新庙泡叶绿素a浓度高光谱定量模型研究

利用吉林省新庙泡的高光谱实测数据和水质采样分析数据,尝试通过单波段、波段比值、一阶微分和峰谷间距法建立叶绿素a反演模型。结果表明:单波段光谱反射率与叶绿素a浓度的相关性较差,不宜用于该区域的叶绿素a浓度估算;680 nm和700 nm波段反射率之比、700 nm处光谱一阶微分值和两波段峰谷间距反演模型都具有较高的决定系数,分别为0.783 4、0.792 7、0.796 9,验证模型的决定系数为0.651 3、0.431 7、0.756 4,均方根误差分别为8.69μg·L-1、14.50μg·L-1、10.04μg·L-1,显著水平P<0.01。这3种方法皆可以用于新庙泡叶绿素a浓度的定量遥感,其中又以峰谷间距法为最优。     

基于HJ-CCD的漫湾坝区河流悬浮物浓度遥感反演

坝区河流悬浮物浓度监测对于评估水利水电工程对河流水质影响具有较大的意义。HJCCD重返周期短、空间分率高等优点,应用于漫湾这种中小尺度坝区水体悬浮物浓度监测有着重要的现实意义。大气校正采用暗像元、FLAASH以及QUick Atmospheric Correction(QUAC)几种常见的基于图像的大气校正方法。大气校正结果表明:暗像元法效果较好,其第2波段和第3波段的平均相对误差分别为16.1%和17.9%。然后,应用其大气校正较好的波段构建适用于研究区的悬浮物浓度反演模型。结果表明,该模型的决定系数为0.92,均方根误差(RMSE)为4.83mg/L,平均相对误差为33.1%。最后,将此反演模型应用于2014年影像质量较好的HJCCD数据上,得到了其悬浮物浓度空间分布图,反映了漫湾坝区附近的悬浮物浓度的变化规律。     

应用Landsat TM影像估算渤海叶绿素a和总悬浮物浓度

利用23个实测样点的渤海叶绿素a和总悬浮物浓度数据及同步Landsat TM影像数据,分别分析了Landsat TM离水辐射亮度对渤海叶绿素a和总悬浮物浓度的敏感性,选择合适的波段,通过回归分析构建了基于Landsat TM离水辐射亮度的渤海叶绿素a和总悬浮物浓度反演模型。结果表明,TM1、TM2和TM3波段对叶绿素a的敏感性较高,以TM4/TM1和TM3/TM2的对数为自变量,以叶绿素a浓度的对数为因变量的线性估算模型可以有效反演渤海叶绿素a浓度,决定系数R2达到0.97;TM3波段对悬浮物的敏感性最高,以TM2、TM3和TM3/TM2为自变量,以总悬浮物浓度的以10为底的对数为因变量的多元线性模型获得的结果最佳,决定系数R2达到0.91。     

清河水库叶绿素a浓度反演模型研究

针对无法及时、准确获取清河水库叶绿素a浓度情况,提出比值线性回归模型与最小二乘支持向量机两种遥感反演模型对清河水库叶绿素a浓度进行预测。通过SPSS软件分析计算OLI数据的单波段及波段组合与叶绿素a浓度之间的相关关系,选取相关系数最大者分别构建比值线性回归模型和非线性的最小二乘支持向量机模型(LS-SVM),对清河水库叶绿素a浓度进行了遥感定量反演研究。结果表明,相比于比值线性回归模型,LS-SVM模型更适用于清河水库叶绿素a的反演研究。LS-SVM模型将预测值与实际值的可决系数R2从0.635提高到0.966,均方根误差从4.83减小到2.67,平均相对误差从16.43%减小到7.21%,利用LS-SVM模型对叶绿素a浓度的反演精度显著提高。     

