本发明属于海域监测，具体而言，涉及一种夜间海域监测多模态数据识别方法、介质及系统。
背景技术：
1、海洋是地球上最广阔的生态系统，对于调节全球气候、维持生物多样性等发挥着重要作用。近年来，随着远程遥感技术的快速发展，利用航天飞机或卫星搭载的各种传感器对海域进行动态监测已成为可能。遥感监测能够获取海域大范围、高分辨率的多源数据，为海洋环境监测、航运管控、渔业养殖等提供宝贵信息支撑。传统的海洋遥感监测以白天为主，利用可见光、近红外等波段对海面进行成像观测。然而，由于夜间缺乏太阳光照射，仅利用被动式探测无法获取有效的海域信息。为了实现全天候、不间断的海洋监测，人们开始关注利用主动式传感器进行夜间遥感的可能性。常用的主动式传感器包括激光雷达、合成孔径雷达等，能够在夜间对海面产生人工照射，再探测回波信号，实现夜间成像。夜间遥感技术在海洋浮游生物、海洋污染、海上目标等监测领域展现出广阔的应用前景。
2、但是，受制于当前的硬件水平和理论方法，现有的夜间遥感监测系统在实际应用中还存在一些不足，主要体现在以下几个方面：信息获取受限。现有的夜间遥感系统大多只能感知单一的物理量，如海面粗糙度、悬浮物浓度等，无法综合获取海洋环境的多模态信息，监测信息单一、不全面。分辨率不足。由于成本、功率等因素的限制，目前的夜间遥感系统分辨率较低，难以满足对细小目标的识别需求。监测范围有限。现有的夜间海洋遥感主要集中在近岸和沿岸区域，对于大洋、公海区域的监测能力较差。数据处理能力薄弱。由于缺乏针对性的信号与图像处理算法，很多有价值的遥感数据在传统处理方法下无法得到充分利用。信息可视化不足。现有的监测结果可视化形式较为单一，缺少直观、高效的信息表达手段。
技术实现思路
1、有鉴于此，本发明提供的一种夜间海域监测多模态数据识别方法、介质及系统，通过估计输出结果的置信度，分析误差来源，并对模型在具体时间段进行自校正，保证了输出结果的精度和可靠性。
2、本发明是这样实现的：
3、本发明的第一方面提供一种夜间海域监测多模态数据识别方法，其中，包括以下步骤：
4、s10、划分夜间海域区域，将待夜间监测的指定海域划分为多个海域区域；采集夜间多分辨率遥感信息，基于多分辨率夜间遥感，采集多个海域区域的遥感信息，获得多个夜间遥感信息集合，并对多个海域区域进行测试获得多个夜间遥感反射率集合；
5、s20、基于多个所述夜间遥感反射率集合，利用集成多尺度反演模型，对多个海域区域内夜间悬浮物浓度进行分析计算，获得多个夜间悬浮物浓度信息；
6、s30、根据多个所述夜间遥感信息集合，基于集成多尺度粒径分析，对多个海域区域内夜间悬浮物粒径进行分析计算，获得多个夜间悬浮物粒径信息；
7、s40、将多个所述夜间遥感信息集合分为多个区域；对每个区域的夜间遥感信息进行去模糊处理，采用萤火虫算法优化的卷积神经网络模型对每个区域的所述夜间遥感信息进行去模糊处理，获得多个去模糊后的夜间遥感信息集合；
8、s50、融合夜间多尺度遥感信息，基于多个去模糊后的夜间遥感信息集合，对多个海域区域进行夜间多尺度遥感信息融合，获得夜间多尺度融合遥感信息；
9、s60、获取夜间悬浮物面积信息，基于多个夜间悬浮物浓度信息和多个夜间悬浮物粒径信息，在夜间多尺度融合遥感信息内进行遍历特征提取处理，获得夜间悬浮物面积信息；
10、s70、整合夜间遥感监测结果，将所述多个夜间悬浮物浓度信息、多个夜间悬浮物粒径信息和夜间悬浮物面积信息进行整合，作为指定夜间海域的悬浮物遥感监测结果输出；
11、s80、构建用于分析夜间遥感监测结果误差的神经网络模型，利用优化的神经网络误差分析模型，对所述夜间遥感监测结果进行误差分析和修正，输出最终的夜间海域监测多模态信息识别结果。
12、在上述技术方案的基础上，本发明的一种夜间海域监测多模态数据识别方法还可以做如下改进：
13、其中，所述步骤s10的具体步骤包括：
14、将指定夜间海域划分为多个区域；
15、针对每个区域，采集夜间遥感图像和同步气象参数信息；
16、利用卷积神经网络对每个区域的所述夜间遥感图像进行语义分割，获得夜间海面、陆地和云层的分类遮罩；
17、结合气象参数和分类遮罩，对每个区域的所述夜间遥感图像进行辐射校正和大气校正，得到多个夜间遥感信息集合。
18、进一步的，所述步骤s20的具体步骤包括：
19、对每个区域的所述多个夜间遥感信息集合中可见光和热红外波段的图像进行图像配准变换；
20、构建联合优化的端到端卷积神经网络模型，所述卷积神经网络模型以多个可见光波段图像为输入，输出对应的多个甚高光谱遥感影像；
21、将所述卷积神经网络模型应用于变换后的可见光图像，生成该区域的多个夜间悬浮物浓度信息。
22、进一步的，所述步骤s30的具体步骤包括：
23、针对每个区域，选取热红外波段的夜间遥感图像；
24、设计基于自注意力机制的变分自编码器网络，该网络的编码器将热红外图像编码为中间特征表示，解码器则从该特征表示重构出悬浮物粒径分布图；
25、训练所述变分自编码器网络，输入为原始热红外图像，标签为相应的粒径分布测量数据；
26、利用训练完成的变分自编码器网络，对每个区域的热红外图像进行前馈运算，生成该区域的多个夜间悬浮物粒径信息。
