珠江口二类水体水色三要素的优化反演

根据2003年1月份珠江口实测资料获得了适合该海域的相关参数，建立了适用于该海域的二类水体水色三要素优化反演模型，同步优化反演得到了与2003年1月25～26日实测站点相对应的2003年1月29日的SeaWiFs图像像元点的水色三要素，反演与实测水色三要素的平均相对误差分别为：叶绿素14．9％，悬浮泥沙12．1％，黄色物质13．6％。研究结果说明本研究建立的优化反演模型比较适用于珠江口二类水体水色三要素的反演，且具有较高的反演精度。     

南海北部水体叶绿素a浓度反演的生物光学模型

利用2003年至2005年秋季在南海多个航次的现场观测数据,研究了南海北部海区遥感反射率的变化,并分析了用于全球海洋叶绿素a浓度反演的OC2和OC4模型在本海区的适用性。结果表明,在南海北部海域,OC2和OC4模型高估了叶绿素a浓度,高估范围一般约在80%—200%之间,其中最高可达640%,即OC2和OC4模型并不适用于南海海域。在此基础上,根据现场实测的表观光学数据,利用遥感反射率比值(Rrs(433)/Rrs(555))与叶绿素a浓度的关系建立了两套能够精确反演南海北部海域叶绿素a浓度的本地化经验算法———算法1和算法2,并利用其对南海北部海域的叶绿素a浓度进行反演。结果表明,由本地化模型反演得到的叶绿素a浓度与实测的叶绿素a浓度具有较好的相关关系,其平均相对偏差分别为51%和53%,相关系数为0.75。     

珠江口海域叶绿素a质量浓度SAR反演模型

以珠江口海域的Radarsatt-2全极化SAR数据和海域表层水面叶绿素a质量浓度实测数据为基础,利用微波散射原理及Cloude Pottier理论对SAR图像进行分解,得到平均散射角a、散射熵H及VH、VV、HH、HV等6个参数;采用BP人工神经网络模型建立上述6个参数与叶绿素a质量浓度的数学关系模型,并结合实测数据对叶绿素a质量浓度进行分类。结果表明:当隐含层节点数为9,输入层和隐含层传递函数分别为tansig和logsig,学习速率和动量系数均为0.2时的网络结构对叶绿素质量浓度反演取得了较好的效果,叶绿素a质量浓度实测值与预测值之间的决定系数(R~2)为0.826。将模型应用于不同时期的2幅图像进行验证,效果良好,与实际情况基本相符。     

珠江口二类水体水色三要素的优化反演

根据2003年1月珠江口实测资料获得的相关参数,建立了适用于该海域的二类水体水色三要素优化反演模型,同步优化反演得到了与2003年1月25—26日实测站点相对应的2003年1月29日的SeaWiFs图像像元点的水色三要素,反演与实测水色三要素的平均相对误差分别为:叶绿素14.9%,悬浮泥沙12.1%,黄色物质13.6%。研究结果说明本研究建立的优化反演模型比较适用于珠江口二类水体水色三要素的反演,且具有较高的反演精度。     

HY-1C卫星海岸带成像仪叶绿素a浓度反演研究

叶绿素a作为最重要的水质参数之一,是评价水体富营养化和初级生产力状况的主要因素。我国海洋一号C（HY-1C）卫星海岸带成像仪（CZI）具有高时空分辨率的观测优势。本文基于东海和南海现场实测数据建立了HY-1C卫星CZI叶绿素a浓度反演模型并在实测水域进行反演,与MODIS叶绿素a浓度反演产品进行了对比验证,应用CZI叶绿素a浓度模型在珠江口、长江口、渤海湾水域进行了叶绿素a浓度反演示例试验。结果表明,叶绿素a浓度模型估算浓度与实测浓度相关系数为0.774 3,平均相对误差为24.58%,利用实测叶绿素a浓度对模型进行精度验证,相关系数达到0.993 9,平均相对误差为18.49%。模型在实测水域反演得到的叶绿素a浓度分布与MODIS叶绿素a浓度产品分布大体一致。在珠江口水域反演得到叶绿素a浓度空间分布为由西北向东南逐级递减,峰值出现在珠江口西沿岸。在长江口、渤海湾反演叶绿素a浓度空间分布均符合地理实情。研究表明HY-1C卫星CZI数据可应用于中国近海水色定量化研究。     