基于QAA算法的昆承湖固有光学量反演模型

基于2010年4月在昆承湖采集的野外实验数据,建立了适用于昆承湖的QAA固有光学量反演模型。结果表明:该模型可以得到较高精度的反演结果。所有验证点在411~700nm波段范围内,反演总吸收系数和实测总吸收系数的决定系数R2都高于0.984,平均相对误差ε都低于14.5%。在440、488和532nm 3个波段处,总吸收系数反演值和实测值决定系数R2分别为0.655、0.742和0.826,平均相对误差ε分别为6.5%、3.6%和3.4%,精度较高。反演后向散射系数与和参考后向散射系数在440、488和532nm处均具有较好的相关性,且532nm处反演后向散射系数与实测总悬浮物浓度决定系数为0.624,呈正相关,反演后向散射系数具有一定的可信度。该模型能够为昆承湖固有光学量的反演提供一条有效途径。     

高光谱数据预处理对大豆叶绿素密度反演的作用

针对高光谱数据异常值影响叶绿素密度反演精度的问题,以大豆叶片为研究材料,利用马氏距离和蒙特卡洛交叉验证法(Monte Carlo cross validation,MCCV)剔除异常样本,探讨13种高光谱数据预处理方法对叶绿素密度偏最小二乘法(partial least square,PLS)建模的影响。结果表明,马氏距离法和MCCV剔除异常样本能提高校正模型的精度,在权重系数为1时剔除异常样本数3个,模型精度最高,校正集决定系数和均方根误差分别为0.821和0.112。微分处理能大幅度提高模型的预测精度,二阶微分处理效果最好,校正集决定系数和均方根误差分别为0.998和0.012,验证集决定系数和均方根误差分别为0.961和0.139,具有比原始光谱更高的精度。因此,适宜的高光谱数据预处理可有效提高大豆叶绿素密度估测精度。     

利用MODIS数据反演南海南部海表温度及时空变化分析

南海海水表面温度对中国陆地的气候变化具有显著的影响。以南海南部海域为例,首先对MODIS基础数据进行几何校正及影像去云等预处理,利用辐射传输模型MODTRAN计算大气透过率,利用MODIS数据第31和32波段辐射亮度值计算亮度温度,采用劈窗算法反演南海南部海域海表温度,反演结果与产品及实测数据进行回归分析,采取决定系数（R ²）、误差平方和（SSE）及均方根误差（RMSE）进行拟合情况评价。决定系数（R ²）大于0.8,SSE、RMSE较小,其中反演结果与实测数据的SSE为1.025,RMSE为0.158,说明反演精度良好。研究表明:温度具有明显的区域和季节变化特征,秋冬较低,春夏较高,在空间上从离近岸向中心海域方向递减,海盆中心温度低。温度受气候的影响,与厄尔尼诺现象呈正相关,与拉尼娜现象呈负相关。     

扎龙湿地龙泡子水深的高光谱建模研究

以扎龙湿地龙泡子为研究区,用实测高光谱数据和同步测量的水深数据,建立湿地湖泊的水深反演模型。通过分析水体反射率的一阶微分与水深之间的相关性来选取水深反演因子,建立了水深反演单波段模型和多波段模型,以波长832.05、839.87、809.08和774.76 nm建立的多波段线性模型效果较好,相对误差为5.90%,均方根误差为10.869 cm。湿地内影响因素较复杂,要深入研究水中杂质和水体底质的光谱特征才能进一步提高反演模型精度。     

基于资源一号02D高光谱卫星影像的青海湖悬浮物浓度反演研究

水体悬浮物浓度是描述水体光学特性的一个重要参数。卫星遥感具有大范围、快速、高频次动态监测的优势,有助于加强对青海湖水环境质量的监测,降低监测成本。而资源一号02D(ZY1-02D)卫星高光谱影像作为新的数据源,具有高空间分辨率、高光谱分辨率的优点,为湖泊的水质高精度监测提供了可能性。为了验证ZY1-02D高光谱相机在水质遥感监测应用中的适用性,以ZY1-02D高光谱影像为遥感数据源,同时辅助实测数据,构建青海湖悬浮物浓度反演模型,并进行精度验证,评价模型的准确性,最后将模型应用于青海湖悬浮物浓度反演。研究结果表明：青海湖悬浮浓度反演模型平均相对误差为21.1%,均方根误差为0.296 mg/L,精度较好,青海湖悬浮物浓度反演结果呈现湖心低岸边高的特征,与同期Sentinl-2和同期Landsat 8数据反演结果进行对比,反演结果保持一致,说明ZY1-02D高光谱影像能够作为悬浮物浓度遥感反演的数据源之一。     

