非线性模型岛礁礁盘遥感水深反演

针对已有的遥感水深反演方法波段选取难,得不到较好的模型参数的问题,该文在国内外遥感水深反演研究的基础上,对经典的非线性模型进行研究,引入了逐步回归算法对模型进行了改进。以东岛为研究区,基于Worldview-2多光谱影像进行模型验证和精度评价。结果表明:应用改进后模型的反演水深精度大幅提高,水深范围不但适用在10m以浅的水区,在15~30m的区域精度也较高。由此可见改进的模型在保持原模型移植性较好的前提下,模型参数更易解算,反演精度较高,具有一定的适用性。     

基于GeoEye-1影像的自适应浅海水深反演方法

本文基于GeoEye-1影像研究了自适应浅海水深反演方法在甘泉岛附近浅海区域的适用性.GeoEye-1遥感影像经预处理后,通过反射率计算叶绿素浓度进而确定出对数比值模型的参数进行建模,实现无实测数据的多光谱水深反演,并通过实测数据对反演结果进行验证.结果表明:利用自适应水深反演方法对甘泉岛附近浅海区域水深反演精度较高,...     

CatBoost模型在水深反演中的应用

在多光谱遥感水深反演研究中,由于影响反演精度的因素较多,传统的水深反演模型具有一定局限性。机器学习算法在解决非线性高复杂问题上较有优势,将其应用在某些特定区域水深反演可提高反演精度。本文利用Sentinel-2多光谱遥感影像和LiDAR测深数据,以瓦胡岛为研究区域,构建CatBoost水深反演模型,与传统水深反演模型及Boosting中的XGBoost和LightGBM模型的反演精度进行比较。试验结果表明,经过参数优化后的CatBoost水深反演模型的决定系数、均方根误差、平均绝对误差和平均相对误差分别为96.19%、1.09 m、0.77 m和9.61%,准确性最高,效果更佳。     

基于支持向量机和BP神经网络的水深反演研究

根据高空间分辨率Quickbird遥感影像反射率和实测水深之间的相关性,选取相关性较高的反演因子b1/b2、b1/b3和b2/b3建立单因子模型、双因子模型、多因子模型和BP神经网络模型,并对甘泉岛附近20m内的水深进行反演。同时,利用最佳指数因子(OIF)和支持向量机(SVM)对甘泉岛研究区域基于水深颜色分成两类,将分类结果分别提取建立BP神经网络模型并进行水深反演。通过对反演结果对比发现:遥感影像分类前,线性回归模型中多因子线性模型反演精度最高,但比BP神经网络模型稍差。遥感影像分类后,浅海水域BP神经网络模型的反演精度要比分类前的各模型反演精度低,但是,深海区域BP神经网络模型的反演精度最高。     

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。     

ICESat-2与Sentinel-2数据融合的深度学习浅滩水深测量

目前卫星测深(SDB)被广泛应用于近海岸水深测量,然而常用的经验模型较简单,无法适用于各类复杂浅滩环境。为突破传统方法的局限性,本文提出一种ICESat-2与Sentinel-2数据融合的深度学习浅滩水深测量方法。以美国密西西比州猫岛(CI)、巴克岛(BI)为研究区,利用ICESat-2提取先验水深点,再基于Sentinel-2数据训练一维卷积神经网络(1-DCNN)以获取研究区水深图;同时采用波段比值模型(BR)、随机森林(RF)和多层感知器(MLP)作为对比方法进行精度定量分析发现,本文方法在CI、BI测得水深的均方根误差和决定系数分别为0.20 m、0.94和0.95 m、0.95,精度验证优于其他方法,因此该方法提高了水深反演精度。     

遥感定量反演华北平原地区冬小麦含水量

针对现有植被水分反演算法在华北平原地区适用性差、反演精度低、不能实施有效监测的问题,该文基于地面实测冬小麦植被含水量(VWC)数据,基于归一化型和比值型植被水分指数这两种常见的指数类型,提出调节植被水分指数以削弱土壤背景的影响,使用多个波段反射率数据反演VWC,提高拟合精度80%以上,发展适用于华北平原的农作物水分含量反演模型。拟合冬小麦植被含水量的决定系数为0.51,均方根误差为0.95(kg·m^-2)。结果表明:调节植被水分指数能够削弱土壤背景影响,大幅度提高植被水分反演精度;同一种指数计算形式中,在水汽吸收谷内,基于更长波段反射率的植被水分指数反演精度更高;归一化型和比值型植被水分指数在反演精度方面无明显优劣,归一化型植被水分指数反演精度。     

