长江口水域多光谱遥感水深反演模型研究

利用Landsat-7 ETM 遥感影像反射率和实测水深值之间的相关性可以探测水深。该文介绍单波段、双波段比值和多波段3种线性回归模型以及动量BP人工神经网络水深反演模型。选择长江口北港河道上段作为研究区,利用上述模型,分两种情况进行水深反演:一是以河道全部历史样本建模;二是将河道按自然水深划分为浅水区和深水区分别建模。结果表明:神经网络模型预测精度高于线性回归模型;水深分区后线性回归和神经网络模型预测误差均有所减小。     

北方农牧交错带草原产草量遥感监测模型

及时准确地了解草原产草量的时空配置状况,对于科学合理地利用、管理草地,保证畜牧业生产持续稳定发展、改善生态环境等具有重要的意义。本文利用2005年的MODIS数据和同期野外实测的668个样方产草量数据,分析了5种植被指数和草地生物量之间的相关关系。研究表明:(1)分区模型优于不分区模型,在分区基础上建模更能反映产草量的实际情况;(2)通过线性、非线性模型和BP神经网络模型的对比,得出BP神经网络模型在拟合精度上优于线性和非线性模型,是最适宜监测北方农牧交错带草原产草量的模型;(3)5种植被指数中,NDVI和SAVI与草地生物量之间的拟合精度最高,是研究区最适宜使用的植被指数。     

海岸带浅海水深高光谱遥感反演方法研究

近红外波段(760~900 nm)反射率对水深最为敏感,通过波段比值方法可以提高与水深的相关性,而711nm处反射率一阶微分值与水深的相关系数高达-0.87。对于近岸混浊度高的样本,单波段和比值模型反演效果不好,平均相对误差均高于30%;而光谱微分模型的精度较好,平均相对误差为17%。研究结果证明:水体反射率的一阶微分可以有效地削弱水质变化给水深反演带来的误差。     

Feasibility study on the binary-parameter retrieval model of ocean suspended sediment concentration based on MODIS data

This paper brought out a new idea on the retrieval of suspended sediment concentration, which uses both the water-leaving radiance from remote sensing data and the grain size of the suspended sediment. A principal component model and a neural network model based on those two parameters were constructed. The analyzing results indicate that testing errors of the models using the two parameters are 0.256 and 0.244, while the errors using only water-leaving radiance are 0.384 and 0.390. The stability of the models with grain size parameter is also better than the one without grain size. This research proved that it is necessary to introduce the grain size parameter into suspended sediment concentration retrieval models in order to improve the retrieval precision of these models.     

基于遥感和机器学习的内陆水体水深反演技术

文章主要根据机器学习算法（随机森林算法和极端梯度提升算法）和遥感水深反演的原理,利用Sentinel_2多光谱卫星数据和无人船实测水深数据,对内陆水体——梅州水库建立了随机森林（RF）、极端梯度提升（XGBoost）和支持向量机（SVM）水深反演模型,并对反演结果进行对比分析。结果表明：1）RF的训练精度为97%,测试精度为0.80;XGBoost模型的训练精度为97%,测试精度为0.79;SVM的训练精度为90%,测试精度为0.78。说明了在水深预测方面RF模型和XGBoost模型比SVM模型表现更好,对各个区段的水深值较为敏感。2）根据运行时间考察各个模型的效率,其中RF模型从读取数据至输出结果耗时3.92 s;XGBoost模型4.26 s;SVM模型6.66 s。因此,在反演精度和效率上RF模型优于XGBoost模型优于SVM模型,且RF模型的预测结果图细节更加丰富,轮廓更加分明;XGBoost模型次之,但总体效果也较好;SVM模型表现最差。由此可知,机器学习水深反演模型获得的水深结果精度明显提高,解决了传统水深反演模型精度不高的问题。     

基于环境一号卫星的内陆水体水质多光谱遥感监测

基于环境一号卫星多光谱数据,针对我国内陆水体开展遥感监测研究。该研究建立分地区分季节经验模型反演叶绿素a浓度,基于生物光学模型的近红外单波段方法反演悬浮物浓度,以悬浮物浓度间接反演透明度,最终基于叶绿素a和悬浮物获得基于遥感监测的内陆水体营养状态指数。以2009年6月巢湖同步观测试验验证本文的水质参数反演算法,表明叶绿素a浓度反演精度不如悬浮物浓度,两者反演精度符合水环境监测业务需求。     

