儲介質中。
對所公開的實施例的上述說明，使本領域專業(yè)技術人員能夠實現(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領域的專業(yè)技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。