基于神经网络的黄东海春季二类水体三要素浓度反演方法

介绍了一种基于人工神经网络的二类水体海域的三要素浓度反演方法。根据2003年春季黄东海试验中获得的高质量现场数据,建立了由现场测量遥感反射率分别反演三要素浓度的神经网络模型。反演的平均相对误差分别叶绿素32．5％,黄色物质8．9％,总悬浮物24．2％。同时分析了神经网络模型在水色反演模式应用中的稳定性。     

夏季珠江口海域海水CO2分压的卫星遥感反演

基于控制因子分析的方法,本研究建立了夏季珠江口海域海水CO₂分压(pCO₂)的遥感反演模型。基于珠江水与黑潮水的两端元混合,建立了水平混合和热力学作用的量化模型,并生成了查找表。同时,建立了基于黄色物质(含碎屑)吸收系数的盐度遥感算法,实现珠江口海域表层盐度的遥感反演。利用走航pCO₂和匹配的遥感叶绿素质量浓度产品,建立了生物作用的量化模型。通过集成水平混合和生物作用,最终实现夏季珠江口海域pCO₂的遥感反演。与走航pCO₂比较表明,仅考虑水平混合和热力学作用的遥感结果会显著高估,考虑生物作用后,遥感结果无论在量值和空间变化趋势上均与实测结果相符。此外,遥感反演结果表明,夏季珠江口近岸水域为CO₂的汇区,而离岸的陆架水域则为CO₂的弱源。     

基于高光谱数据的珠江口表层水体悬浮泥沙遥感反演模式

利用2006年12月4日珠江口海域实测的高光谱遥感反射率数据及悬浮泥沙质量浓度数据,进行了该海域表层水体悬浮泥沙遥感反演模式的研究。研究结果表明,悬浮泥沙质量浓度与Rrs(λ1)/Rr s(λ2)-Rrs(λ1)/Rrs(λ3)的相关性较好,其中Rrs(λ)代表遥感反射率,λ代表波长,λ1=762.6 nm,λ2=559.09 nm,λ3=772.78 nm,建立了悬浮泥沙质量浓度定量遥感反演模式,该模式的均方根误差为4.67 mg/L,可以用于珠江口海域的悬浮泥沙质量浓度的遥感监测。     

基于BP神经网络渤海湾表层叶绿素浓度反演方法探讨

由于渤海湾水质光学性质复杂,使用传统线性叶绿素浓度反演方法进行反演时的精度不高。为提高渤海湾叶绿素浓度的反演精度,利用2012年4月渤海湾的表层叶绿素浓度实测数据和GOCI同步遥感反射率数据,建立了渤海湾叶绿素浓度反演的BP神经网络模型,并与GOCI的3种叶绿素浓度业务算法(OC2算法、OC3G算法和YOC算法)进行比较。结果表明,在渤海湾GOCI 3种业务算法的标准误差均大于1,决定系数均小于20%;BP神经网络算法的标准误差为0.615 4,决定系数为89.98%,且反演的叶绿素浓度分布与实测值的分布趋势一致,反演的精度高于GOCI传统业务算法。因此该BP神经网络模型可用于反演春季渤海湾表层叶绿素浓度,且反演精度比GOCI业务反演算法精度高。     

