基于季节分异的太湖叶绿素浓度反演模型研究

叶绿素浓度反演算法主要有经验方法、半经验/分析方法和分析方法,其中半经验/分析方法应用最为广泛。但是反演的模型以及模型中的参数和反演精度都随着水体中叶绿素浓度的变化而改变。不同的季节水体中叶绿素浓度不同,水体反射光谱曲线特征和与叶绿素浓度相关性较高的敏感波段也不一致,使得各季节选用的反演模型和模型中的参数也存在一定的差异。本文在对2005年1—10月份叶绿素a（Chla）浓度季节差异进行分析的基础上,对4—10月份同步测量的水体光谱数据分春、夏、秋三个季节进行分析,分季节建立叶绿素浓度反演模型,并对它们进行比较,旨在为各季节选择最佳的反演模型。研究结果表明：春季和秋季选用波段比值算法反演精度较高,其中对数模型,线性模型和一元二次模型都有较高的相关性;夏季选用微分算法较好,该算法所建立的三种模型均具有较高的相关性。     

天津滨海新区地表水悬浮物浓度遥感反演研究

针对传统的实地地表水水质监测测量方法费时费力,且存在监测布设点有限,无法反映水质的时空变化情况等问题,该文以天津滨海新区的Landsat-8卫星影像作为数据源,将实地水样采集、实验室测量分析和遥感影像不同波段像元亮度值结合,对滨海新区海河水体的悬浮物浓度,分别建立基于统计回归和神经网络的两种经验算法反演模型。结果表明,神经网络模型的反演结果能较准确地反映实际水体的悬浮物浓度分布情况,为该地区地表水水质监测提供一种可行的解决方案。     

太湖悬浮物浓度的MODIS影像估测研究

通过研究,发现在大样本(N=335)的情况下MODIS 500 mB1-B3与太湖悬浮物浓度具有较好的线性关系(R2=0.659)。同时,运用实测光谱深入分析悬浮物的敏感波段,进一步揭示了采用B1-B3估测的理论依据,并建立了适用于各个季节的太湖悬浮物通用遥感估测模型。     

基于BP神经网络的遥感影像压缩质量评价动态模型

采用BP算法,根据评价指标建立遥感影像压缩质量等级评价模型,达到了利用客观质量测度参数实现主观质量评价的目的,并可动态改进模型,实验结果证明了该模型的有效性。     

基于BP神经网络的霍普菲尔德模型改进研究

为了分析对流层延迟的时空变化规律、提高对流层延迟的改正精度,利用BP神经网络处理非线性问题的优势,改进传统的霍普菲尔德模型得到一种新的融合模型(Hop+BP模型)。分别对比Hop+BP模型与传统的霍普菲尔德模型、多元线性回归模型、BP神经网络等模型的计算结果,得到如下结论:霍普菲尔德模型存在一个明显的系统误差,精度较低;多元线性回归的预测精度有所提高,但是其本质是将数据强制拟合,缺少物理解释,难以推广使用;传统的BP神经网络的计算精度较之霍普菲尔德模型有80%的提高,但存在明显的不稳定性;Hop+BP模型具有预测精度高、稳定性好等优点,预测中误差为1.1cm,明显优于传统方法。     

利用高光谱数据估算太湖水体CDOM浓度的神经网络模型

利用2007-11-08~2007-11-21 14 d时间对太湖74个样点进行了水质取样分析和波谱实测。在分析水体固有光学特性的基础上,确定了CDOM浓度遥感反射比的敏感波段,建立了湖泊水体CDOM浓度反演的神经网络模型。结果表明,隐含层节点数为10的神经网络模型在各神经网络模型中效果最佳。利用验证样本对神经网络模型和其他算法模型进行误差分析,发现神经网络模型更适用于湖泊水体。     

基于BP神经网络的高分辨率遥感影像分类

为了能有效地从高分辨率遥感影像中提取地物信息,本文通过影像的光谱和纹理特征,利用BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源,然后根据影像和地物特征,建立BP神经网络,用于样本训练和分类处理,实现地物分类。为验证该方法的可靠性,以2006年11月获取的成都平原某区域的Quickbird影像为实验数据,进行高分辨率遥感影像的地物分类实验。实验结果表明,结合影像光谱和纹理特征的BP神经网络分类算法,不仅可以有效保证BP神经网络分类训练的稳定性和收敛速度,还能达到较高的分类精度。     

基于改进BP神经网络的遥感图像分类研究

本文针对基于传统BP神经网络方法的遥感图像分类存在学习速度慢、易陷入局部最优解的问题,提出基于遗传算法的改进BP神经网络结构,以提高遥感图像分类精度。本文基于遗传算法确定权值和神经元数目完成对BP神经网络的模型优化,最后通过宣城市遥感信息图像处理实例,对最大似然、传统神经网络以及改进BP神经网络三种方法的分类结果定量分析,结果表明改进的BP神经网络方法分类精度最高。该改进方案对遥感图像的信息提取提供了新的思路。     

Sentinel-3 OLCI数据的内陆湖泊有机悬浮物浓度遥感估算

有机悬浮物OSM (Organic Suspended Matter)是湖泊有机碳库的重要组成成分,对研究湖泊生态环境和初级生产力具有重要意义.本研究以太湖、巢湖、涌湖、小兴凯湖、滇池、洪泽湖、呼伦湖和南漪湖8个内陆湖泊为研究区,发展了适合内陆水体的有机悬浮物浓度遥感估算方法.基于B6、B7波段的斜率和B10、B11波...     