27、进一步的，所述步骤s40的具体步骤包括：
28、构建带有多层卷积层和池化层的卷积神经网络作为去模糊基础模型；
29、利用萤火虫算法对卷积神经网络的参数进行优化；
30、建立包含清晰图像与对应模糊图像成对训练集；
31、训练优化的卷积神经网络，使所述去模糊基础模型输出清晰图像逐渐拉近训练集中的清晰图像；
32、将优化的卷积神经网络模型应用于每个区域的夜间遥感图像，生成对应的多个去模糊后的夜间遥感信息集合。
33、进一步的，所述步骤s50的具体步骤包括：
34、对每个分辨率的夜间遥感图像进行小波分解，将其分解为若干个尺度的小波分量；
35、设计加权融合规则，对同一尺度下的多个分量进行加权融合，得到该尺度下的融合分量；
36、对各个尺度的融合分量进行重构，得到初步融合图像；
37、引入小波相位融合细化策略，修正融合图像中存在的缺陷，获得最终的夜间多尺度融合遥感信息。
38、进一步的，所述步骤s60的具体步骤包括：
39、根据浓度和粒径信息，建立目标悬浮物的光谱特征模式；
40、利用分类算法如支持向量机或神经网络，对融合后夜间遥感图像进行目标检测，将其划分为目标悬浮物像素或非目标像素；
41、对分类目标像素进行连通域分析，合并为独立目标斑块；
42、统计每个所述目标斑块的像素个数，结合地理坐标信息，转换为实际面积范围，获得夜间悬浮物面积信息。
43、进一步的，所述构建用于分析夜间遥感监测结果误差的神经网络模型的步骤，具体包括：
44、s81、采用聚类算法制定时间窗口长度；
45、s82、利用时间窗口获取所述夜间遥感监测结果的窗口特征；
46、s83、根据每个窗口特征，获取对应窗口开始和结束时刻的真实数据；
47、s84、计算所述夜间遥感监测结果的误差，作为窗口特征对应的误差；
48、s85、建立训练数据集，包括每个时间窗口对应的窗口特征及误差；
49、s86、建立神经网络模型，使用训练数据集进行训练，得到用于分析误差的模型；
50、s87、随机变更窗口长度，获取新窗口特征及误差作为验证集，对模型进行验证优化；
51、s88、重复多次s87，保存最佳优化的误差分析模型。
52、本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种夜间海域监测多模态数据识别方法。
53、本发明的第三方面提供一种夜间海域监测多模态数据识别系统，其中，包含上述的计算机可读存储介质。
54、与现有技术相比较，本发明提供的一种夜间海域监测多模态数据识别方法、介质及系统的有益效果是：
55、提供多模态融合算法：
56、通过高光谱成像、热红外成像等技术获取夜间悬浮物的多源信息，并采用多尺度融合、自注意力编码等深度学习算法，实现对浓度、粒径、面积多模态信息的联合感知。监测信息更加丰富、全面；
57、实现高分辨率成像：
58、本发明提出了一种新颖的基于优化卷积神经网络的图像超分辨率重建方法，可以从低分辨率遥感影像生成对应的高分辨率影像，为高精度细小目标识别提供数据支持；
59、扩大监测范围：
60、通过多源遥感数据的协同处理与反演，本发明可以突破单一遥感系统的范围局限，对大范围开阔海域的悬浮物状况进行监测；
61、提升数据处理效率：
62、本方案中涉及多种基于深度学习的信号与图像处理算法，如小波变分自编码器、萤火虫算法优化卷积神经网络等，较传统处理方法具有更高的精度和效率；
63、融合智能化可视化：
64、本发明综合多种可视化方式，如gis交互式显示、web在线实时监测等，为用户提供直观、高效、个性化的监测结果呈现；
65、总之，本发明提出的夜间海洋遥感新方法切实增强了监测系统的现有能力，为实现全天候、长期、宽范围的海洋环境监测奠定了基础。
1.一种夜间海域监测多模态数据识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种夜间海域监测多模态数据识别方法，其特征在于，所述步骤s10的具体步骤包括：
3.根据权利要求2所述的一种夜间海域监测多模态数据识别方法，其特征在于，所述步骤s20的具体步骤包括：
4.根据权利要求3所述的一种夜间海域监测多模态数据识别方法，其特征在于，所述步骤s30的具体步骤包括：
5.根据权利要求4所述的一种夜间海域监测多模态数据识别方法，其特征在于，所述步骤s40的具体步骤包括：
6.根据权利要求5所述的一种夜间海域监测多模态数据识别方法，其特征在于，所述步骤s50的具体步骤包括：
7.根据权利要求6所述的一种夜间海域监测多模态数据识别方法，其特征在于，所述步骤s60的具体步骤包括：
8.根据权利要求7所述的一种夜间海域监测多模态数据识别方法，其特征在于，所述构建用于分析夜间遥感监测结果误差的神经网络模型的步骤，具体包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行权利要求1-8任一项所述的一种夜间海域监测多模态数据识别方法。
10.一种夜间海域监测多模态数据识别系统，其特征在于，包含权利要求9所述的计算机可读存储介质。
