面向浮游植物类群遥感的HY-1C/D卫星数据应用初探

浮游植物是全球初级生产力的重要贡献者,浮游植物群落结构的变化影响着初级生产力,进而影响着海洋的物质循环与能量转换,因此具体量化分析浮游植物各群落结构的生物量对了解浮游植物群落结构变化,进而了解全球初级生产力极其重要。本文基于2016年与2018年4个渤海航次的实测遥感反射率数据和实测HPLC(High Performance Liquid Chromatography)浮游植物色素数据,通过CHEMTAX (CHEMical TAXonomy)方法将HPLC色素数据转化为相应藻种浓度数据,其中硅藻、隐藻、蓝藻与绿藻对总叶绿素a的占比较大。结合奇异值分解和多元线性回归方法,构建适用于中国近海硅藻、隐藻、蓝藻和绿藻浓度的反演模型;利用留一交叉验证法对模型进行验证,结果表明:隐藻、蓝藻和绿藻模型精度较高,决定系数R²均在0.70及以上,硅藻R²为0.44(p均小于0.001),硅藻、隐藻、蓝藻和绿藻浓度反演模型的中值误差ME各为44.81%、45.34%、51.20%和62.80%。随后,将模型应用于国产HY-1C/D卫星海洋水色扫描仪COCTS ...     

基于HICO模拟数据的杭州湾水体悬浮物浓度遥感反演

以杭州湾及其邻近海域为研究区,利用现场实测光谱模拟了近海高光谱成像仪(hyperspectral imager for the coastal ocean,HICO)波段,并在光谱特征分析的基础上确定特征波段,通过比较单波段、波段比值和反射峰面积等算法,建立了该海域悬浮物的遥感反演模型,并采用均方根误差和相对误差进行精度评价。研究结果表明,利用724. 84 nm与461. 36 nm波段光谱反射率比值建立的模型精度较高;模型的决定系数为0. 925 2,反演得到的悬浮物浓度与实测悬浮物浓度之间的均方根误差为14. 09 mg/L,平均相对误差为5. 2%。本研究对利用HICO模拟数据反演近海岸水体悬浮物具有一定的参考意义。     

GLIBERTY-DSAIL耦合模型反演南方混交林植被LAI

针对南方丘陵地区针叶-阔叶混交林植被叶面积指数（leaf area index,LAI）反演精度低且研究较少的问题,本文提出了一种GLIBERTY-DSAIL耦合模型组合多元线性回归反演LAI的方法。本研究以GLIBERTY-DSAIL模型模拟光谱和植被实测高光谱为数据源,通过相关性分析,选取与LAI相关性高的植被指数作为反演因子,构建多元线性回归模型定量反演植被LAI并进行精度评定。结果表明：与LAI显著相关的RVI、DVI、GNDVI、MSAVI这4种植被指数作为反演因子,结合本文提出的组合模型反演LAI,模型预测决定系数R²为0.708 6,均方根误差RMSE为0.302 1,精度整体较高。该组合方法可较好地用于反演针叶-阔叶混交林植被LAI,为南方地区混交林LAI的研究提供新思路。     

双种群约束QPSO-BP的声速剖面反演方法

海水中声速剖面反演可以及时获取海洋环境信息,对于改善和提高水声设备的工作性能以及海洋的研究和开发都具有重要意义.针对声速剖面反演过程中,神经网络存在容易过早收敛的不足,该文提出 了基于双种群约束QPSO-BP的声速剖面反演方法.利用Argo获取的温度和盐度数据,以2004-2017年经验正交函数所得到的特征向量和历史声速剖面作为训练样本,以BP神经网络反演声速剖面的模型作为基础,并在QPOS-BP算法基础上引入了双种群约束策略,通过与2018年6月和12月的实测声速剖面数据进行比较,双种群约束QPSO-BP声速预测模型在精度上比BP神经网络和QPSO-BP网络模型分别平均提高了 35％和25％.结果表明,双种群约束QPSO-BP能有效提高声速剖面反演精度.     

