基于CSA-PLS算法的养殖水体水质快速高光谱预测反演模型研究

养殖水体水质的优劣直接影响养殖对象的成长,准确、快速、全面地掌控养殖水环境的水质参数变化情况具有重要意义。传统的水质指标监测方法都通过人工采样的方式,不仅耗费时间长,且只能体现局部水体情况。针对这些问题,提出了一种乌鸦搜索算法(CSA)结合偏最小二乘回归(PLSR)的高光谱特征波段筛选方法,快速构建回归模型,实现光谱数据的精准预测反演。以连片的养殖小区为研究对象,采集养殖水体样本并拍摄同时期的高光谱影像数据。首先对提取的采样点光谱数据利用多种数据变换方法分别预处理;其次利用这些数据,对水质指标总氮(TN)、氨氮(NH₄⁺-N)、总磷(TP)和化学需氧量(COD)分别构建全波段的SVR和AdaBoost回归模型,同时与提出的CSA-PLS自动筛选波段方法和传统的连续投影算法(SPA)筛选波段后构建的模型进行比较分析;最后根据决定系数(R²)和均方根误差(REMS)选出适合各水质指标的最优模型。从实验结果可以看出,所提波段筛选方法的AdaBoost模型预测结果优于SVR和传统SPA方法提取特征波段后构建的模型,与全波段最优模...     

基于全卷积神经网络方法的日间黄海海雾卫星反演研究

本文基于FY-4A静止气象卫星数据,以全卷积神经网络(Fully Convolutional Networks, FCN)为前处理、全连接条件随机场为后处理的日间海雾反演算法模型,以动态阈值海雾反演方法获得黄海雾区标签,使用浮标观测、CALIPSO观测和动态阈值法反演的雾区进行检验,发现与仅使用全卷积神经网络方法的海雾反演结果相比,全卷积神经网络结合全连接条件随机场的算法模型不仅可以反演出海雾主体分布,而且可以克服单纯FCN提取的图像过于平滑和模糊的问题,给出更细致的雾区边界,同时雾区检出率(POD)可以达到91.8%,误判率(FAR)20.0%,成功率(CSI)76.4%,Heidke技巧评分(HSS)82.9%。因此,以全卷积神经网络方法为核心的算法模型可以用于日间黄海海雾雾区的反演。     

一种改进的VMD-XGBoost验潮站月海面高序列预测模型

海平面不断上升威胁人类的生命安全,高精度的海平面预测对人类预防水文灾害具有重要意义。现有的预测方法因验潮站数据为单一时间序列而难以进行高精度预测。针对此问题,提出一种融合变分模态分解(VMD)和极度梯度提升算法(XGBoost)的变分模态分解-极度梯度提升预测模型,简称VMD-XGBoost模型。与XGBoost模型、卷积神经网络与长短期记忆神经网络混合模型(CNN-LSTM)、变分模态-卷积神经网络与长短期记忆神经网络混合模型(VMD-CNN-LSTM)对比,对荷兰沿岸海平面验潮站时间序列进行预测。验潮站预测结果分析表明：相较于XGBoost模型,VMD-XGBoost模型预测结果的均方根误差平均降低65.43%,平均绝对误差平均降低63.79%,平均绝对百分比误差平均降低63.44%,且相较于VMD-CNN-LSTM模型,VMD-XGBoost模型在验潮站海面高序列预测上具有更高预测精度,可实现高精度验潮站时间序列预测。     

基于遥感反射比光谱的一种藻类识别方法

利用所得的甲藻门和硅藻门的17种藻类遥感反射比光谱,对其进行平滑、取倒数和归一化等预处理后,进行了四阶微分处理.根据聚类分析结果,甲藻门各藻种分为一类,而硅藻门的藻种分为另一类,这说明经上述处理后,甲藻门和硅藻门的差异性显著增大.将甲藻门和硅藻门的四阶微分光谱分别平均得到门类的特征光谱,并在原始数据中加入泥沙进行敏感性...     