基于多源影像融合去云的水深遥感反演研究——以哨兵-2A和资源三号为例

利用Worldview-2、资源三号、Sentinel-2A、高分一号,以及Landsat-8等5种光学卫星数据和电子海图数据,在研究多光谱遥感水深反演机理以及基本流程的基础上,探究了多源遥感数据去云融合与水深反演。一方面,以不同空间分辨率的影像融合为切入点,用GM融合算法、小波融合探讨不同空间尺度、不同数据源融合影像对水深反演结果的影响,探讨水深反演过程中遥感影像去云融合的可行性。另一方面,以多源遥感水深反演为切入点,基于双波段比值法,反演实验区域20 m以内的水深,并进行精度评价。实验表明,利用小波融合去云可以改善水深遥感反演中有云区域的影响,一定程度上提高反演精度和制图资料的完整性。     

不同尺度反演土壤重金属铜含量研究

采用实测土壤高光谱遥感数据和多光谱遥感影像数据采用单元回归分析法对土壤重金属铜含量建立反演预测模型。利用单元回归分析法分别建立模型,得出高光谱的最佳预测波段是R_(942),模型决定系数R2=0.634,多光谱最佳预测波段为B2,模型决定系数R2=0.625。通过显著性检验,均达到显著水平。结果表明多光谱遥感影像数据在本研究区内具有预测重金属铜含量的能力。     

大气校正对水深遥感反演的影响分析

目前遥感研究应用中的大气校正方法较多,主要有暗目标法、商业软件ENVI FLAASH和考虑地表多次散射的6S法等。这些方法校正后的结果对水深遥感反演影响的区别值得研究。基于此,开展上述3种大气校正方法对水深遥感反演的影响分析。结果表明:6S对应的水深反演精度最高,对应的三波段至八波段平均相对误差介于12%~13%之间,且海岸、蓝、绿和红光4个波段出现的次数较多,表现出明显规律性;其次是FLAASH对应的反演结果,除七波段组合外,平均相对误差均小于40%,其反演精度最高的是双波段组合,平均相对误差为19.77%,同时还表现出蓝光和黄光波段出现频率较高的规律;精度最低的是DOS对应的水深反演结果,其反演精度最高的是四波段组合,平均相对误差为25.17%,波段出现的规律性不明显。     

基于遥感影像的煤矿沉陷区水深反演研究

目前,用遥感研究水深多集中于沿海及内陆水域,煤矿塌陷地水深反演研究很少。本文以徐州九里塌陷湖为例,通过分析水深值与水体反射率的关系,得到各单因子的线性、非线性反演模型,经分析其误差相对较大;选取各水深分段内误差较小的因子,最终建立多元回归模型,其绝对误差、相对误差均优于单因子模型。     

香港地区大气加权平均温度建模与研究

在地基GPS水汽反演过程中,针对因大气加权平均温度的精度而影响大气可降水量计算结果精度的问题,文中采用回归分析方法对香港地区2006-2016年的探空数据进行研究,构建适用于香港地区的单因子以及多因子两种大气加权平均温度计算模型.并使用两种模型分别预测2017年加权平均温度,与多种经验公式结果以及真值进行对比,单因子和多因子模型与真值的偏差在-5～5K范围内分别占比80.72%和85.26%,明显优于其他经验公式;且按季节分别建模对大气加权平均温度计算结果的精度并没有明显提高,但按昼夜分别建模能够使计算结果的精度得到明显的提高.因此为了能够使水汽反演计算时的精度得到提升,应当使用当地多年的探空气象资料构建适用于当地的加权平均温度计算模型,对于提高GPS反演大气水汽总量的精度具有重要意义.     

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。     

融合PSO-SVM的混凝土拱坝多测点变形监控混合模型

针对混凝土拱坝单测点变形监控模型难以合理表征拱坝空间变形场协同响应特性以及传统回归方法诠释环境量与大坝变形间的复杂函数关系具有明显局限性问题,提出了融合粒子群算法优化与支持向量机（particle swarm optimization-support vector machine,PSO-SVM）的混凝土拱坝多测点变形监控混合模型。基于单测点变形监控模型构建方法,引入空间坐标并利用有限元方法计算水压分量,进而借助PSO-SVM良好的非线性处理能力对环境量与大坝变形序列进行建模和预测,从而构建了融合PSO-SVM的混凝土拱坝多测点混合模型。工程实例分析表明,所建模型具有较好的多测点变形性能分析能力,较单测点统计模型具有良好的拟合及预报精度,可有效反映大坝服役的整体安全性态。此外,所提理论和方法经一定的改进和拓展,亦可推广应用于其他水工建筑物性态安全监控模型的预报分析。     

