非线性模型岛礁礁盘遥感水深反演

针对已有的遥感水深反演方法波段选取难,得不到较好的模型参数的问题,该文在国内外遥感水深反演研究的基础上,对经典的非线性模型进行研究,引入了逐步回归算法对模型进行了改进。以东岛为研究区,基于Worldview-2多光谱影像进行模型验证和精度评价。结果表明:应用改进后模型的反演水深精度大幅提高,水深范围不但适用在10m以浅的水区,在15~30m的区域精度也较高。由此可见改进的模型在保持原模型移植性较好的前提下,模型参数更易解算,反演精度较高,具有一定的适用性。     

HY-1C/D卫星CZI数据的岛礁浅海水深遥感无控反演能力评估

岛礁浅海水深是海洋重要的基础资料。中国南海岛礁远离大陆,水下现场调查效率低、难度大,难以评估水下地形的长期变化,迫切需要大面积、高频次成像的卫星遥感数据。海洋一号C/D (HY-1C/D)卫星双星组网大大提高了覆盖频次,配置的海岸带成像仪CZI (Coastal Zone Imager)可为岛礁水下探测提供快速的业务化遥感数据服务。为充分发掘两颗卫星的岛礁水深反演能力,本文以中国南海永乐环礁为研究区域,以HY-1C/D CZI多光谱遥感影像为数据源,结合半分析模型和对数比值模型开展了不依赖实测数据的水深反演研究,并与GeoEye-1高分辨率卫星多光谱遥感数据反演结果进行对比。结果表明,HY-1C/D CZI多光谱数据在甘泉岛的水深反演结果与实测数据相比,在0—20 m水深范围内的平均绝对误差分别为1.60 m和1.85 m,平均相对误差分别为22.48%和26.23%;HY-1C/D CZI多光谱数据与基于GeoEye-1数据在甘泉岛的水深反演结果相比,平均绝对偏差分别为1.65 m和1.81 m,平均相对偏差分别为22.33%和23.83%。HY-1C/D CZI与GeoEye-1多...     

基于多源影像融合去云的水深遥感反演研究——以哨兵-2A和资源三号为例

利用Worldview-2、资源三号、Sentinel-2A、高分一号,以及Landsat-8等5种光学卫星数据和电子海图数据,在研究多光谱遥感水深反演机理以及基本流程的基础上,探究了多源遥感数据去云融合与水深反演。一方面,以不同空间分辨率的影像融合为切入点,用GM融合算法、小波融合探讨不同空间尺度、不同数据源融合影像对水深反演结果的影响,探讨水深反演过程中遥感影像去云融合的可行性。另一方面,以多源遥感水深反演为切入点,基于双波段比值法,反演实验区域20 m以内的水深,并进行精度评价。实验表明,利用小波融合去云可以改善水深遥感反演中有云区域的影响,一定程度上提高反演精度和制图资料的完整性。     

基于支持向量机和BP神经网络的水深反演研究

根据高空间分辨率Quickbird遥感影像反射率和实测水深之间的相关性,选取相关性较高的反演因子b1/b2、b1/b3和b2/b3建立单因子模型、双因子模型、多因子模型和BP神经网络模型,并对甘泉岛附近20m内的水深进行反演。同时,利用最佳指数因子(OIF)和支持向量机(SVM)对甘泉岛研究区域基于水深颜色分成两类,将分类结果分别提取建立BP神经网络模型并进行水深反演。通过对反演结果对比发现:遥感影像分类前,线性回归模型中多因子线性模型反演精度最高,但比BP神经网络模型稍差。遥感影像分类后,浅海水域BP神经网络模型的反演精度要比分类前的各模型反演精度低,但是,深海区域BP神经网络模型的反演精度最高。     

基于GeoEye-1影像的自适应浅海水深反演方法

本文基于GeoEye-1影像研究了自适应浅海水深反演方法在甘泉岛附近浅海区域的适用性.GeoEye-1遥感影像经预处理后,通过反射率计算叶绿素浓度进而确定出对数比值模型的参数进行建模,实现无实测数据的多光谱水深反演,并通过实测数据对反演结果进行验证.结果表明:利用自适应水深反演方法对甘泉岛附近浅海区域水深反演精度较高,...     

