基于HJ-CCD和MODIS的吉林省中西部湖泊透明度反演对比

水体透明度能够反映光在水体中的穿透程度,影响水生植被及以光为依赖条件的水生生物的分布,获取透明度的传统方法是采用透明度盘进行测量,但也可以通过遥感方法获得.环境减灾卫星是专门用于环境与灾害监测预报的小卫星星座,影像覆盖范围广,空间、时相分辨率较高,可以为水环境遥感提供较好的数据源.MODIS数据在近岸水体和内陆大型湖泊水环境监测中也有广泛应用,它的时相分辨率也很高,但空间分辨率低.利用HJ-1A卫星CCD数据和MODIS日反射率产品(MOD09GA),以2012年9月吉林省石头口门水库、二龙湖、查干湖、月亮泡等地的实测透明度为基础(实测点数74个,最小值为0.134 m,最大值为1.410 m,平均值为0.488 m),根据灰色关联度选取构建模型的波段组合,建立水体透明度反演模型.HJ1A-CCD数据与MOD09GA数据建立的模型R2分别为0.639和0.894,均方根误差(RMSE)分别为0.248和0.135,模型验证的平均相对误差(MRE)分别为17.1%和9.5%,RMSE分别为0.207和0.089.MODIS数据以其较高的辐射分辨率使模型精度较高,但是HJ数据在应用于透明度小于1 m的水体时精度也较高(MRE=13.5%,RMSE=0.066).HJ-CCD数据在空间分辨率上的优势使其能够获得透明度空间分布的细节信息.比较两者反演得到的湖泊平均透明度,结果较为一致.     

结合高光谱数据反演吉林石头口门水库悬浮物含量和透明度

水中悬浮物含量是评价水环境质量的一个重要参数,它可影响水体透明度、混浊度、水色等光学性质,决定太阳光照在水下的分布和浮游植物对光照的利用,并最终影响水体的初级生产力.本文利用长春市石头口门水库的高光谱实测数据和水质采样分析数据,尝试通过一阶微分法建立悬浮物估测模型,再用估测结果反演透明度信息.结果表明:用590nm处的一阶微分光谱值建立的悬浮物估测模型的决定系数R2和均方根误差(RMSE)分别为0.76、9.09 mg/L,验证模型的R2和RMSE分别为0.79、7.15 mg/L;石头口门水库上游严重的水土流失导致透明度受悬浮物含量影响较大,两者存在明显的指数关系,相关系数r为-0.80,用悬浮物含量建立的透明度估测模型的R2和RMSE分别为0.79和0.12 m,验证模型的R2和RMSE分别为0.82、0.11 m.显著水平均为p＜0.01.研究结果表明,该方法用于石头口门水库悬浮物含量和透明度的定量遥感结果较理想.     

基于TM影像的水体透明度反演模型——以鄱阳湖国家自然保护区为例

以江西鄱阳湖国家自然保护区为例,研究基于Landsat TM 5影像的水体透明度反演模型.结合6个时期的影像与对应的13个实测塞氏盘深度(SDD)数据建立了SDD的自然对数变换值与蓝、红波段的自然对数变换值的线性组合之间的回归模型,即ln(SDD)=-4.016-0.722ln(blue)-0.587ln(red).此模型能够解释88%的水体透明度变化.利用另外12个样点进行模型的检验.检验结果显示实际量测值与模型反演值之间的相关系数为0.93,误差标准差等于0.22 m.因此我们认为此模型获得了可以接受的结果.     

基于环境一号卫星高光谱遥感数据的巢湖水体叶绿素a浓度反演

三波段模型是基于生物光学模型构建的叶绿素a浓度反演半分析模型,是目前反演内陆富营养化浑浊水体叶绿素a浓度效果较好的方法.本文通过星地同步实验,分析巢湖水体各组分光谱特征,分别基于地面实测数据与环境一号卫星高光谱遥感数据建立三波段模型反演巢湖水体叶绿素a浓度.结果表明,由于特征波段在不同数据源的位置不同,导致了两个模型波段选择及反演精度的差异.因此,只有在充分考虑遥感数据的光谱特征的条件下,分析遥感信息理论和实际图幅影像有效结合在一起的地物信息,才能进一步优化三波段模型的波段选择,实现遥感数据定量反演水体叶绿素a浓度的目标.     