BRDF模型参数分阶段鲁棒性反演方法

遥感BRDF物理模型均建立于一定的假设或基于某些理想状况，其模拟的数据与观测数据之间多少会存在一些差异（误差）。利用BRDF模型反演地表参数时，如果不加选择地使用所有观测数据，势必会影响模型参数反演的准确度。遥感反演时一般都采用代价函数进行参数拟合。经典的最小二乘（LS）拟合代价函数对正态分布误差具有一定的抗干扰性，但是当观测数据含有异常值时却会导致反演结果的不稳定。最小中值平方（LMS）方法具有鲁棒性特点，反演时若将其作为代价函数，则可以有效地检测出观测数据中含有的异常值，从而可以使模型反演准确度提高。本文以遥感BRDF物理模型——SAIL模型为例，使用模拟数据与真实地面观测数据，构建LMS与LS两种代价函数，分阶段地进行地表参数的反演方法研究。结果显示，针对具有一定误差或模型不能完全表示的观测数据，本文采用的分阶段方法可以对模型参数鲁棒地反演。     

用分析模型方法反演水体叶绿素的浓度

水体叶绿素浓度是水质评价的一个重要指标。建立水体光学传输的分析模型，进而用分析模型反演水体叶绿素浓度，对于提高遥感反演水质参数的精度和实用性具有重要意义。作者于2004年6月初对太湖18个点位进行了同步水体波谱实测和水体取样分析。由这18个点位的实测数据，利用Gordon模型建立了R（0^-）的模拟模型，并进而用优化函数的方法反演水体叶绿素浓度。反演值与实测值的相关系数达到0．99，当叶绿素浓度高于30mg／m^3时，反演的相对误差小于20％。进而用该模型反演2005年7月太湖7个点位的叶绿素浓度，反演值与实测值的相关系数为0．94，其中，有6个点位的反演值相对误差小于60％。     

一种综合考虑采样点水平和高程误差的DEM建模算法

为了降低采样点水平和高程误差对数字高程模型（digital elevation model,DEM）建模精度的影响,受总体最小二乘算法启发,以较高精度的多面函数（multiquadric function,MQ）为基函数,发展了整体最小二乘MQ算法（MQ-T）,并分别借助数值实验和实例分析验证模型计算精度。数值实验中,以高斯合成曲面为研究对象,设计了受不同误差分量影响的采样数据,借助MQ-T曲面建模,并将计算结果与传统MQ进行比较。结果表明,当采样点仅受高程误差分量影响时,MQ-T计算结果精度与MQ相当;当采样数据受水平误差分量影响时,MQ-T计算结果中误差小于MQ中误差。实例分析中,以全站仪获取的采样数据为研究对象,借助MQ-T构建测区DEM,并将计算结果与传统插值算法进行比较,如反距离加权（inverse distance weighted,IDW）法、克里金（Kriging）法和澳大利亚国立大学DEM专用插值软件（（Australian National University DEM,ANUDEM）法。精度分析表明,随着采样点密度降低,各种插值算法精度逐步降低;不管采样密度多少,MQ-T计算精度始终高于传统插值算法;对山体阴影图分析表明,MQ-T相比Kriging法有一定峰值削平现象。     

基于三维随机辐射传输模型的高分一号中国叶面积指数产品算法

叶面积指数LAI (Leaf Area Index)是研究植被生态系统结构和功能的核心参数之一，遥感是获取大范围动态LAI的一个主要技术手段。目前国际上没有高分辨率的LAI标准化产品。本文基于三维随机辐射传输（3D-SRT）模型查找表算法研究了适用于国产高分辨率卫星高分一号宽幅相机（GF-1 WFV）的叶面积指数反演算法。模型中单次散射反照率和不确定性等参数与波段设置和波段稳定性相关。算法在全国范围内选取不同植被类型的均质样点，统计地表反射率的差异特征，调整全国6种植被类型各波段的单次散射反照率、不确定性等算法参数，进而构造适用于GF-1 WFV传感器的查找表以进行LAI的反演。研究中使用新疆维吾尔自治区石河子地区、内蒙古自治区四道桥包含农作物、森林等共359组实测地面数据开展LAI验证。验证结果表明，和调整参数前的反演结果相比，优化后的算法均方根误差RMSE可由算法优化前的1.209下降至0.804，决定系数R2由0.659提高至0.883，反演成功率RI可由25.3%提高至73.8%，算法精度和稳定性较高，更适用于GF-1叶面积指数的反演。将其应用于GF-1卫星影像上，生产了201...     