基于BP神经网络的昆明天顶湿延迟模型

为了满足昆明市卫星定位综合服务系统(KMCORS)对高精度天顶湿延迟(ZWD)的需要,本文开发了适用于昆明地区的ZWD模型KM。KM模型是根据昆明探空站2015-2018年的探空资料,基于误差反向传播(BP)神经网络建立的,同时采用2019年的探空数据,验证了KM模型的预测性能。测试结果表明,与广泛使用的SA模型相比,KM模型的RMSE由4.0 cm降至2.2 cm,精度提升了45%;KM和SA模型的Bias分别为0和-3.1 cm。该结果表明KM模型对ZWD估计具有无偏性,而SA模型在高原区存在过度估计的问题,KM模型具有比SA经验模型更优的预测性能,其应用将有助于提升KMCORS的服务质量。     

基于高光谱遥感反射比的太湖水体叶绿素a含量估算模型

旨在寻找叶绿素a的高光谱遥感敏感波段并建立其定量估算模型。通过对太湖水体的连续监测，获得了从2004年6月到8月3个月的太湖水体高光谱数据和水质化学分析数据。利用实测的高光谱数据分析计算太湖水体的离水辐亮度和遥感反射比；然后，通过相关分析寻找反演叶绿素a浓度的高光谱敏感波段，进而建立反演太湖水体叶绿素a浓度的高光谱遥感定量估算模型，并用相关数据对模型进行精度分析。研究发现，水体的遥感反射比光谱在719nm和725nm存在两个峰，其中719nm处的峰更明显且稳定。通过模型的对比分析，发现用这两个峰值处的遥感反射比参与建模可以提高叶绿素a的估算精度；并且认为由反射比比值变量R719／R670所建立的线性模型对叶绿素a浓度的估算精度最理想。     

辐射沙脊群海域悬沙场遥感反演方法

利用2006年江苏908调查水文泥沙测验数据和同期MODIS影像建立遥感定量反演模式,获取了半个潮周期的悬沙场以及全潮平均悬沙场,进行了辐射沙脊群海域悬沙场遥感反演方法的研究,并结合悬沙数学模型对结果进行了验证。研究表明,在辐射沙脊群海域,敏感参数(B1-B4)/(B1+B4)的对数模式反演悬沙场精度较高;遥感反演结果在总体上与数学模型计算结果相似,悬沙高值区主要分布在弶港、废黄河口和长江口附近;在细节上比数学模型表现得更精细,能清晰地反映河口、沙洲、水道等地貌对悬沙分布的影响。     

基于BP神经网络法的地表变形监测

利用三维激光扫描技术监测地表变形时,需要对大面积的地形点云数据重建地面曲面。针对点云数据的海量性,提出利用BP神经网络的方法进行曲面重建,分别模拟出两期点云数据的曲面及两期点云数据的下沉曲面。实验结果表明,该方法对海量数据的曲面重建精度较高,并能提取变形信息,具有较高的使用价值。     

基于BP神经网络的GPS导航算法

GPS导航解算中常用最小二乘算法。随着高动态用户需求精度的不断提高，且由于线性化忽略高次项，初始值精度低以及差分后剩余或放大误差的存在。导航解精度很难满足高动态用户的需求。为此，本文基于BP神经网络的非线性逼近性能。给出了基于BP神经网络的GPS导航算法。实测数据计算结果表明该算法能够真实地反映载体运动轨迹，其导航解的精度和可靠性有明显的提高。     

应用BP神经网络评价大气环境质量

采用了ＢＰ神经网络对湖南省汨罗市大气环境质量进行了评价。实践表明，这种方法有其通用性和客观性。     

基于L-M算法的BP神经网络分类器

以TM图像为例,讨论了基于Levenberg-Marquardt(L-M)算法的BP神经网络分类器及其在遥感图像分类中的应用。LM算法是梯度下降法与高斯牛顿法的结合,由于利用了近似的二阶导数信息,LM算法比梯度法快。就训练次数及准确度而言,LM算法明显优于变学习率法的BP算法。     

河口表层悬浮泥沙气象卫星遥感定量模式研究

根据多时相NOAA AVHRR卫星遥感数据和准同步实测表层含沙量资料，分别利用经暗像元大气校正的遥感图像灰度值、R1－R2相关关系曲线的斜率，以及泥沙指数等参数，建立泥沙遥感定量模式（灰度法、斜率法和泥沙指数法），并对3种模式的效果和适用性进行了比较。灰度法由于只用了单个波段的光谱信息，模式的相关性较差；斜率法通过计算R1－R2关系曲线的斜率，达到大气校正的目的。但由于在泥沙浓度交界面存在斜率值跃变现象，会影响最终效果；泥沙指数法综合运用了Ch1,Ch2波段的光谱信息，模式的相关性较好，可获得层次丰富泥沙图像。