基于光谱基线校正的季节性浑浊II类水体叶绿素a浓度遥感反演

水体Chl.a浓度是水质评价的一个重要指标,受悬浮物浓度季节性变化的影响,如何削弱悬浮物的光谱干扰,是实现内陆水体Chl.a浓度遥感高精度反演的难点之一.基于2011-2013年妫水河6次实测水体高光谱数据和水体Chl.a浓度数据,评价广泛应用的三波段模型和非线性拟合能力较好的支持向量机回归(SVR)模型的反演精度,使用基线校正和一阶微分方法来削弱实测高光谱中非Chl.a光谱信息.定义两种基线:750 nm的反射率值;500与750 nm的反射率值连线,基线校正为光谱反射率减去基线值.利用2013年7月的实测数据进行验证,结果表明,SVR模型比三波段模型更适合季节性浑浊水体的Chl.a浓度反演.通过基线校正筛选后的波段反射率组合作为输入变量能够提高SVR模型的反演精度,决定系数为0.68,均方根误差为3.38μg/L;线性基线校正提高三波段Chl.a估算模型的反演能力有限.     

基于色度角的岱海水体营养状态遥感评估

湖泊富营养化已经成为水资源领域的研究焦点,是水环境领域面临的长期严峻挑战.为探明干旱半干旱区域湖泊营养状态,以典型岱海水体为例,利用2019—2020年6次野外实测数据为基础,针对Sentinel_2A和Landsat_8 OLI遥感数据,基于营养状态指数TSI_SDD与色度角之间的相关关系,建立了岱海水体营养状态评估模型,并利用1986—2020年遥感影像数据,得到了长时间序列的水体营养状态.结果表明:(1)本文建立的营养状态评估模型,根据精度检验结果显示模型精度较好,决定系数(R²)为0.74,均方根误差(RMSE)为3.66,平均绝对百分比误差(MAPE)为4.84%.(2)将算法应用到时间序列MSI、TM、ETM+和OLI数据,得到了岱海水体1986—2020年的营养状态动态特征.结果表明,岱海水体面积逐年减少,且多数时间处在轻度富营养化状态.水体富营养化现象大体上从边缘逐渐向湖中心趋于缓和,离岸边越近富营养化现象越严重,通常趋向湖中心以中营养为主,整体上贫营养化现象极少.(3)岱海营养状态时空变化与气温、风速和降水量等气候因子的相关性并不显著,对其解释率为13%.气候因子对营养状态的月变化影响显著,对其解释率为93%.     

结合温度因子估算太湖叶绿素a含量的神经网络模型

神经网络方法估算复杂水体水质参数的优越性已经得到证实.基于太湖水体实测叶绿素a浓度,利用MODIS 250m影像和反演得到的水温数据建立了估算太湖水体叶绿素a含量的两个单隐层BP神经网络模型:NN1模型不含温度因子、NN2模型包含温度因子,采用Levenberg-Marquardt算法训练网络,利用初期终止方法提岛网络泛化能力,均取得了较高估算精度,其中包含温度因了的反演模型精度稍有提高,但不显著.     

基于水体透明度反演的太湖水生植被遥感信息提取

在使用多光谱遥感图像提取太湖水生植被分布时,由于水体中悬浮物和藻类等物质的影响,容易产生"异物同谱"现象,大面积水体被误分为沉水植被.本文首先通过TM图像反演太湖水体的透明度,基于RVI和NDVI植被指数,分别建立两类决策树,即透明度辅助的分类决策树和无透明度参与的分类决策树,将太湖分为水体、以浮叶植被为主导的水生植被和以沉水植被为主导的水生植被等三种类型.透明度辅助下的 NDVl 分类决策树方法,较好地消除分类过程中的"异物同谱"现象,是进行太湖水生植被分类的一种最好方法选择,把这种方法应用于2002年7月15日的Landsat ETM卫星遥感影像,结果表明太湖中以沉水植被为主导的水生植被约407.6km2,以浮叶植被为主导的水生植被约82.2km2.     