机器学习算法辅助的GPS信噪比观测值土壤湿度反演

利用BP神经网络和支持向量回归机两种机器学习算法,构建基于机器学习算法的GNSS卫星反射信号土壤湿度反演模型,并与线性回归统计模型和实测数据进行对比分析。结果表明:基于机器学习算法的GNSS卫星反射信号土壤湿度反演方法获取的土壤湿度结果与土壤湿度参考值误差较小,反演模型的决定系数分别为0.928 3和0.913 1,均方根误差为0.026 6和0.032 6,线性回归统计模型的决定系数分别为0.553 2和0.859 8,均方差根误差分别为0.093 9和0.041 6。说明利用回归算法定量估测土壤湿度明显优于线性回归统计模型,且基于支持向量回归机的土壤湿度反演模型定量估测土壤湿度优于基于BP神经网络算法的土壤湿度反演模型,证明了该方法的可靠性,为土壤湿度的实时反演研究提供了一种新方法。     

干雪深度反演的同极化相位差模型

积雪深度是积雪的重要结构参数,获取高精度雪深空间分布信息对于流域尺度水资源管理、气候变化研究和灾害预报等具有重要意义.本文以新疆阿尔泰山南坡克兰河上游为研究区,利用C波段全极化GF-3数据及地面同步观测数据,根据VV与HH极化信号在积雪中折射率不同导致相位差异的原理,使用Maxwell-Garnett方程构建同极化相位差(co-pol arized phase difference,CPD)的正演模型,并基于CPD与雪深关系构建了雪深反演模型.通过对具有不同积雪条件的浅雪区与深雪区分别进行雪深反演,获得雪深空间分布信息.同时对反演不确定性进行了分析,并与已有方法进行比较,研究结果表明:①假定研究区积雪各向异性介电常数恒定的理想情况下,CPD仅是雪深的函数,可用半经验的线性模型反演雪深,反演精度的高低与计算CPD过程中使用的滤波器的窗口大小有关,浅雪区的最优滤波窗口为59×59像元,反演精度R为0.83,RMSE为2.72 cm,深雪区的最优滤波窗口为33×33像元,反演精度R为0.54,RMSE为11.69 cm;②雪深反演误差与坡度显著相关,随着坡度的增加,雪深的反演误差呈现出显著增加的趋势,雪深反演不确定性受雪层变质程度、含水量及卫星入射角观测几何条件影响,反演方法对于干燥、雪层变质结晶程度低、均质的积雪及具有大入射角的SAR卫星有更好的适用性;③对比已有基于CPD模型的雪深反演方法,本文方法已经将反演所需要的参数减少为遥感获取的CPD数据,以及进行模型拟合的实测雪深数据,反演精度更高.研究表明CPD模型反演山区雪深空间分布是有效和可行的,研究成果为山区雪深遥感反演提供了新思路.     

一种高斯过程回归的水体吸收系数反演模型

水体吸收系数是评价水体环境质量和衡量海洋对全球气候影响的重要因子.水色遥感作为目前对大范围海洋进行长时间连续监测的唯一手段,可以借助于合适的反演模型从影像上获取水体吸收系数.然而现有模型多为经验模型,反演精度和水体适应性都较差.基于自建的全球水体光学原位测量数据集SeaBASS2020,通过选用412、443、490、510、560、620、665 nm波段的遥感反射率以及620、665 nm与其余5个波段的遥感反射率比值作为模型输入特征,并以Matérn函数作为模型的核函数,提出一种基于高斯过程回归的水体吸收系数反演模型GPR-a.实验结果表明,在反演精度上GPR-a较传统的波段比值经验模型有大幅提升,其中决定系数R2提升了24.79％,均方根误差σRMSE和平均相对误差εMRE分别降低了50％和35.17％.此外,实验还验证了GPR-a具有较强的鲁棒性和极佳的反演值不确定度估计能力.     