基于船载走航观测高光谱颗粒物吸收系数反演浮游植物粒级结构*

利用高光谱监测数据反演浮游植物种群组成是当前海洋光学和水色遥感的研究热点。文章采用大西洋经向断面航次中走航式观测系统测量的海水总颗粒物吸收光谱数据, 尝试建立了两种模型对浮游植物粒级结构(Phytoplankton size class, 简称PSC)进行反演和比较讨论。一类模型是基于总颗粒物吸收光谱高斯分解获得的典型波段高斯带强度与色素浓度之间的关系, 建立了偏最小二乘回归模型(Partial Least Squares regression model, 简称PLS回归模型); 另一类模型是采用长波波段吸收基线高度推算海水总叶绿素a浓度, 进而根据Brewin等(2010)生物量算法推算PSC的三组分模型(简称三组分模型)。模型比较验证结果显示, 两类模型对海水总叶绿素浓度的反演都有较高的精度, 相对偏差ME在15%左右; 对于三个粒级浮游植物对应的叶绿素浓度(Pico级C_p, Nano级C_n, Micro级C_m)的反演效果也相当, PLS回归模型反演的ME分别为28.4%、31.9%和41%, 三组分模型反演的ME分别为31%、35.9%、37.7%。研究结果初步表明了采用高光谱吸收系数反演浮游植物种群结构的潜在优势, 可为不同海域走航式高光谱观测系统的推广应用提供思路。     

基于半参数模型的水位数据预处理方法研究

为消除压力式验潮仪数据因误差而存在的抖动现象,提出了利用半参数模型对水位数据进行预处理的方法。研究了半参数模型在水位预处理中的具体实现方法,并对处理后的数据在应用方面进行了数据实验。实验表明,半参数模型既能够剔除不合理观测噪点,又能够高精度拟合观测水位,利用处理后的数据确定的余水位以及潮汐比较参数更具备合理性,精度得到了提高。     

长牡蛎(Crassostrea gigas)鲜样组织八种成分含量近红外(NIR)模型的建立

采用傅里叶变换近红外(FT-NIR)光谱技术,以94份具有代表性的长牡蛎鲜样组织样本的近红外(NIR)数据和其对应的化学真实值数据为基础,研究了NIR技术预测长牡蛎鲜样组织中水分、糖原、总蛋白质、总脂肪、锌、硒、牛磺酸和灰分8种成分含量的可行性,通过偏最小二乘回归法(PLS)建立了以上8种成分的NIR分析模型,并对模型进行了交互验证和外部验证。结果显示:该实验所建立的长牡蛎鲜样组织肉质性状8项主要指标中水分、糖原和总蛋白质3种成分的NIR模型具有良好的准确性和预测能力,建模集相关系数(RC)为0.9625—0.9902,交互验证相关系数(RCV)为0.9342—0.9863,外部验证的相关系数(REV)为0.9734—0.9915;但总脂肪、锌、硒、牛磺酸和灰分含量的建模效果不佳。实验结果表明,可以运用NIR技术快速、大批量地分析长牡蛎鲜样组织中的水分、糖原和总蛋白质3种成分含量;分析过程无需使用化学试剂,实验成本低,且对环境无污染。长牡蛎NIR多种成分含量模型的建立,对开展长牡蛎肉质分析、肉质性状选育、育种世代的鉴定及种质资源评价都有非常重要的意义。     

基于LSTM的海洋表面短期风速预测研究

为实现对海面风速精确的短期预测,提出了一种基于长短期记忆(LSTM,longshort-termmemory)神经网络的短期风速预测模型,选取OceanSITES数据库中单个浮标站点采集的风速历史数据作为模型输入,经过训练设置最佳参数等步骤,实现了以LSTM方法,对该站点所在海区海面风速在各季节性代表月份海面风速的24 h短期预测。同时通过不同预测时长的实验以及与BP(back propagation)神经网络神经网络和径向基函数神经网络(radialbasisfunctionneuralnetwork,RBF)的预测效果对比实验,证明了LSTM预测方法相比上述两种神经网络预测方法,在海表面风速预测应用中的优越性。最后通过多个海域对应的站点风速数据预测实验,证明了LSTM神经网络模型的普遍适用性,由相关系数和预测误差的分析可知该方法具备应对急剧变化数据的预测稳定性,可以作为海洋表面风速短期预测的一种可靠方法。     

油样品的可变角同步荧光光谱的计算机模拟

可变角同步荧光法(VASF)是在三维荧光光谱和同步荧光光谱的基础上发展起来的1种特殊形式的荧光光谱,在用于光谱相互重叠的多种组分的同时分析中,取得了很好的效果。文中基于实验得到的原油样品三维荧光光谱数据EEM(excitation-emission matrix),引入二维三次卷积插值,通过Matlab软件实现了对所选扫描路径中各数据点的荧光强度值的获取,编写了用于模拟所选扫描路径下的可变角同步荧光光谱VASFS(Variable-angle synchronous fluorescence spectrum)的VAS-FS程序。此程序为三维荧光光谱和可变角同步荧光光谱的获取和分析提供了1种模拟方法,也为可变角荧光分析中最优扫描路径的选取提供了1种快捷、方便的途径。     