珠江口海域a_g(440)遥感模式研究及应用

有色可溶性有机物质(Coloured Dissolved Organic Matter,CDOM)直接影响着海水的光学性质,为水体有机污染物含量遥感反演的基础参数之一。在水色遥感研究领域,一般用440nm波长位置的吸收系数ag(440)来表示其浓度,因而建立ag(440)遥感反演模式,对于掌握相关海域CDOM浓度的空间变化规律及进一步提取其他水环境参数具有重要的作用。利用2013年11月和2014年2月两个航次在珠江口海域现场采集的表观光学量及固有光学量数据,建立了基于HJ-1/CCD卫星传感器的ag(440)遥感反演模型,并应用于珠江口海域,得到该区域2012年1月至2014年6月晴天CDOM浓度空间动态分布图。研究结果表明:(1)现场测定的珠江口海域ag(440)在0.1~0.3m-1,且不同断面ag(440)呈现出一定的规律性变化;(2)利用现场实测数据对遥感模式估算值进行验证,计算出估算值的相对误差为9%,表明所建立模式具有较高的准确率;(3)遥感反演的CDOM空间分布数据与实测数据得到的分布特征基本吻合,整个珠江口及其邻近海域ag(440)的数值范围为0.07~0.31m-1,而且珠江口西部海域ag(440)高于中部和东部海域。     

Comparison of chlorophyll algorithms in the bohai sea of China

Empirical band-ratio algorithms and artificial neural network techniques to retrieve sea surface chlorophyll concentrations were evaluated in the Bohai Sea of China by using an extensive field observation data set. Bohai Sea represents an example of optically complex case II waters with high concentrations of colored dissolved organic matter (CDOM). The data set includes coincident measurements of radiometric quantities and chlorophyll a concentration (Chl), which were taken on 8 cruises between 2003 and 2005. The data covers a range of variability in Chl in surface waters from 0.3 to 6.5 mg m^-3. The comparison results showed that these empirical algorithms developed for case I and case II waters can not be applied directly to the Bohai Sea of China, because of significant biases. For example, the mean normalized bias (MNB) for OC4V4 product was 1.85 and the root mean square (RMS) error is 2.26.     

珠江口水体叶绿素荧光特性研究

利用2003年1月和2004年1月珠江口实测的遥感反射率和叶绿素浓度,建立了基于实测1nm带宽及其模拟MERIS遥感反射率数据的叶绿素荧光特征与叶绿素浓度之间的拟合关系。基于实测1nm带宽遥感反射率光谱,叶绿素荧光峰的位置和高度分别与叶绿素浓度之间存在良好的线性关系和指数关系;基于模拟MERIS遥感反射率数据,叶绿素荧光峰的高度与叶绿素浓度之间存在良好的线性关系,叶绿素荧光峰位置与叶绿素浓度之间不存在明显的相关关系,但可作为叶绿素浓度数量级的有效探针。利用2006年5月和8月的珠江口实测遥感反射率和叶绿素浓度对拟合结果进行了检验,结果表明其精度较高,说明叶绿素荧光特征在探测叶绿素浓度时效果良好且MERIS数据在近岸二类水体叶绿素浓度反演、水质监测等方面有着良好的应用前景。     

人工神经网络方法反演东中国海悬移质浓度

海中悬移质是决定海洋光学性质、海洋水质,河口海岸带演变动力过程的重要环境参数。本文利用模拟遥感反射比数据集建立人工神经网络反演悬移质浓度,并利用东中国海现场同步数据对该算法进行验证。     

珠江河口混浊高产水域叶绿素a浓度的遥感估算模型

近年来为提高混浊高产水体叶绿素a浓度的估算精度,Gitelson等提出了一种基于红与近红外3个波段遥感反射率的概念模型.文章基于2004年的实测数据,检验该概念模型在珠江河口水域的适用性,估算该概念模型以及它的特殊形式--两波段模型对应的光谱位置,在此基础上构建利用卫星数据提取珠江河口水域叶绿素a浓度的遥感估算模型.结果表明,珠江河口混浊高产水域叶绿素a浓度与三波段模型和两波段模型均有很强的线性相关性,相关系数分别达到0.91与0.88.构建的三波段模型和两波段模型估算的叶绿素a浓度与实测叶绿素a浓度的均方根差(RMSE)分别为5.82mg·m-3和6.53mg·m-3,精度高于其他常用算法.根据MERIS的波段设置构建的三波段模型估算的叶绿素a浓度与实测叶绿素a浓度的RMSE为6.47mg·m-3,显示了良好的应用潜力.     