基于PCA和BP神经网络的径流预测

径流预测为流域水资源的合理开发利用与统筹配置提供依据。运用多元线性回归、主成分回归、BP神经网络及主成分分析和BP神经网络相结合的方法,对新疆呼图壁河流域石门水文站2009-2011年各月径流量进行预测,并采用相关系数、确定性系数及均方根误差对各模型预测精度进行比较。结果表明：（1）神经网络等智能算法具有高速寻优的能力,对短时间尺度的月径流量的预测结果较好;（2）主成分回归等常规算法能充分反映出某地区径流的年际的稳定性,对全年径流总量的模拟精度较高;（3）主成分分析和BP神经网络相结合的方法,提高了神经网络的收敛速度,同时降低了局部极值的影响,优于简单的BP神经网络,适用于呼图壁河月径流量预测。     

海洋悬浮泥沙二元特征参数MODIS遥感反演模型研究

本文提出了一种采用海面离水辐射率和泥沙粒径二元特征参数来反演研究海区(渤海)海洋表层悬浮泥沙浓度的新的遥感反演算法,以此为基础分别建立了基于MODIS遥感数据和泥沙粒径二元特征参数的主成分和神经网络两种泥沙浓度反演模型,并对比分析了两类模型的反演精度以及泥沙粒径因子对模型的影响。分析结果表明,新建立的二元特征参数反演算法在采用主成分模型和神经网络模型时的检验误差分别为0.256和0.244,而忽略泥沙粒径因子贡献的主成分模型和神经网络模型的检验误差分别为0.384和0.390,因此可以认为,在泥沙浓度反演模型中加入粒径因子时,模型的预测精度和模型稳定性均比只考虑浓度对反射率贡献的模型有显著改善。     

渤海海洋悬浮泥沙二元特征参数MODIS遥感反演模型研究

This paper brought out a new idea on the retrieval of suspended sediment concentration, which uses both the water-leaving radiance from remote sensing data and the grain size of the suspended sediment. A principal component model and a neural network model based on those two parameters were constructed. The analyzing results indicate that testing errors of the models using the two parameters are 0.256 and 0.244, while the errors using only water-leaving radiance are 0,384 and 0.390. The stability of the models with grain size parameter is also better than the one without grain size. This research proved that it is necessary to introduce the grain size parameter into suspended sediment concentration retrieval models in order to improve the retrieval precision of these models.     

人工智能计算技术在新疆干旱区典型绿洲土壤盐分预测中的应用

针对新疆渭干河-库车河三角洲绿洲土壤盐分动态监测中存在的方法问题,首先用灰色关联度模型分析影响形成土壤盐渍化的各因子,并确定其与土壤盐分之间的关联度,然后将人工智能计算技术引入土壤盐分的预测中,经过多次调整网络结构和参数,建立了预测表层土壤盐分的BP神经网络模型和RBF神经网络模型。结果表明：以潜在蒸散量、地下水埋深、地下水矿化度、土壤电导率、总溶解固体、pH值、坡度和土地利用类型8个因素为输入因子,以土壤含盐量为输出因子的BP网络模型和RBF网络模型可有效模拟土壤盐分与其影响因子之间的内在复杂关系,并且有较高的精度。BP网络模型预测误差略低于RBF神经网络。本研究可为分析和预测土壤盐渍化动态规律提供一种有效可行的新途径,是对传统土壤盐分动态研究的补充。     

基于主成分分析的BP神经网络在城市建成区面积预测中的应用——以北京市为例

城市建成区规模受社会、经济、城市环境等诸多因素影响, 传统统计方法难以准确预测城 市建成区的面积。人工神经网络具有良好的非线性映射逼近性能, 在各类预测研究中得到了广泛 的应用, 尤其是BP 神经网络。主成分分析可以在有效保留数据信息前提下对数据进行降维, 它 与BP 神经网络的结合主要在数据输入端, 通过减少输入层神经元个数, 增强网络性能, 提高预 测精度。本文以北京市为例, 综合运用主成分分析和BP 神经网络方法建立预测模型, 以1986~ 2003 年数据为学习样本, 以2004 年数据为检验样本, 对2005 年北京市城市建成区面积进行模 拟预测。预测结果表明, 基于主成分分析的BP 神经网络预测结果与实际值的相对误差为2.8%, 比传统BP 神经网络预测精度提高1.8 个百分点, 网络训练收敛速度也更快, 其预测精度和效率 都有不同程度的改善。     