四种遥感浅海水深反演算法的比较

详细介绍了单波段线性回归模型、两波段比值线性回归模型、多波段组合线性回归模型、BP神经网络模型等4种光学遥感水深反演算法,然后利用同一地区、同一时期的Worldview-2多光谱遥感影像和实测水深数据,对4种水深反演模型的准确性进行了实验比较。研究表明:多波段组合线性回归模型、BP神经网络模型的水深反演的性能较好,利用多光谱遥感图像数据反演得到的水深值误差较小;而单波段线性回归模型、两波段比值线性回归模型的效果较差。     

基于多光谱数据的南海浅水水深测量算法研究

沿海地区的水深测量是大多数海岸工程和沿海科学应用的常见要求。然而,在我国南海浅水区域(0—10 m)及部分政治敏感区,船只很难到达导致测量非常不便,这种情况下遥感测量方法凸显了其价值。本文基于QuickBird多光谱遥感影像及同时期多波束实地测量水深点数据,利用6种算法模型定量反演了中国南海甘泉岛周边浅海的水深。精度验证结果表明,基于遗传算法优化的BP神经网络模型与实际测量水深的相关系数R2大于0.96,测量结果可靠。     

两种浅海水深快速反演方法对比研究

针对对数比例变换法和多波段模型法两种操作简便的水深反演方法的优劣进行对比,旨在探讨二者对于大量浅海水深快速反演流程化工作的适用性。基于水深参考数据,随机选取138个样本点分别构建反演模型,并分层随机抽取100个验证点进行精度评价。从模型决定系数R2、反演精度,以及方法鲁棒性和适用性3个方面进行对比分析。结果表明,多波段模型法的决定系数R2(0.912)优于对数比例变换法(0.776);多波段模型法的反演平均绝对误差为1.47m,平均相对误差11.67%,均略低于对数比例变换法(1.45m,11.49%),但后者在小于1m的水深范围内的反演结果存在大范围错误,精度明显低于前者;多波段模型法可通过对回归方程和回归系数的显著性检验而不断优化,鲁棒性和适用性亦明显优于对数比例变换法。因此,本研究认为多波段模型法更适用于大量浅海水深快速反演流程化工作。     

遥感水深反演海道测量业务化应用中的评估与思考

水深是海道测量最重要的地理要素,反映海底地貌形态和航区通航能力,在海道测量中占有重要的地位,遥感水深反演(SDB)对于补充传统声学测深系统效率不足具有重要意义。本文通过对现有研究总结,从实地因素、影像因素和反演方法3个维度分析了反演考量的要素,对照海道测量精度要求和业务化需求两个维度对水深反演适用性进行了评估。结果表明,精度方面,SDB水平精度已经满足要求,大部分多光谱反演相对垂直精度约达20%,但受水体浑浊程度影响较大,距海道测量业务化应用尚有不足,海底覆盖方面已经有了很好的实践。最后,从不确定性可控性、反演模型外推和多源数据同化方面分析了SDB应用所面临的问题,并给出了一些思考和建议。     

海底底质分类支持下的WorldView-3多光谱影像浅海海域水深反演

近几十年来,基于遥感影像进行水深反演一直是国内外学者研究的热点。本文使用WorldView-3高分辨率卫星影像,结合卫星测高数据,以中国海南岛附近的蜈支洲岛及其附近海域为主要研究区域,在进行数据预处理、底质分类之后,分别通过多元线性回归模型、Stumpf对数比值模型和BP神经网络集中对岛屿周围0～20 m水域的水深进行反演和结果分析。结果证明,对这3种模型而言,在进行底质分类之后精度都会明显提升。其中,BP神经网络反演水深精度最高(均方根误差范围为0.2～0.7 m),多元线性回归模型次之(均方根误差范围为0.3～0.8 m),对数比值模型精度最低(均方根误差范围为0.6～1.1 m)。     