二次CUBE滤波算法及在边坡乱石区测深数据处理中的应用

针对传统CUBE（combined uncertainty bathymetry estimation）算法在水下边坡乱石区多波束测深数据滤波中表现出的水深估计不准确、地形特征模糊和粗差剔除能力不足等问题,基于乱石区测深数据特点,提出二次CUBE滤波算法,给出了位置和水深同步估计的思想和方法、顾及地形梯度的平面和水深不确定度传递模型、参考水深的多重估计和优选新算法,以及顾及地形梯度的二次水深估计模型,综合实现了乱石区水深的准确估计和粗差的自动准确检测。试验表明,本文给出的方法实现了粗差的自动准确剔除,提高了传统CUBE算法水深估值的精度,算法效率和抗差性更强,形成的地形特征更加准确。     

青岛地区CORS反演水汽中大气加权平均温度模型的建立

作为区域连续运行参考系统(CORS)反演大气可降水量的关键参数——大气加权平均温度,时空特性明显。为了提高区域CORS反演大气可降水量的精度和可靠性,利用青岛探空站2009-2011年3年的探空数据,分析得到地表温度Ts与加权平均温度Tm的相关系数R为0.877 6,为强线性相关;采用回归分析建立了青岛地区加权平均温度模型;利用该模型计算青岛地区2012年加权平均温度,与由探空数据计算的加权平均温度的平均偏差、标准差和均方根误差分别为0.307 K、3.359 K和3.384 K;将该模型应用在青岛CORS反演大气可降水量的计算中,与临近探空站计算的大气可降水汽相比,平均偏差、标准差和均方根误差分别为0.70 mm、3.48 mm和3.53 mm.研究表明,应用区域探空数据建立加权平均温度模型具有可行性,并可以在一定程度上提高区域CORS反演大气可降水量的精度和可靠性。      

江苏近海岸水深遥感研究

以江苏近海辐射沙脊群海域为典型研究区,通过实测水深数据和水体光谱测量与分析,发现对应TM3和TM4波段的水体光谱反射率对水深信息敏感,线性相关系数分别达到-0.561和-0.694。结合多光谱遥感信息传输方程所推导出的水深信息对数反演模式,针对本研究区TM4和TM3波段数据所建立的水深预测模式的复相关系数R2为0.4793,对0-15m水深,预测水深和实测水深之间拟合较好。利用TM5波段反射率、出露沙洲反射率以及海水反射率的差异,通过建立掩膜图像,可较有效地对TM遥感图像进行水陆分离,提取TM图像中海水部分,进一步可通过常用的图像处理软件绘制每隔5m的TM水深遥感制图、等深线图。随着高空间、高光谱、高辐射分辨率遥感技术的发展,对浅海水域的水深和水下地形进行遥感探测的技术方法和应用将会不断地深入开展。     

利用BDS数据反演大气可降水量及其精度分析

随着GAMIT软件版本的不断更新,对BDS数据基线解算已成为可能。本文提出了一种基于GAMIT软件的BDS大气可降水量反演方法,并对利用探空数据计算得到的大气可降水量与GPS数据反演结果进行精度验证。结果表明,通过BDS反演得到的大气可降水量与探空数据计算结果之间的平均相对误差、均方根误差均小于2 mm,相关系数大于0.98;与GPS反演结果之间的平均相对误差、均方根误差均小于3 mm,相关系数大于0.96。BDS反演结果精度较高,基本能够满足气象需要。     

Evaluation of optical remote sensing-based shallow water bathymetry for recursive mapping

Water depth estimation using optical remote sensing offers a reliable and efficient means of mapping coastal zones. Here, we aim to find a suitable model for fast and practical bathymetry of an estuary using Indian Remote Sensing Satellite (IRS) Linear Imaging Self Scanning Sensor (LISS-3) images. The study examines three different models; (1) least square regression model, (2) spectral band-ratio method and (3) multi-tidal bathymetry model. The findings are supported with in situ observed depth values and statistical estimates. Although the least square regression model has provided best results with root mean square error (RMSE) of 0.4 m, it requires a large number of observed data points for absolute depth estimation. Spectral band-ratio and multi-tidal model provides results with RMSEs 2.1 and 0.9 m, respectively. The present investigation demonstrates that multi-date imagery exploitation at disparate tide levels is the best estimation technique for recursive shallow water bathymetry where in situ observation is not possible.