应用TM数据估算沿岸海水表层时绿素浓度模型研究

本研究以大亚湾为实验区，以陆地卫星ＴＭ数据为信息源，结合表层海水叶绿素浓度实测资料建立模型。在对叶绿素光谱特征及遥感估算叶绿素浓度机理研究基础上，选取了ＴＭＩ—ＴＭ４波段的７５种波段组合为子因素，以叶绿素浓度为母因素，利用灰色系统理论，分析各波段组合与叶绿素浓度之间的关联度。将关联度最大的５种波段组合分别建模，得到５个估算表层海水叶绿素浓度的反演模型。误差分析表明，各模型的最大相对误差在１９％以下，平均绝对相对误差在１１．２％以下，相对标准误差在６．７％以下，模型精度较高。研究表明：（ＴＭ３×ＴＭ４）是估算沿岸海水表层叶绿素浓度的最佳波段组合，采用（ＴＭ３×ＴＭ４）与ＴＭ１、ＴＭ２或ｌｎ（ＴＭ十ＴＭ２）、Ｉｎ（ＴＭ１×ＴＭ２）之比值并不能改善估算精度。     

基于GF-2卫星数据的孕穗期小麦叶面积指数反演——以河北省廊坊市为例

叶面积指数(leaf area index,LAI)是评价植被长势和预测产量的重要农业生理生态参数。高分2号(GF-2)卫星数据具有高空间分辨率特点,能反映更多细节信息,针对该数据特点的LAI反演方法具有较高的研究价值。以河北省廊坊市万庄镇为研究区,对孕穗期小麦采用了回归模型和神经网络算法反演LAI;采用4种植被指数与实测LAI值构建回归模型,同时重点探讨了PROSAIL模型结合神经网络方法进行LAI反演。研究结果表明,在回归模型中,归一化植被指数(normalized difference vegetation index,NDVI)的二项式模型估算LAI可以获得最高精度,采用实测数据验证的决定系数(R2)和均方根误差(root mean square error,RMSE)分别为0.719 3和0.393 6;与回归模型相比,神经网络反演LAI方法更显著提高了精度,R2和RMSE分别达到0.900 8和0.273 2。基于GF-2卫星数据,在研究区小麦孕穗期,神经网络反演LAI具有较强可行性和适用性,可为高空间分辨率卫星影像的LAI反演提供参考。     

联合无人机LiDAR与Sentinel-2影像估算大豆叶面积指数

针对利用卫星遥感影像进行大范围反演大豆叶面积指数(LAI)时人工野外样本实测耗时耗力的问题，该文以黑龙江省海伦市、嫩江市两块大豆样地作为研究对象，使用无人机平台获取激光雷达(LiDAR)点云数据，利用孔隙度模型进行大豆LAI反演，根据地面实测数据开展精度评价，并进一步探讨利用无人机LiDAR反演值替代地面实测值进行Sentinel-2卫星影像LAI反演的可行性。实验结果表明，去掉地块边缘混合单元网格影响后，两块大豆样地的LAI反演精度均优于90%。利用无人机LiDAR反演值替代地面实测数据与植被指数构建回归模型，大范围卫星反演LAI精度均优于86%。     

全球海洋次表层温度异常遥感反演的季节时空变化特征

卫星遥感反演海洋内部多时相、大尺度热力结构信息对于了解海洋内部复杂、多维的动力过程有重要意义。本文采用随机森林回归模型,利用卫星遥感观测的海表参量（海表高度异常（SSHA）、海表温度异常（SSTA）、海表盐度异常（SSSA）和海表风场异常（SSWA））,反演不同季节、不同深度层位（1000 m深度以上）的海洋次表层温度异常（STA）,并用Argo实测数据作精度验证,采用均方根误差（RMSE）、归一化均方根误差（NRMSE）以及决定系数（R²）评价模型在全球及洋盆尺度上的反演精度。结果显示,全球海洋16个深度层位的平均R²在春、夏、秋、冬四季分别为0.53、0.60、0.54、0.66,NRMSE分别为0.051、0.031、0.043、0.044。随着季节的变化,模型反演性能有所波动。模型在印度洋的反演效果最佳,不同季节、不同深度层位上的平均R²和RMSE分别为0.71和0.18 ℃,而大西洋的反演精度最低,平均R²和RMSE分别为0.46和0.25 ℃。研究表明随机森林模型适用于全球不同季节的STA遥感反演,且在不同洋盆上均有较好的反演效果;不同季节上,上层STA有明显变化信号,空间异质性显著,但300 m以深,STA信号较弱且基本不随季节变化。本研究可为长时序、大尺度海洋内部参量信息遥感反演与重建提供依据,有助于进一步发展深海遥感方法。     