利用卫星资料反演月平均近海面气温和湿度

为弥补广阔海面上气象参数的观测数据的不足，利用专用成像传感器SSM／I和红外辐射计AVHRR资料进行近海面气温和湿度的反演，首先分析与近海面气温和湿度关系比较密切的几个气象因子及其相关性，并采用神经网络建立近海面气温和湿度与它们之间的关系，利用训练好的网络模型反演月平均近海面气温和湿度，并与TAO和NDBC提供的浮标及观测站的实测数据进行比较，近海面气温和相对湿度的均方根差分别为0．87℃和3．73％。低纬度反演的结果精度较高，达到0．53℃（气温）和2．03％（相对湿度）；较大的误差（气温1．06℃、相对湿度3．85％）主要发生在近岸和高纬度区，因为近岸的地形比较复杂，并且很容易受陆地气候的影响；高纬度地区的气候变化比较剧烈，同时目前能得到的高纬度地区的实测资料比较少，这些因素都会影响反演结果的准确度。     

基于BP人工神经网络的水体遥感测深方法研究

利用Landsat7ETM＋遥感图像反射率和实测水深值之间的相关性,建立了动量BP人工神经网络水深反演模型,并对长江口南港河段水深进行了反演.结果表明：具有较强非线性映射能力的动量BP神经网络模型能较好地反演出长江口南港河段的水深分布情况;由于受长江口水体高含沙量的影响,模型对小于5 m的水深值反演精度较高,而对大于10 m的水深值反演精度较低.     

基于BP人工神经网络的水体遥感测深方法研究

利用Landsat7 ETM 遥感图像反射率和实测水深值之间的相关性,建立了动量BP人工神经网络水深反演模型,并对长江口南港河段水深进行了反演。结果表明:具有较强非线性映射能力的动量BP神经网络模型能较好地反演出长江口南港河段的水深分布情况;由于受长江口水体高含沙量的影响,模型对小于5m的水深值反演精度较高,而对大于10m的水深值反演精度较低。     

珠江河口特征认知的发展

人们对珠江河口的认知发生过几次飞跃。第一次认知飞跃，柯维廉（W.Olivecrona）1915年首次提出了珠江三角洲的概念；第二次认知飞跃，吴尚时1937年证明海水曾深入广州形成珠江河口湾并发育三角洲，1941和1947年先后著文肯定了珠江三角洲的存在，并确定了其主体范围；第三次认知飞跃，曾昭璇1980年提出了冲缺三角洲的概念，1997年提出了串珠状冲缺三角洲发育模式，揭示了珠江三角洲发展的时间与空间位置；第四次认知飞跃，赵焕庭1982年揭示了珠江三角洲叠置晚更新世晚期老三角洲与全新世中期现代三角洲，新资料显示还存在晚更新世中期三角洲；第五次认知飞跃，赵焕庭等于1973-1982年间运用西蒙斯优势流概念和河口盐水楔理论研究了口门和河口湾滩槽地形的发育演变；第六次认知飞跃，吴超羽等于2006年创造性应用自己研发的长周期机理模型和沉积学、地貌动力学等多学科互证，量化再现了珠江三角洲6~2.5 ka BP"镶嵌式"演变过程。     

FORMATION AND DEVELOPMENT OF THE ZHUJIANG DELTA

The fundamental conditions and basic process for the formation of the Zhujiang (Pearl River) Delta are similar to those of most of the deltas. Their localities are all in the submerged regions of the crustal structure, the shallow estuary results from transgression, the fluviatile runoff flowing into the sea and the silt discharge are large, the destructive energy of waves and the coastal current is small, silt accumulates rapidly, the depositional fabric is zonally distributed horizontally, and the corresponding sequence occurs vertically. Because the original Zhujiang Estuary stretched up to the continent about 160 km, the silt discharge of the Zhujiang River is now relatively small, as compared with the rivers famous for their deltas stretching into the sea. Therefore, the Zhujiang Delta is still developing inside the estuary, and thus is called the filling delta. Thanks to the long history and culture as well as the kaleidoscope-like ancient literature of the Chinese people, reliable pieces of evide