基于变分模态分解和注意力机制的浪高预测

针对海洋中的海浪高度数据存在非线性和非平稳性的特点,海浪高度的预测就变得相对复杂.基于变分模态分解(VMD),在引入注意力机制(AM)的基础上,对传统长短期记忆(LSTM)神经网络算法进行了改进,提出了一种基于混合模型的海浪高度预测算法.算法通过预处理、预测和重构3个主要步骤,对海浪高度的时间序列进行预测.为了比较和说...     

用混沌理论提高潮汐预报的准确度

为提高潮位预报的准确性,在具有较长潮汐观测数据的站点,基于混沌理论,对观测值与潮汐模型预测值之差所构成的余水位序列(即误差序列),采用局域线性模型的分析方法,给出可能误差预测,修正模型的预报结果,提高潮汐预报的准确性。所给例子,对预测跨度T=2 h,经局域法修正后,崇武站2007年12月份1个月预测水位统计的RMSE值减少74.7%,厦门站减少60.5%;对T=24 h,崇武、厦门两站RMSE值减小都在50%左右。     

基于小波变换和LSTM神经网络的格陵兰岛近海海域海平面变化预测

海平面变化包含多种不同时间尺度信息，传统的预测方法仅对海平面变化趋势项、周期项进行拟合，难以利用海平面变化的不同时间尺度信号，使得预测精度不高。本文基于深度学习的预测模型，提出一种融合小波变换（wavelet transform，WT）与LSTM （long short-term memory，LSTM）神经网络的海平面异常组合预测模型。首先利用小波分解得到反映海平面变化总体趋势的低频分量和刻画主要细节信息的高频分量；然后通过LSTM神经网络对代表不同时间尺度的各个分量预测和重构，实现海平面变化的非线性预测。基于该模型的海平面变化预测的均方根误差、平均绝对误差和相关系数分别为12.76 mm、9.94 mm和0.937，预测精度均优于LSTM和EEMD-LSTM预测模型，WT-LSTM组合模型对区域海平面变化预测具有较好的应用价值。     

A forecasting model for wave heights based on a long short-term memory neural network

To explore new operational forecasting methods of waves, a forecasting model for wave heights at three stations in the Bohai Sea has been developed. This model is based on long short-term memory(LSTM) neural network with sea surface wind and wave heights as training samples. The prediction performance of the model is evaluated,and the error analysis shows that when using the same set of numerically predicted sea surface wind as input, the prediction error produced by the proposed LSTM model at S...     

海表面盐度的高精度预测模型

为了建立高精度的海洋表面盐度预测模型,采用BP神经网络的方法,针对SMOS卫星level 1C级亮度温度数据和辅助数据建立了一种海表面盐度预测模型,以ARGO浮标观测值作为海表盐度实测值来检验新模型预测结果的准确度,同时利用验证集对模型的精度进行验证.结果表明:通过新模型预测的海表盐度(SSS0)比SMOS卫星的3个粗...     

总体最小二乘法在浮游植物色素吸收系数模型估算中的应用

采用常规最小二乘法(LS)和总体最小二乘法(TLS)对浮游植物色素吸收系数与叶绿素a浓度之间的关系进行了研究。利用2003-2012年6个航次243组实测数据,建立了LS和TLS模型,应用模型估算典型波段的色素吸收系数值,并对两种模型进行了验证。采用平均绝对百分误差和均方根误差两种方法进行模型效果评估,结果显示,两种评估方法均能很好地说明,在400～700 nm光谱范围内,TLS拟合结果优于LS拟合结果。总体最小二乘法在综合考虑了参数误差和测量误差的情况下,拟合结果精度更高,更符合实际情况,估算结果的准确性要优于常规最小二乘法。     