基于随机森林的内陆湖泊水体有色可溶性有机物(CDOM)浓度遥感估算

水体中的有色可溶性有机物(CDOM)是湖泊生态系统中氮、磷等有机营养物质的重要来源,利用卫星遥感数据反演内陆水体中CDOM浓度一直是个挑战.因此本文基于滇池2009年9月、2017年4月以及太湖2016年7月的现场原位观测和室内实验,在分析水体固有光学特性的基础上,引入机器学习算法,建立了基于哨兵-3A OLCI传感器的我国内陆湖泊水体CDOM浓度随机森林反演模型.利用独立的验证数据集对所构建的随机森林模型及常用的波段比值模型、一阶微分模型、半分析模型、BP神经网络模型等的反演精度进行评价.结果表明:随机森林模型的均方根误差为0.14 m-1,平均相对误差为21%,与反演效果相对较好的BP神经网络模型相比,均方根误差降低了50%,平均相对误差降低了38%,反演精度得到了显著的提高.根据随机森林算法的特征重要性参数提供的各自变量影响力结果,发现B11(709 nm)和B6(560 nm)波段贡献率最大,是反演CDOM的敏感波段.最后将随机森林模型应用到滇池2017年4月12日、太湖2017年5月18日的哨兵-3A OLCI影像上,得到滇池、太湖水体CDOM浓度分布图.滇池CDOM浓度的分布特征大致符合东北、西南高,中西部低的趋势,且河口处的CDOM浓度高于湖泊水体,表明径流的输入给滇池水体带来了大量的CDOM.太湖CDOM浓度的分布特征大致符合西部高,湖心区和东部低的趋势.太湖西部以及北部梅梁湾受入湖河流影响较大,CDOM浓度较高,太湖开敞区远离河口处,受外源河流的影响逐渐减小,且由于湖水的不断稀释,CDOM浓度不断降低.太湖东部水生植物很多,湖水较为清澈,CDOM浓度较低.     

基于地面实测光谱的太湖水体富营养化水平估算

富营养化指数是评价水体污染情况的一个重要的综合性指标．通过对高光谱遥感数据和水体富营养化指数的分析,确立了反演水体富营养化水平的高光谱敏感波段,进而用选择的敏感波段和波段组合来建立模型．通过对几个模型的比较,选出了较为理想的估算模型．最后对模型进行精度分析,认为该模型具有一定的可靠性和实用性．从而确定了直接由高光谱遥感数据监测水体富营养化水平的可能性,为实现由高光谱遥感数据开展大范围的水质调查奠定了一定的理论基础．     

太湖水体叶绿素浓度反演模型适宜性分析

为确定适合太湖水体叶绿素的反演算法,为同类卫星数据的建模和应用提供参考,本文根据太湖2007年11月、2009年4月和2011年8月实测水质参数以及同步光谱数据,结合水色遥感传感器MODIS、MERIS、GOCI及我国自主发射的HJ-1号卫星CCD传感器波段参数,基于差值模型、比值模型、三波段模型及APPEL模型,分别建立太湖水体叶绿素浓度反演模型,并分析模型的适宜性.结果显示,基于不同传感器数据APPEL模型的决定系数为0.7308~0.8107,模型相对误差为15%~24%,均方根误差为21%~32%;三波段模型基于不同传感器数据拟合的决定系数为0.6014~0.7610,相对误差为28%~36%,相对均方根误差为39%~46%;差值模型决定系数为0.4954~0.7244,相对误差为39%~53%,相对均方根误差为51%~72%;比值模型决定系数为0.4918~0.7098,相对误差为41%~55%,相对均方根误差为56%~75%.相比较而言,APPEL模型的稳定性较强,适合于不同传感器数据的太湖水体叶绿素浓度的反演.此外,相应不同传感器波段位置、波段宽度对模型反演的精度和稳定性的影响也不同,当波段位置接近叶绿素特征波长时,较窄的波宽有利于模型精度的提高,波段位置和叶绿素浓度特征波长相差较大时,合理增加波谱范围有利于叶绿素特征信息的获取.     

