人工神经网络反演珠江口海域叶绿素浓度

利用2003年1月、2004年1月在珠江口海域的叶绿素浓度和辐射同步实测资料,建立了反演珠江口海域叶绿素浓度的人工神经网络模型。应用该模型由SeaWiFS资料获取珠江口海域叶绿素浓度分布图,并与SeaBAM推荐的OC2和OC4这2种统计算法的反演结果进行比较,结果表明人工神经网络模型的反演效果明显优于统计算法。人工神经网络模型的均方根差是0．2899,可决系数是0．8848;而统计算法的均方根差大于0．5,可决系数小于0．6。     

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。     

BP人工神经网络在渤海湾叶绿素预测中的应用

利用误差反向传播(BP)人工神经网络模型建立了天津赤潮驴驹河赤潮监控区各种理化因子与叶绿素-a之间的映射关系.模拟结果表明,该模型能够较好的反映各种理化因子与叶绿素-a浓度之间的非线性对应关系,可间接地用于该地区的赤潮预测.     

利用SeaDAS从SeaWiFS卫星数据反演中国东海叶绿素浓度

卫星海洋遥感反演海中叶绿素浓度,对海洋初级生产力估算及赤潮预报均有重要意义.本文介绍了SeaWiFS卫星传感器业务化算法OC4,利用SeaDAS软件反演中国东海叶绿素浓度,并与东海同步现场数据进行验证.结果表明:利用SeaDAS方法计算的东海叶绿素含量与实测含量之间具有较好的相关性,但总体上计算值要高于实际测量值;东海叶绿素含量具有分带性,河口、近岸海域高,中陆架次之,外陆架最低,这种发育特点与该海域的陆源营养盐输入、海洋动力系统有着显著的关系.     

海水分光反射率与叶绿素浓度的相关分析

通过对东京湾两年度不同季节海水分光反射率与叶绿素浓度进行统计分析，结果表明，叶素素浓度Ｃ与两谱段分光射率之比Ｒｗ（λｉ）／Ｒｗｗ（λ１）具有幂函数关系Ｃ＝Ａ［Ｒｗ（λｉ）／Ｒｗ（λｉ）／Ｒｗ（λｉ）］＾Ｂ．两者的对数显示出较好的线性关系，即ｌｏｇＣ＝ｌｏｇＡ＋Ｂｌｏｇ［Ｒｗ（λｉ）／Ｒｗ（λｉ）］。负相关系数达０．９９。相关方程之一为Ｃ＝３．３２９［Ｒｗ（５２０）／Ｒｗ（５５０）］＾－１．３８４（     

海水分光反射率与叶绿素浓度的相关分析

通过对东京湾两年度不同季节海水分光反射率与叶绿素浓度进行统计分析，结果表明，叶绿素浓度Ｃ与两谱段分光反射率之比Ｒｗ（λｊ）／Ｒｗ（λｊ）具有幂函关系Ｃ＝Ａ［Ｒｗ（λｊ）／Ｒｗ（λｊ）Ｂ。两者的对数显示出较好的线性关系，即ｌｏｇＣ＝ｌｏｇＡ＋Ｂｌｏｇ［Ｒｗ（λｊ）／Ｒｗ（λｊ）］。负相关系数达０．９９。相关方程之一为Ｃ＝３．３２９［Ｒｗ（５２０）／Ｒｗ（５５０）］－１．３８４（１９８７年６月初）．在梅雨季节之后，相关方程为Ｃ＝１２．６８［Ｒｗ（５２０）／Ｒｗ（５５０）］－２．０１０（１９８８年８月）。这表明了海湾或混浊的沿岸水质，在叶绿素浓度算法中，统计参数Ａ和Ｂ的确立，要基于不同季节不同水质的现场观测资料。     

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。     

基于主成分分析的BP神经网络模型的形变预测方法

主成分分析可以提取形变主要信息,BP神经网络具有很强的预测功能,提出将两者相结合用于形变监测数据处理。通过MATLAB编程实现了该算法,并用实测数据进行验证,证明此方法能够提高预测数据的精度和可靠性。结果表明：与其他方法相比,基于主成分分析的改进BP神经网络能取得更好的预测效果。     

基于人工神经网络研究海水中叶绿素浓度的垂直分布

海水中叶绿素浓度的垂直分布可以用高斯函数近似拟合。目前卫星传感器只能测到透光层深度 2 2 %水体中的叶绿素浓度信息。为了寻找其高斯函数的 4个参数 (Bo,h,σ和 Z)与卫星测得的海表面温度、表面叶绿素浓度之间的映射关系 ,本文使用 6个输入的 3层 BP网络模拟这种复杂的映射关系。经过 30 0 0个周期的训练 ,网络的计算结果和测试数据的相关系数分别为 Bo(0 .4 76 1) ,h(0 .84 6 7) ,σ(0 .75 40 ) ,Z(0 .8988) ,表明了神经网络方法在确定叶绿素浓度垂直分布中的有效性。     

基于BP人工神经网络平潭海域赤潮叶绿素a浓度模型演算研究

以福建平潭海域为研究对象、以叶绿素a浓度为输出指标,根据2009-2018年赤潮期数据规律及2013-2017年海洋监测数据主成分分析结果,对拟构建的BP模型进行输入指标筛选,选定结果包括4个气象因子和4个水质因子。基于此结果,对2013-2017年的698组海洋监测数据中叶绿素a浓度进行归一化处理并进行模型演算,随机选取80%数据作为演算模型的训练样本,其余进行模型验证。通过交叉变换输入指标,寻求最优的输入节点组合,以气温、溶解氧浓度、日照时长指标为输入参数时,BP模型误差较小(均方根误差为0.05μg/L,平均绝对误差为0.03μg/L),演算结果精度较高(可决系数R~2=0.81)。以上结果表明,气温、溶解氧浓度和日照时长对叶绿素a浓度表征效果较好,可为平潭海域以叶绿素a浓度作为判定指标的赤潮预警研究提供参考。     

荧光光谱结合主成分分析对硅藻和甲藻的识别测定

将浮游植物三维荧光光谱与主成分分析方法相结合,针对我国东海常见的12种藻建立了硅藻和甲藻的识别测定技术。根据Fisher判别分析结果,选用三维荧光光谱的第一主成分得分谱作为硅藻和甲藻的识别特征谱,建立了浮游植物荧光特征谱库。在此基础上,利用非负最小二乘法进行识别测定,其中单门类样品共有78个,识别正确率为95%,回收率≥81%;2个门类的混合样品共有18个,识别正确率为83%,回收率≥80%。     

Tide Forecasting of Tides Around Taiwan by Artificial Neural Network Method and Wavelet Analysis

In multiresolution analysis(MRA)by wavelet function Daubechies(db),we decompose the signal to two parts,the low and high frequency content.The high-frequency content of the data is removed first and a new "de-noise" signal is reconstructed by using inverse wavelet transform.The wavelet spectrum and harmonic analysis were used to analyze the characteristics of tidal data before constructing the input and output structure of ANN model.That is,the concept of tidal constituent phase-lags was introduced and the new "de-noise" signal was used as the input data set of ANN and the forecasting accuracy of ANN model is significantly improved.