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.     

基于神经网络技术的遥感水深反演模型研究

利用Landsat7 ETM+遥感影像反射率和实测水深值之间的相关性,选取了相关性较好的ETM1、ETM2、ETM3、ETM4、ETM3/ETM2等5个水深反演因子,建立了BP神经网络水深反演模型。为充分体现BP神经网络模型的优越性,利用SPSS软件建立了单波段、波段比值、多波段三种不同的线性回归模型。通过对比发现,具有很好的自适应能力和非线性映射能力的BP神经网络模型在处理遥感水深反演问题上比传统的线性模型效果更好。     

多光谱遥感在长江口水深探测中的应用

利用L andsat-7 ETM 遥感图像反射率和实测水深值之间的相关性,建立了单波段模型、双波段模型、比值模型和多波段模型等4种线性回归模型,以及动量BP人工神经网络水深反演模型,对长江口南港航道水深进行了反演,对比分析了不同方法在长江口水深反演计算中的优劣性,试验表明,神经网络反演模型标准误差最小,精度最高。     

基于水深分段选择因子的多光谱影像反演水深

岛礁周边海底地形精密测量是海洋测绘的难点问题之一,利用多光谱卫星能精确测定岛礁周边水深地形,是传统岛礁水深测量有效的补充方式之一。本文以蜈支洲岛周围水域为研究区域,提出了基于BP神经网络水深分段选取反演因子的方法,利用WorldView-2数据和多波束实测数据建立多模型,整合预测的各段水深获得海底地形。实验表明,本文方法能充分利用水体的光谱特性,与单一BP神经网络模型结果相比,MRE降低了6.4%,RMSE降低了1.2 m,是一种可行的多光谱水深反演的方法     

基于GF5-AHSI遥感数据的横沙浅海水深反演

高光谱遥感水深反演是一种对传统水深测量方法的补充,具有方便、快捷、经济等突出优势。本文研究区位于上海横沙,属于典型滩涂浅水区,研究数据包括GF5-AHSI高光谱遥感数据和同时期的水深数据。通过数据变换和相关分析等方法提取建模参数,利用单波段比值模型、多元线性回归模型、最优标度回归模型和BP神经网络模型实现该区域水深反演,并对4种模型反演结果的准确性进行了验证和比较。研究发现：最优标度回归模型优于其他3种模型,R2达到了0.972,RMSE为0.47 m,适用于横沙浅海水深反演。     

海口湾可见光遥感测深方法研究

以海口湾为研究区,利用Landsat资料进行可见光遥感测深方法研究。采用NDWI、MNDWI、EWI、NWI指数的阈值分割法进行水陆分离,结果表明NDWI指数更适合海口湾。选取与水深相关性比较好的反射率因子TM2、TM3、TM1/TM2、TM1/TM3,采用目前常见的可见光遥感测深方法,建立了线性、对数、幂指数、指数测深模型,与实测水深的比较结果表明TM1/TM3的指数测深模型在0-10 m水深的平均绝对误差为1.67 m,在实际应用中有参考价值。此外,建立了TM2、TM3、TM1/TM2、TM1/TM3的二次多项式测深模型以及对数二次多项式测深模型,建立了它们的二元和四元线性、对数测深模型,还建立了它们的分段函数测深模型,与实测水深的比较结果表明,二次多项式测深模型优于线性测深模型,对数二次多项式测深模型优于对数测深模型,分段函数测深模型优于非分段函数测深模型。     