基于TM影像的太湖夏季悬浮物和叶绿素a浓度反演

利用2006年8月1日陆地卫星TM数据与7月29日～8月1目的同步湖面采样数据,分析了典型站点反射率光谱特征,建立悬浮物和叶绿素a的反演模型。结果表明悬浮物的变化主要影响TM第2和第4波段,叶绿素a则主要影响TM第3、第4波段。TM4波段与悬浮物具有较高的相关度,利用TM4波段、3&#215;3像元窗口能较好反演出悬浮物浓度。植被指数NDVI（（TM4-TM3）／（TM4＋TM3））与叶绿素a浓度有较高的相关度,基于5&#215;5像元窗口的植被指数NDVI能很好的反演出太湖叶绿素a浓度,但不能很好地区分出水华和水草。2006年夏季,太湖悬浮物的分布特点为河口区、梅梁湾、西北近岸区最高,其次是湖心区,东太湖、胥口湾和南面的湖州附近湖区浓度最低。叶绿素a分布情况为最高的点出现在梅梁湾口、竺山湾西北部沿岸区以及西太湖近岸区;湖的大部分边缘区即与陆地交接处,叶绿素a的浓度也偏高;南面的湖州附近以及西山岛北面部分湖区叶绿素a浓度最低。而东太湖、胥口湾附近叶绿素a偏高则主要是由该水域沉水植被的发育造成的。     

Evaluation of the Geostationary Ocean Color Imager (GOCI) to monitor the dynamic characteristics of suspension sediment in Taihu Lake

To accurately observe the dynamic concentration of total suspended matter (C_TSM) by geostationary satellite, Geostationary Ocean Color Imager (GOCI), a new, regionally empirical combination algorithm, was developed based on the in situ measurement of water properties. Also, the ability of GOCI (with a 1 h temporal resolution) to capture dynamic change in C_TSM was evaluated using in situ buoy-measured data. The validation results indicate that the combination algorithm (combination of two- and three-band ratio algorithms) can achieve acceptable retrieval results for C_TSM, with 34.52% root mean square error percentage (RMSP) for validation data and 45.01% RMSP for GOCI match-up points. The depth of reflectance valley at 680 nm (R_rs-depth,680) is considered as an index for deciding whether to utilize a two- (R_rs-depth,680 ≤ 0.005) or three-band (R_rs-depth,680 > 0.005) algorithm in the combination algorithm. This combination algorithm overcomes some shortcomings of two- and three-band ratio algorithms of C_TSM in turbid productive water. The results show that sediment resuspension will significantly change the optical properties of water and decrease the universality of the C_TSM retrieval algorithm in the presence of a large area of algae. The influence of sediment resuspension on the C_TSM retrieval algorithm is significant in the central lake but less so in the other four lakes studied due to lake morphology and algal biomass.     

三江源区不同土壤类型有机质含量高光谱反演

近年来高光谱遥感技术被广泛运用于土壤有机质含量反演的研究中。基于三江源区玉树县和玛多县采集的146个土壤样品的室内ASD FieldSpec 4实测光谱数据及4种变换形式,利用偏最小二乘回归(PLSR)和人工神经网络(ANN)建立土壤有机质含量高光谱预测模型。结果表明:ANN模型反演土壤有机质含量的整体精度高于PLSR模型,总均方根误差均在17.51以下;但是,不同土壤类型的最佳反演模型及指标却有所差异:高山草甸土和沼泽土的最佳反演模型和指标均为ANN模型和BD指标,模型总均方根误差分别为10.29和3.29;高山草原土的最佳反演模型是PLSR模型,最佳指标是REF指标,模型总均方根误差为5.59;山地草甸土的最佳反演模型为PLSR模型,最佳指标为BD指标,模型总均方根误差为4.68。研究发现,利用ANN模型和PLSR模型都能较好地预测三江源区4种土壤类型的有机质含量,而波段深度则是该区域的最佳反演指标。     