昆承湖水质状况遥感监测与空间特征分析

针对镇域水资源常规的监测方法不能满足对水质适时、大尺度的监测评价要求等问题,该文以江苏常熟辛庄镇昆承湖为例,分析叶绿素a(Chl-a)和悬浮物(SS)浓度值与水体归一化反射光谱、一阶微分反射光谱特征的关系,运用PEARSON法分析两者之间的相关性,确定Chl-a和SS的敏感波段,利用Chl-a和SS敏感波段归一化光谱反射值和实测浓度数据建立了水质参数反演模型。采用同时相ETM遥感数据对水质参数(叶绿素a和悬浮物)浓度进行遥感定量反演,并根据反演结果分析镇域水体污染空间分布特征。结果表明,对水质参数几个最大正(负)相关的光谱值进行波段组合处理可以提高反演精度,并且模型反演值和实测浓度值之间误差较低。通过对叶绿素、悬浮物等水质参数反演实现了对昆承湖水体污染状况的快速、准确和动态的信息获取和评价,有效地实时监测镇域水体在空间和时间上的变化状况和特性。     

基于光谱特征的三峡坝区水色要素反演

基于野外测定的水质参数,通过研究三峡坝区水体中水色要素浓度与反射率之间的关系,选择反演叶绿素、悬浮物、溶解性有机物的最佳波段,建立了反演水色要素浓度的遥感定量模型。研究表明,在波段比值的基础上进行幂次修正的波段组合反射率与SS浓度相关性较好(R2=0.76),可以用来估算悬浮物浓度;悬浮物浓度影响叶绿素浓度的反演精度,通过在模型中增加一个红绿波段比值指数项的方法能够抑制或削弱悬浮物的影响,提高了叶绿素浓度的反演精度(R2=0.75);DOC反演模型中,绿光波段与红光波段反射率的对数值能较好的估算DOC浓度,且与log(DOC)相关程度最高,决定系数为0.85,反演精度较高。     

基于深度置信网络的GNSS-IR土壤湿度反演

基于大地测量型GNSS接收机获取的反射信号反演土壤湿度是GNSS领域的研究热点。为克服常规线性回归和BP神经网络算法等的缺陷,本文提出了一种基于深度置信网络的GNSS-IR土壤湿度反演方法。试验结果表明,基于该方法得到的决定系数、土壤湿度平均绝对误差和均方根误差分别为0.909 8、0.017、0.021,与线性回归和BP神经网络算法相比,与实测数据吻合度更高,可有效提高土壤湿度反演精度,证明了方法的有效性和可靠性。     

利用高分一号卫星监测开封地区PM_(2.5)

PM_(2.5)是影响开封地区空气质量的首要污染物,利用卫星遥感手段可以快速获得PM_(2.5)浓度的空间分布。通过采用过境开封市的GF-1卫星数据,获取气溶胶光学厚度,结合地面PM_(2.5)监测数据与边界层高度、相对湿度和气温等辅助数据,采用多元线性回归,建立了基于GF-1的PM_(2.5)遥感反演模型。研究表明,2015年6—9月GF-1数据反演得到的PM_(2.5)浓度与地面监测结果较为接近,且有较高的相关性;加入地理加权回归能明显提高模型精度,较好地反映PM_(2.5)的空间分布;但在PM_(2.5)浓度较高时,该模型会出现低估现象。     

基于环境小卫星数据反演太湖叶绿素含量

以太湖为研究对象,根据环境一号卫星数据和实测得到的水面叶绿素a浓度,利用ENVI软件对太湖地区进行校正和裁剪等有关处理并获取光谱信息与实测叶绿素含量来进行建模选取,最后对模型反演结果进行对比并做精度验证。选取了遥感影像成像叶绿素a浓度值,对得到的58个样本进行分析,从样本随机选取2/3的数据用于建模,剩下1/3数据用于模型验证,得到了37个建模样本和20个验证样本,通过验证说明,本文所建立叶绿素a浓度反演模型具有较高的精度。