基于Landsat-8遥感影像和LiDAR测深数据的水深主被动遥

主被动遥感结合反演远海岛礁周边水深信息,不仅可以有效弥补传统测深方法覆盖范围小且费时费力的不足,也可为航运安全、海洋减灾、生态环境保护等领域提供基础资料。以夏威夷瓦胡岛周边水深反演为例,应用Landsat-8多光谱遥感数据和机载Li DAR测深数据,开展了不同密度Li DAR测深数据对水深多光谱遥感反演精度的影响分析、不同水深网格化处理方法对水深遥感反演结果的影响分析和基于少量Li DAR控制区块的大区域水深反演能力分析三方面的研究工作。结果表明:(1)Li DAR测深数据密度的改变对水深反演结果的影响不大,变化后的水深反演结果与原始的水深反演结果相比,平均相对误差变化在0.3%以内,平均绝对误差变化在0.03m以内;(2)采用均值格网处理方法的多光谱遥感水深反演精度要略高于采用中值格网处理方法的水深反演精度,具体体现在均值的平均绝对误差要比中值的低0.04~0.05 m,平均相对误差低1%~10%,反演结果的残差分布显示在0~2 m和20~25 m的水深段内均值统计法的残差分布更集中且其平均值接近于0 m,而在其它水深段二者的残差分布基本相同;(3)基于少量Li DAR控制区块的大区域遥感水深反演结果较为理想,两个检查区块的水深反演结果 R2、平均绝对误差和平均相对误差分别为:0.877,1.66 m,3.5%和0.941,1.62 m,28.4%。反演结果分段分析表明各水深段内反演的精度都比较理想,平均绝对误差除20~25 m水深段外,均低于2.5 m,平均相对误差除0~2 m,2~5 m外,均低于25%。     

基于极限学习机的浅海水深遥感反演研究

以Sentinel-2A遥感影像为数据源,在数据预处理基础上,使用极限学习机建立水深反演非线性回归模型,并与双波段回归模型、神经网络BP模型进行了比较。结果表明,总体上,支持极限学习机反演精度比较高,在水深5～20m处,极限学习机模型具有较高的反演精度和良好的效果,适用于研究区的水深反演。     

含沙水体水深遥感方法的研究

遥感测深技术是海岸、河口及其他水体水深测量的一种新方法,应用前景广阔。在海洋的近岸、河口处水体相对浑浊,利用可见光技术测深的精度依赖于建立合适的水深反演模型和考虑水体悬浮物质的影响。选择合适的水深反演因子和比较多种线性、非线性水深反演模型,通过对水体悬浮泥沙光谱特性的研究,建立了适于河口、近岸浅水浑浊水体并考虑悬沙浓度影响的水深反演模型。通过检验,由该模型反演的平均相对误差小于15%,在7~14 m的水深段反演效果更好,其平均相对误差小于8.5%。     

基于遥感海浪信息的近岸水深反演模型

基于遥感影像的测深技术具有易获取、成本低和覆盖率大等优势,是目前的研究热点问题之一。为在波浪折射的基础上,进一步综合考虑绕射及非线性的影响,本文提出了一种基于海浪波数和波高信息的近岸水深反演模型。将模型与Berkhoff 椭圆形浅滩理想试验对比,平均误差为0.13%,显著小于现有基于频散关系反演水深的方法。进一步应用模型反演三亚湾近岸地形,通过与海图对比,平均误差为11.58%,且大部分区域的误差小于10%。部分区域误差较大,主要是由于遥感影像获取的波数空间分辨率和精度较低。以上结果表明该模型可以利用遥感海浪信息较准确推算近岸水深。本文对于近岸浅海区的水深反演工作具有一定的参考价值。     

基于人工神经网络的海底细粒土工程分类研究

海洋沉积物工程定名对于开展海洋工程建设具有重要作用,然而海底粉土和黏性土的定名受人为因素影响容易产生误差.使用人工神经网络的方法对黄河口埕岛海域284组细粒土数据进行了训练和学习,得到了只利用沉积物粒径质量分数进行定名的方法.结果表明,使用人工神经网络的方法能够有效地对沉积物进行工程定名.当网络含有5个输入层节点、9个...     