基于半分析模型的波段最优化组合反演混浊太湖水体叶绿素a

内陆水体叶绿素a浓度定量反演是水质遥感的热点与难点.本文基于对内陆水体叶绿素a、悬浮物、溶解有机物与水分子的光谱特征分析,从半分析生物光学模型出发,利用太湖实测的水面 ASD 高光谱遥感数据三波段组合,进行迭代优化,得到与叶绿素浓度密切相关而受悬浮物与黄色物质影响小的最优波段组合模型,反演精度较高,其决定系数和均方根误差分别为 0.8358、3.816mg/m3,该方法可以有效地反演高浓度悬浮物主导光学特性的水体叶绿素a浓度.     

Lee生物光学模型在不同水体组分特性下的适用性

辐射传输模型和生物光学模型均可用于模拟水体遥感反射率.前者模拟精度高,但计算复杂.不利于水质参数的反演;后者简便易反演,但在浑浊水体中的模拟精度还有待进一步检验.本文通过设计大量不同组分浓度组成的水体,以辐射传输模型(即Hydrolisht模型)模拟结果为真值,对生物光学模型(即Lee模型)模拟二类水体遥感反射率的精度...     

岱海生物群落结构的演变及其对渔业发展的影响

岱海水生生物种类贫乏,生物量低,渔产力不高,优化岱海水体生物群落组成,引种耐低温、耐盐碱的水生植和藻类,改善水体环境调整鱼类种群结构是渔业发展的重要措施。     

基于深度学习U-net网络的重力数据界面反演方法

重力数据的密度界面反演是位场数据解释中的一项主要工作,在区域构造演化、深部莫霍面确定等领域的研究中发挥重要作用.近年来,数据驱动的深度学习方法广泛地应用在地球物理数据处理与反演中,本文提出一种基于深度学习U-net网络的重力数据密度界面反演方法.首先,对半椭球体界面模型进行随机抽取和组合进而形成地下起伏界面数据集,并基于Parker正演理论对界面数据集进行重力异常正演计算,为深度学习网络模型的训练提供特征完备的数据源;其次,设计了基于U-net网络模型的深度学习界面反演算法,在传统的损失函数基础上增加光滑损失项和过拟合抑制项,提高重力界面反演结果的光滑性和收敛效率;最后通过测试样本集进行反演预测,验证建立深度学习网络模型的泛化性.本文通过理论模型和实际数据试验分析了本文方法在密度界面反演中的有效性和实用性,基于改进损失函数约束的深度学习界面反演方法有效地提高了密度界面反演的收敛效率和计算稳定性.     

基于辐射传递模拟及人工神经网络技术的二类水体光学组分的反演

介绍了一种基于辐射传递模拟和人工神经网络技术(ANN)的二类水体水色要素(CHL,SPM,CDOM)的反演算法.在辐射传递模拟计算中,纯海水吸收和散射、浮游植物吸收的数据或模型是已发表的被广泛采用的结果.黄色物质和非浮游植物颗粒吸收以及海洋颗粒物的散射模型从COASTLOOC数据中导出.另外,还利用了一个新的海洋颗粒物后向散射概率模型,在该模型中颗粒物后向散射概率是颗粒有机物与SPM比值和波长的甬数.把上述定义的固有光学性质作为输入,经过辐射传递模拟得到海表面以下辐照度反射比数据集,然后将该模拟数据集用于训练不同的人工神经网络,获取水色和水色要素浓度之间甬数关系的最佳近似.利用以上建立的基于人工神经网络的算法,把COASTLOOC数据集和PMNS数据集的辐照度反射比作为输入进行水色要素反演,通过比较反演值和真实测量值来评价算法性能.结果显示,建立的基于ANN的二类水体水色要素反演算法具有很好的性能.     

