南海乐东海域黄色物质浓度反演及其时空变化分析

为掌握南海乐东海域黄色物质浓度的时间及空间动态,对该海域黄色物质浓度反演方法及表达方式进行研究。利用在乐东海域遥感地质调查获取的黄色物质吸收系数数据对Carder和Tassan两种模型进行回归分析,得到黄色物质浓度反演模型。其中,利用Carder模型进行回归分析得到的回归模型决定系数R~2为0.62;利用Tassan模型进行回归分析得到的回归模型决定系数R~2为0.78。应用精度较高的Tassan回归模型反演黄色物质浓度并进行年度、季度变化分析,结果表明:1由近岸到深海,黄色物质浓度呈现逐渐下降的趋势,且分布一定程度上受洋流和人类活动的影响;2黄色物质浓度有逐年上升的趋势,在不同季节里,冬季黄色物质浓度最高。     

基于Landsat-8数据南海近岸悬浮泥沙与叶绿素a浓度定量反演

为了对南海近岸海域海水悬浮泥沙与叶绿素a进行浓度估算,基于Landsat-8数据确定悬浮泥沙与叶绿素a的敏感波段并构建估算模型。结果表明,Landsat-8数据第一、二、四波段对悬浮泥沙浓度较为敏感,第一、二、三波段对叶绿素a浓度较为敏感,而以上单波段仍不能单独用于准确提取该区悬浮泥沙与叶绿素a,故建立多种形式的统计模型。由第一、二、四波段线性组合形成的悬浮泥沙浓度反演模型的相关系数达到0.904,平均相对误差为10.24%,反演精度为89.76%。由第一、二、三波段线性组合形成的叶绿素a浓度反演模型的相关系数达到0.886,平均相对误差为11.27%,反演精度为88.73%。     

“四同”条件下周口城区高分一号遥感影像分类对比研究

目前大多数面向像元、面向对象遥感影像分类对比研究算法、软件、样本均不同,引入多方面系统误差导致结果一定程度上不严谨。为更准确比较2种分类方法,本文采用面向像元、面向对象2种分类方式,在同软件平台、同分类器、同训练样本、同验证样本,即“四同”条件下对2018年4月17日高分一号周口城区融合影像进行分类对比研究,并完成主、客观评价精度评价。结果表明：① “四同”条件下2种分类方式、CART（Classification and Regression Tree）、SVM（Support Vector Machine）、RF（Random Forests）3种机器学习算法均能识别周口城区主要地物类型,而面向对象的分类效果明显优于面向像元分类,与前人研究结论一致。其中面向像元分类效果最好的是RF算法,总体分类精度为78.02%,Kappa系数为0.72;面向对象分类效果最好的是RF算法,总体分类精度为93.40%,Kappa系数为0.92;② 尽管由于光谱特征相似、分布交叉,单类别建筑用地、交通用地用户精度与生产者精度较低,但面向对象分类较面向像元分类效果明显提升,以RF分类为例,建筑用地生产者精度由56.18%提高至92.13%,用户精度由69.44%提高至87.23%;交通用地生产者精度由72.15%提高至89.87%,用户精度由72.15%提高至92.20%;③ 与前人研究成果比较,本文在“四同”条件下实现了更科学、更严谨的面向像元、面向对象遥感分类方法对比,对后续高分辨率遥感影像分类具有一定参考意义。