Satellite mapping of Baltic Sea Secchi depth with multiple regression models

Secchi depth is a measure of water transparency. In the Baltic Sea region, Secchi depth maps are used to assess eutrophication and as input for habitat models. Due to their spatial and temporal coverage, satellite data would be the most suitable data source for such maps. But the Baltic Sea’s optical properties are so different from the open ocean that globally calibrated standard models suffer from large errors. Regional predictive models that take the Baltic Sea’s special optical properties into account are thus needed. This paper tests how accurately generalized linear models (GLMs) and generalized additive models (GAMs) with MODIS/Aqua and auxiliary data as inputs can predict Secchi depth at a regional scale. It uses cross-validation to test the prediction accuracy of hundreds of GAMs and GLMs with up to 5 input variables. A GAM with 3 input variables (chlorophyll a, remote sensing reflectance at 678 nm, and long-term mean salinity) made the most accurate predictions. Tested against field observations not used for model selection and calibration, the best model’s mean absolute error (MAE) for daily predictions was 1.07 m (22%), more than 50% lower than for other publicly available Baltic Sea Secchi depth maps. The MAE for predicting monthly averages was 0.86 m (15%). Thus, the proposed model selection process was able to find a regional model with good prediction accuracy. It could be useful to find predictive models for environmental variables other than Secchi depth, using data from other satellite sensors, and for other regions where non-standard remote sensing models are needed for prediction and mapping. Annual and monthly mean Secchi depth maps for 2003–2012 come with this paper as Supplementary materials.     

江苏近海岸水深遥感研究

以江苏近海辐射沙脊群海域为典型研究区,通过实测水深数据和水体光谱测量与分析,发现对应TM3和TM4波段的水体光谱反射率对水深信息敏感,线性相关系数分别达到-0.561和-0.694。结合多光谱遥感信息传输方程所推导出的水深信息对数反演模式,针对本研究区TM4和TM3波段数据所建立的水深预测模式的复相关系数R2为0.4793,对0-15m水深,预测水深和实测水深之间拟合较好。利用TM5波段反射率、出露沙洲反射率以及海水反射率的差异,通过建立掩膜图像,可较有效地对TM遥感图像进行水陆分离,提取TM图像中海水部分,进一步可通过常用的图像处理软件绘制每隔5m的TM水深遥感制图、等深线图。随着高空间、高光谱、高辐射分辨率遥感技术的发展,对浅海水域的水深和水下地形进行遥感探测的技术方法和应用将会不断地深入开展。     

Artificial Neural Network (ANN) Based Inversion of Benthic Substrate Bottom Type and Bathymetry in Optically Shallow Waters - Initial Model Results

Ocean-colour remote sensing in optically shallow waters is influenced by contribution from the water column depth as well as by the substrate type. Therefore, it is required to include the contribution from the water column and substrate bottom type for bathymetry estimation. In this report we demonstrate the use of Artificial Neural Network (ANN) based approach to spectrally distinguish various benthic bottom types and estimate depth of substrate bottom simultaneously in optically shallow waters. We have used in-water radiative transfer simulation modeling to generate simulated top-of-the-water column reflectance the four major benthic bottom types viz. sea grass, coral sand, green algae and red algae using Hydrolight simulation model. The simulated remote sensing reflectance, for the four benthic bottom types having benthic bottom depth up to 30 m were generated for moderately clear waters. A multi-layer perceptron (MLP) type neural network was trained using the simulated data. ANN based approach was used for classification of the benthic bottom type and simultaneous inversion of bathymetry. Simulated data was inverted to yield benthic bottom type classification with an accuracy of ~98% for the four benthic substrate types and the substrate depth were estimated with an error of 0% for sea grass, 1% for coral sand and 1–3% for green and red algae up to 25 m, whereas for substrate bottom deeper than 25 m depth the classification errors increased by 2–5% for three substrate bottom types except sea grass bottom type. The initial results are promising which needs validation using the in-situ measured remote sensing reflectance spectra for implementing further on satellite data.     

U-Net模型对不同空间分辨率防护林提取精度的影响

针对当前无人机影像获取精度高但数据规模小的问题,本文提出通过U-Net模型探讨不同空间分辨率对防护林提取精度的影响.以CW-20复合翼无人机搭载Micro MAC12 Snap多光谱传感器获取的300 m(空间分辨率0.15 m)、400 m(空间分辨率0.20 m)、500 m(空间分辨率0.25 m)3种不同高度的...     

遥感模型多参数反演相互影响机理的研究

遥感数据具有覆盖范围广、时间与空间分辨率高的特点,被广泛应用于提取区域范围内的一些重要的生物物理参数.为提高参数的提取精度,需要制定正确的反演策略.了解影响参数提取精度的因素、反演过程中各反演参数之间如何相互作用是制定合理反演策略的关键.本文通过数学推导与物理机理的分析,证明了影响参数反演精度的因素不但有冠层反射率数据的质量,还有反演过程中参与反演的未知参数的个数、参与反演的每个参数的敏感性及各个参数敏感性之间的相关性.最后通过对反演不同参数个数、不同数据质量进行了叶面积指数反演的精度分析,验证影响参数反演精度的各个因素.     