干旱区土壤盐渍化灾害预警——以渭-库绿洲为例

针对中国西北干旱区普遍存在的土壤盐渍化,以渭干河-库车河绿洲TM影像数据,建立BP神经网络结合Adaboost算法的土壤盐渍化预警度评价模型。首先,根据研究区实际情况设置该模型的4个预警指标（地下水埋深、海拔、盐分指数、归一化干旱指数）,分别提取其连续表面信息,结合BP神经网络作为弱预测器进行预测,将通过不同训练集得到的弱预测器结果结合成强预测器。在利用该模型训练样本时,依据各评价因子对分类结果的贡献率调整其权重,预测的结果能客观反映每个评价因子对该地区土壤盐渍化的贡献程度。结果表明,研究区警情总体情况较严重,绿洲北部内部耕地周围的荒地以及含水量少的区域,盐渍化危险度较高。     

BP神经网络和SVM在矿山环境评价中的应用分析

矿山环境的影响因素多样,定量评价过程易受人为因素干预。BP神经网络与SVM算法能够自动模拟各因子间的非线性关系。首次将其引入到矿山环境评价中,选取160个单元作为训练样本,以自然地理、基础地质、开发占地及地质环境等4个大类的14个变量指标为输入向量,以单元评价得分为输出向量,分别建立BP神经网络与SVM矿山环境评价模型。结果表明：两种模型均能满足矿山环境评价的精度要求;SVM模型收敛速度较BP神经网络快,MSE小于BP神经网络,更适合矿山环境评价工作;将定量模型应用于研究区,评价得分划分为4个级别,与定性评价结果一致,为矿山环境评价工作提供了新思路。     

运用小波变换与支持向量机耦合模型(WA-SVM)预测干旱区地下水埋深

准确预测干旱区地下水埋深,对区域地下水资源的合理开发利用与生态环境保护具有十分重要的意义。以额济纳盆地3个地下水埋深观测井为对象,运用小波变换与支持向量机耦合模型（WA-SVM）对观测井未来1个月的地下水埋深进行了短期预测。为检验WA-SVM的有效性,将模拟结果与未经小波变换的SVM模型进行了对比。结果表明：在对干旱区地下水埋深进行短期预测时,相较于SVM模型,WA-SVM模型的预测精度显著提高。WA-SVM模型在干旱区地下水埋深预测中有更好的适用性,可以为干旱地区地下水埋深动态预测提供新的方法和思路,是资料有限的条件下地下水埋深预测的有效方法。     

基于MODIS的青藏高原湖泊透明度遥感反演

湖泊透明度是湖泊水体性质的一个重要参数,是湖泊浮游生物和进入湖泊的有机和无机颗粒溶解程度的综合反映,对湖泊生态环境研究具有重要的科学及实践意义。遥感影像是获取面积广、时间长的湖泊透明度的重要手段,但由于实测数据缺乏,目前对青藏高原地区湖泊透明度的遥感反演研究相对不足。本文基于青藏高原地区24个湖泊实测透明度SD(Secchi Depth)值和相应的MODIS遥感影像,建立了该地区湖泊水体透明度SD值MODIS遥感反演模型。结果表明：基于MODIS绿色波段B4的单波段幂函数模型在该地区反演效果最好,精度较高(R2=0.91, N=24),并具有较好的稳定性。以当惹雍错为例,选用该模型反演得到湖泊透明度的时间变化序列,发现该湖存在明显的季节波动和较为明显的年际变化。初步分析得出,降水/融水季节的湖泊透明度与湖泊所在流域的降水率具有密切的关系。本文结果表明,利用遥感手段能够有效地开展青藏高原地区湖泊透明度的反演,可为进一步深入研究该地区湖泊透明度及其影响要素奠定基础。     