基于人工神经网络的海水漫射衰减系数的遥感反演方法

利用NOMAD数据集建立了基于人工神经网络的漫射衰减系数Kd490的反演算法。该人工神经网络是3层的反向传输神经网络。其结构为输入层有4个节点,它们分别对应4个波段443,490,555,665 nm的遥感反射比,隐含层有10个节点,输出层1个节点对应于漫衰减系数Kd490。利用另一独立的现场测量数据集(COASTLOOC)印证该反演算法的性能。结果表明,该研究建立的反演算法的性能明显好于业务化SeaWiFS算法,略好于Lee等人的半分析算法。     

基于BP神经网络的海水盐度建模研究

针对受诸多因素影响的复杂的海水盐度参数非线性输入输出特性,训练并建立BP神经网络模型,介绍了该模型的结构特点和原理。分析表明,该方法在海水盐度建模等复杂系统方面具有实用性和可靠性,并有很好的应用前景。     

一种基于人工免疫网络的遥感图像分类算法

提出了一种基于人工免疫网络的遥感图像分类算法。该算法通过借鉴生物免疫网络的分类和泛化能力,训练出能反映训练数据分布特性的网络细胞,然后使用这些网络细胞进行分类。实验结果表明,基于人工免疫网络的遥感图像分类算法具有较好的分类性能,其分类总精度、kappa系数均优于一些传统分类算法。     

改进BP算法在风暴潮极值水位预报中的应用

提出1种基于改进BP算法的风暴潮极值水位预报方法。首先针对现有人工神经网络BP算法存在的缺陷,引入Cauchy训练方法计算连接权的调整,解决BP算法的局部极小点和网络瘫痪的问题。然后结合山东海区水文观测站每年的台风风暴潮资料,应用该改进算法建立台风强度、风速和台风移速与风暴潮极值水位的非线性网络预报模型,对该站极值水位进行预报。实验结果表明,该算法具有很好的稳定性和准确性,为风暴潮预报分析提供了1种可靠的技术手段。     

基于遥感的珠江口海岸线变迁分析

利用1990年、2000年和2010年三个时相的遥感影像,进行2000年前后两个十年的海岸线变迁情况对比分析。结果表明:2000年前的十年间,珠江口海岸线向海推进,导致面积共增加了16486.63ha,主要受人为因素影响,围海养殖是本时段海岸线变迁的主要因素;2000年后的十年间,珠江口海岸线继续向海推进,但推进速度降低,导致面积增加了9280.15ha,填海造地是这一时段海岸线变迁的主要因素。又根据珠江口的区域特征,以珠江入海八大口门为界,将整个研究区划分为九个岸段进行了详细分析。     

基于BP神经网络的海底地形复杂度自动分类方法研究

针对海底地形复杂程度分类问题,在考虑传统水深均值的基础上引入坡度和起伏度两个地形因子作为表征海底地形复杂程度的分类指标并进行量化,对水深数据空间分辨率进行统一,建立包含18种典型海底特征的海底地形复杂度分类库,利用BP神经网络对建立的分类库进行训练学习。为验证该方法的有效性和适用性,选取地形复杂度不同的4块实验区分别采用统计学方法和BP神经网络算法进行海底地形复杂度进行分类,对比发现该方法可以实现海区海底平坦、一般、复杂三种地形的自动识别与分类,并保留实验区海底地形复杂度细节信息。     

人工神经网络在凡纳滨对虾养殖水质预测中的应用研究

以BP神经网络为基础,建立了凡纳滨对虾养殖水质预测模型。采用3层结构,通过灵敏度分析得到网络的输入变量,在确定了模型的各结构参数后,建立了凡纳滨对虾养殖水质预测模型,并根据整个对虾养殖周期内的水质监测数据对模型进行了训练和仿真。结果显示,水质的实测值与预测值之间的相关系数为0.991 8,预测误差率结果显示,最大误差率为4.37%,最小误差率为0.12%,平均误差率为1.20%,总体预测结果较好。BP神经网络能够以较高精度预测养殖水质状况,为水质恶化的早期预报提供了有效途径。