基于混合像元分解的水体遥感图像去云法

大型内陆水体的遥感图像中往往存在着不均匀薄云或者是气溶胶的影响，由于种种原因，传统的大气辐射校正算法无法消除这种不均匀影响，这就给遥感图像的大气校正带来了很大困难。由于水体属于低反射率地物，这种薄云或者气溶胶的不均匀性带来的误差，极大地降低了水体遥感图像的信噪比，进而影响水体信息遥感提取精度。根据部分太湖地区的遥感图像和地面实测数据，作者以一种新的思路来尝试解决这个问题。该方法充分考虑了水气环境的特点，把水体像元光谱看作水、污染物和气溶胶（薄云）等光谱的混和。基于混合像元模型，该方法有效地消除了薄云和气溶胶的影响，可使我们通过遥感手段更加精确地提取水质信息。     

浅水湖泊水生植被遥感监测研究进展

在浅水湖泊中,水生植物具有净化水质、抑制藻类、提供鱼类食物和栖息环境等生态功能,同时,其过度扩张也会加速湖泊淤浅和沼泽化、引起湖泊二次污染等环境负效应.实时动态地掌握湖泊水生植被类群和种群的空间分布及其面积、生物量等指标信息,对湖泊生态修复和评估、水生植被恢复和管理等具有重要现实意义.遥感技术的大面积、实时、动态等特点...     

光谱解混下耕地土壤铬含量GMDH模型反演

针对遥感影像反射率与重金属元素间的光谱响应弱,土壤重金属经典反演模型精度较低等问题,本文以Sentinel-2号遥感影像为数据源,利用像元二分模型进行影像光谱解混,筛选出相关性较高的特征光谱作为光谱参量,构建基于像元线性解混和不同光谱变换下土壤反射率与重金属Cr含量的PLS模型和GMDH模型。研究结果表明,解混后的光谱与重金属Cr含量间的显著相关波段数增多,相关性增强。基于解混后的土壤光谱与重金属Cr含量构建的GMDH模型,其模型稳定性较好,预测能力更强,精度更好。该方法拓展了传统的利用遥感影像进行反演的思路,可为大范围监测土壤重金属的污染状况提供有益参考。     

基于遥感影像的鄱阳湖地形提取方法

采用遥感影像进行湖底地形反演具有操作简单、处理周期短的优势。本文提出了一种基于克里金法的湖底地形反演方法,以鄱阳湖为研究对象,通过分析周边8个水位站的空间位置与水位间的相关性,获取湖区边界水位变化趋势,利用克里金法反演湖区边界点的水位,将边界点的水位作为高程点进行湖底地形反演,并用实测湖底地形数据验证反演方法的可靠性。研究结果表明,通过克里金插值法反演得到的湖底地形,交叉验证的误差标准平均值在0.2 m以内;地形反演平均绝对误差在1 m以内,说明该方法可用于湖底地形反演且反演精度较高。     

D-InSAR技术的积雪深度反演

积雪深度是大量气候、水文、农业及生态模型的重要输入变量。选用欧空局Sentinel-1主动微波数据,利用合成孔径雷达SAR(Synthetic Aperture Radar)差分干涉测量技术的二轨法,根据积雪相位与雪深之间的转换关系,反演新疆天山中段的巴音布鲁克盆地典型区的积雪雪深分布,提出了基于InSAR二轨差分的雪深估计方法,反演得到2016年12月18日的空间分辨率为13.89 m的雪深分布。研究表明:(1)对Sentinel-1数据进行正确的预处理以后,可以应用SAR差分干涉测量技术的二轨法反演区域雪深分布。但由于像对相干性和积雪状态的差异,积雪深度超过10 cm,可以获取较准确的雪深反演结果,R=0.65,反演误差的均方根误差RMSE=4.52 cm,平均相对误差为22.42%,反演雪深结果均比实测结果略偏低;而当雪深小于10 cm时,雪深反演值较实测值存在较大的误差,相对误差均高于34.52%,且反演雪深值均比实测值偏高。(2)雪深反演精度受高程及实际雪深的差异影响显著,另外雪深反演精度也受限于干涉像对相干性。结果表明,对于获取区域积雪雪深,InSAR技术较光学及被动微波遥感具有非常广阔的应用前景。