黄土高原丘陵沟壑区单元流域次暴雨输沙模型

黄土高原尤其是黄土丘陵沟壑区土壤侵蚀异常严重,在该区开展单元流域产沙模拟对于流域侵蚀产沙及沟道系统泥沙输移比研究有着重要的意义。本文选取陕北岔巴沟单元流域团山沟为研究对象,利用1961-1969年间水文泥沙资料,构建了流域产沙模型:以流域输沙关系表达式Ms=CsH为理论框架,经分析发现洪峰流量、最大含沙量、平均流量与次洪含沙量相关性显著,近而以洪峰流量、平均流量、最大含沙量及径流深为模型变量,通过模拟误差分析,构建并选取了以径流深和洪峰流量、径流深和最大含沙量为变量的经验模型:Ms=H(109.2ln(Qz)+546.1);Ms=H(Cz-141.2)。与目前已有模型相比,以上模型具有很好的模拟效果,尤其是在模拟小产沙事件时模拟效果较好,模型在临近流域水旺沟上的应用效果也较好。另据研究发现,高含沙水流的存在,使得在不同产沙模数水平下产沙模拟响应机制不同,对产沙模数小于300 t/km2次暴雨事件,流量的对数函数拟合效果明显优于幂函数拟合;对产沙模数大于1000 t/km2次暴雨事件,流量的幂函数拟合效果好于对数函数拟合,但差异不大。     

基于OLI遥感影像的错戳龙错盐湖水深反演研究

传统的水深测量方法是利用测量船上安装的测深设备和定位设备测出水域各点的水深。用遥感方法进行水深反演,基于OLI遥感影像对错戳龙错盐湖进行水深反演研究,确定OLI4波段是研究错戳龙错盐湖遥感水深反演的最佳波段,建立了此盐湖的水深遥感模型。经过对遥感数据和实测点数据的回归分析,建立了拟合方程。根据拟合方程对水深进行反演,反演结果与实测结果基本一致,从而证明了遥感测水深方法的快速有效性,弥补了传统实测水深方法的不足。     

A feature extraction and similarity metric-learning framework for urban model retrieval

Urban model retrieval has wide applications in the geoscience field, and it is also a very challenging research topic due to the blur and background clutter in query images and the large spatial inconsistencies between query and database images. In this study, a feature extraction and similarity metric-learning framework for urban model retrieval is proposed. In the method, the selective search voting algorithm is presented to automatically localize and segment a query object from an input image with the help of the top-ranked retrieved database images. Then, the local features of object images are extracted via sparse coding, and the global features are learned using the spatial constrained convolutional neural network. We utilize a new similarity metric to match the database images with a query object image. Finally, similar 3D models are retrieved. Both qualitative and quantitative experimental results indicate that the proposed framework can localize and segment a query object from an input image precisely and that the retrieval results are better than those of other related approaches.     

基于反射率和亮度温度的锡林郭勒积雪深度估算

积雪是我国西北干旱半干旱区重要的水资源,也是影响全球气候变化的重要因子之一。 目前光学影像反射率和雷达亮温数据是积雪遥感领域的主要数据,本文首次结合两类遥感数据估 算积雪深度,并比较偏最小二乘法和机器学习算法（人工神经网络、支持向量机和随机森林算法） 在积雪深度估算方面的表现。以锡林郭勒盟 2012—2015 年积雪深度数据为例,基于反射率和亮度 温度相结合的积雪深度估算精度优于单个数据源,且随机森林算法表现最好,均方根误差为 2.93 cm,满足实际应用的需求。研究结果对我国西北地区水资源分布、生态环境评估等研究具有重要 意义。     

Global crustal thickness from neural network inversion of surface wave data

We present a neural network approach to invert surface wave data for a global model of crustal thickness with corresponding uncertainties. We model the a posteriori probability distribution of Moho depth as a mixture of Gaussians and let the various parameters of the mixture model be given by the outputs of a conventional neural network. We show how such a network can be trained on a set of random samples to give a continuous approximation to the inverse relation in a compact and computationally efficient form. The trained networks are applied to real data consisting of fundamental mode Love and Rayleigh phase and group velocity maps. For each inversion, performed on a 2°× 2° grid globally, we obtain the a posteriori probability distribution of Moho depth. From this distribution any desired statistic such as mean and variance can be computed. The obtained results are compared with current knowledge of crustal structure. Generally our results are in good agreement with other crustal models. However in certain regions such as central Africa and the backarc of the Rocky Mountains we observe a thinner crust than the other models propose. We also see evidence for thickening of oceanic crust with increasing age. In applications, characterized by repeated inversion of similar data, the neural network approach proves to be very efficient. In particular, the speed of the individual inversions and the possibility of modelling the whole a posteriori probability distribution of the model parameters make neural networks a promising tool in seismic tomography.