基于泥沙因子的水深遥感反演模型

针对悬浮泥沙影响水体遥感测深精度的问题,选择长江口南港至南槽为研究区,通过对遥感测深方法研究,结合悬浮泥沙光谱特性分析,把"泥沙因子"引入到水体遥感测深反演模型中,研究表明:1)单因子非线性模型中,指数模型对0-2m的水深反演效果较好,对数模型对2-7m的水深反演较好,二次回归模型对7-14m的水深反演效果较好:2)建立的BP人工神经网络水深反演模型综合了多个波段具有的水深信息,模型的反演效果好于单因子非线性模型;3)实验构建的泥沙遥感参数综合了不同波段具有的悬沙信息,削弱了叶绿素和外界环境条件对泥沙信息的干扰,可较好地反映悬沙浓度变化特征;4)建立的BP人工神经网络泥沙因子水深反演模型削弱了悬浮泥沙对遥感测深的影响,模型实际反演能力明显优于单因子非线性模型和多因子BP人工神经网络水深反演模型.     

应用实测光谱估算千岛湖夏季叶绿素a浓度

依据2010年8月的实测数据构建了千岛湖水体夏季叶绿素a浓度的实测光谱数据估算模型,并进行了验证.利用ASD FieldSpec3野外光谱仪获取高光谱数据,计算水体离水辐亮度和遥感反射率.通过寻找反演水体叶绿素a浓度的高光谱敏感波段,采用单波段相关分析、波段比值、微分光谱、三波段模型、BP人工神经网络等多种算法进行比较分析,结果表明:叶绿素a浓度与单波段光谱反射率的相关性不大;596 nm和489 nm波长处反射率比值、545 nm处光谱一阶微分与叶绿素a浓度均呈较显著相关,估测模型决定系数R2分别为0.782、0.590,RMSE分别为0.89、1.98μg/L;三波段模型的反演结果优于传统的波段比值和一阶微分法,R2为0.838,RMSE为0.71μg/L;神经网络模型大大提高了叶绿素a浓度的反演精度,R2高达0.942,RMSE为0.63μg/L.本研究为今后在千岛湖水域的夏季相邻月份进行叶绿素a浓度大范围遥感反演研究奠定了基础.     

基于波数域梯度场分解的多尺度波形反演方法

全波形反演是一种建立高精度速度模型的有力工具,是偏移模式和层析模式的联合.然而,当初始模型较差、数据缺失低频成分和大偏移距数据缺失时,常规波形反演的层析成分更新较弱.因此,反演过程以偏移模式为主,容易导致反演快速陷入局部极小值.本文发展了基于波数域梯度场分解的多尺度波形反演方法(WGDFWI),从梯度场中分离出层析成分,在反演的初期主要依赖层析分量更新背景速度场,为常规全波形反演建立良好的初始模型.首先,基于一种高效的隐式波场分离方法,将梯度场分解为层析成分和偏移成分.然后在层析梯度上应用二维波数域滤波器,以缓解偏移成分泄露的问题,并利用多尺度反演策略,增强反演的稳定性.利用双层模型和Marmousi模型进行试算的结果表明,该方法可以有效重构背景速度模型,为常规波形反演提供良好的初始模型,有效提高反演精度.     

频率域航空电磁数据变维数贝叶斯反演研究

传统的梯度反演方法已经广泛应用于频率域航空电磁数据处理中,然而此类方法受初始模型影响较大,且容易陷入局部极小.为解决这一问题,本文采用改进的变维数贝叶斯反演方法实现航空电磁数据反演.该方法根据建议分布对反演模型进行随机采样,并依据接受概率筛选合理的候选模型,最终获得反演模型的概率分布和不确定度信息.为解决贝叶斯反演方法对深部低阻层反演效果不佳的问题,本文通过引入合理加权系数,调整对反演模型约束强度,在很大程度上改善了反演效果.通过对模型统计方法进行改进,在遵循原有模型采样方法和接受标准的基础上,将满足数据拟合要求的模型纳入统计范围,削弱不合理模型对统计结果的干扰.本文最后通过对含有高斯噪声的理论数据和实测数据进行反演,并与Occam反演结果进行对比,验证了该方法的有效性.