Longshore sediment transport estimation using a fuzzy inference system

Accurate prediction of longshore sediment transport in the nearshore zone is essential for control of shoreline erosion and beach evolution. In this paper, a hybrid Adaptive-Network-Based Fuzzy Inference System (ANFIS), Fuzzy Inference System (FIS), CERC, Walton–Bruno (WB) and Van Rijn (VR) formulae are used to predict and model longshore sediment transport in the surf zone. The architecture of ANFIS consisted of three inputs (breaking wave height), (breaking angle), (wave period) and one output (longshore sediment transport rate). For statistical comparison of predicted and measured sediment transport, bias, root mean square error and scatter index are used. The longshore sediment transport rate (LSTR) and wave characteristics at a 4 km-long beach on the central west coast of India are used as case studies. The CERC, WB and VR methods are also applied to the same data. Results indicate that the errors of the ANFIS model in predicting wave parameters are less than those of the empirical formulas. The scatter index of the CERC, WB and VR methods in predicting LSTR is 51.9%, 27.9% and 22.5%, respectively, while the scatter index of the ANFIS model in the prediction of LSTR is 17.32%. A comparison of results reveals that the ANFIS model provides higher accuracy and reliability for LSTR estimation than the other techniques.     

基于无人机与卫星图像的大型绿藻孔石莼(Ulva pertusa)遥感估算研究

卫星影像是监测海面漂浮绿藻的重要数据源, 但是混合像元的存在使得绿藻提取存在一定的误差。想要实现近海区域底栖绿藻的精细监测, 需要解决绿藻亚像素覆盖度的问题。本文以厘米级分辨率无人机数据的绿藻提取结果为基准, 通过分析Landsat卫星影像绿藻光谱, 建立绿藻亚像素覆盖度与多种植被指数和多个特征波段反射率的反演模型。结果表明, 蓝、绿、红波段反射率与绿藻亚像素覆盖度呈现较好的线性关系, 随着绿藻亚像素覆盖度递增, 蓝、绿、红波段反射率的值均递减。将蓝、绿、红波段的三种绿藻亚像素覆盖模型进行验证, 发现绿波段反射率所建立的反演模型具有更高的准确性, 决定系数、均方根误差、平均相对误差分别为0.92%、0.07%、10.85%。本文所建立的模型可以估算大型绿藻亚像素覆盖度, 实现Landsat卫星影像对大型绿藻的精细监测。     

基于非稳态调和分析和长短时记忆神经网络的河口潮位短期预报混合模型

河口潮汐过程受上游径流、外海潮波等因素影响,动力机制复杂,潮位预报难度大。本文提出了一种基于非稳态调和分析（NS＿TIDE）和长短时记忆（LSTM）神经网络的混合模型,对河口潮位进行12～48 h短期预报。该模型首先对河口实测潮汐数据进行非稳态调和分析,通过与实测资料对比得到分析误差的时序序列,并以此作为LSTM神经网络的输入数据,通过网络学习并预测未来12～48 h潮位预报误差,据此对NS＿TIDE的预测结果进行实时校正。利用该模型对2020年长江口潮位过程进行了预报检验,结果表明混合模型12 h、24 h、36 h和48 h短期水位预报的均方根误差（RMSE）相比NS＿TIDE模型至多分别降低了0.16 m、0.15 m、0.14 m和0.12 m;针对2020年南京站最高水位预测,NS＿TIDE模型预报误差为0.64 m,而混合模型预报误差仅为0.10 m。     

基于改进ConvLSTM网络太平洋长鳍金枪鱼时空分布趋势预测

渔场资源与位置的变动由空间与环境因子共同驱动,远洋渔场时空演变信息的精准预测是远洋捕捞的关键支撑。该研究考虑渔业生产统计数据,并兼顾同期海洋环境数据包括海表面温度（Sea surface temperature, SST）、海表面盐度（Sea surface salinity, SSS）、初级生产力（primary productivity, PP）和溶解氧浓度（dissolved oxygen concentration, O2）,提出了一种融合卷积长短期记忆网络（ConvLSTM）和卷积神经网络（CNN）的渔场时空分布预测模型。首先对时空因子进行编码,提取高层时空特征;其次采用CNN提取海洋环境变量的抽象特征,并基于ConvLSTM提取渔业数据的时空特征,最后融合高层时空关联信息对渔场时空演变趋势进行预测。以1995－2018年太平洋海域的延绳钓生产数据对模型进行验证,模型的根均方误差为0.1036,实验对比发现较传统渔场预报模型的预测误差降低15%~40%,预测的高产渔区与实际作业的高渔获量区匹配度高。该研究构建的渔场时空预测模型能够准确地预测出太平洋长鳍金枪鱼的时空分布,为太平洋长鳍金枪鱼的延绳钓渔业提供科学参考依据。