基于Hyperion影像的高光谱水汽含量反演的算法比较研究

基于高光谱遥感图像数据的大气参数反演和一体化辐射校正具有重要研究意义和应用价值。首先,通过6S模型辐射传输计算分析了EO-1/Hyperion遥感影像在940和1 130nm附近水汽吸收区域的光谱吸收特点。其次,采用两通道比值法和三通道比值法,比较了不同波段组合的大气含水量高光谱遥感反演精度并进行了敏感性分析,模拟实验结果表明采用三波段比值算法的相关系数和均方根误差均优于对应的两波段算法。最后,利用张掖地区2008年3景EO-1Hyperion高光谱遥感影像,反演了大气含水量,并与地基CE-318太阳分光光度计测量数据进行对比验证,结果表明:1 124nm水汽吸收通道反演精度优于940nm,两通道和三通道比值法的均方根误差分别为0.369和0.128g/cm2,三通道比值方法优于两通道比值方法,与地面观测结果一致。     

Suspended particulate matter in Lake Erie derived from MODIS aquatic colour imagery

This paper explores the use of Moderate Resolution Imaging Spectroradiometer (MODIS) wavebands in the red/near-infra-red for estimating concentrations of suspended particulate matter (SPM) in the moderately turbid, optically complex waters of Lake Erie. Observations show that at wavelengths shorter than 550 nm, more than 50% of the absorption signal is accounted for by dissolved organic matter and phytoplankton, confirming that algorithms incorporating these wavelengths may not be appropriate for these waters. Single band and band ratios at wavelengths greater than 667 nm are tested for their suitability for monitoring SPM concentrations in these waters. A simplified regional semi-analytical model is utilized which is independent of variations in dissolved organic matter and chlorophyll absorption, enabling estimates of SPM concentrations from MODIS water-leaving radiance at 748 nm with an average root mean square (RMS) error of 40%. Knowledge of the vertical distribution of particles enables estimates of total water column suspended loads which are then related to wind re-suspension events. The method is applied to MODIS water-leaving radiance at 748 nm to produce a time series of surface and total water column suspended loads in Lake Erie for the period 2003–2007.     

基于随机森林和遥感的台风降水云光谱与降水关系研究

台风降水云系的云顶光谱-微物理信息与降水强度的变化密切相关,是卫星遥感定量反演降水的重要参数。以2001—2012年西北太平洋的7个典型超强台风和5个非超级台风为研究对象,基于热带测雨卫星搭载的测雨雷达与可见光红外扫描仪的融合资料,建立了降水云顶光谱-微物理参数反演台风降水的随机森林（RF）模型。结果表明：随机森林模型的交叉验证显示,反演的降水强度与观测的降水强度的相关系数为0.773,均方根误差为0.299 mm/h,表明该模型具有较高的降水反演精度。在随机森林构建过程输入的所有云顶光谱—微物理参数中,3.7 μm云顶亮温对模型的方差贡献最大,重要性最高;而由于台风中心云系整体均发展旺盛且云顶较高,10.8 μm云顶红外通道亮温以及云光学厚度、云水含量对模型的方差贡献较小,重要性低。     

基于卷积长短时记忆网络的CPI预测

针对消费价格指数（CPI）的预测值滞后于真实值的现象,提出一种基于卷积神经网络-长短期记忆（CNN-LSTM）深度网络的CPI预测模型,预测结果相较于传统方法有较小的均方根误差和平均绝对百分比误差,且预测结果的定向精度和Pearson相关系数显著高于传统方法。用卷积神经网络-长短期记忆深度网络学习期货数据的空间特征和时间特征,动态定量预测每日CPI的变化情况。为有效提高深度网络训练的样本数量,对月度CPI数据进行数据增强。通过滑动时间窗口动态训练模型,预测2019年1月至2020年5月CPI变化情况。模型预测CPI取得了较高的准确率,在基于日级别数据进行CPI预测时具有明显优势。     

基于积雪调查数据的东北地区被动微波积雪遥感产品精度验证与分析

积雪遥感数据产品可以提供积雪的时空分布信息,是积雪监测的重要数据源。对现有的不同遥感产品进行精度验证和对比分析,明确其适用范围,有利于积雪数据产品的进一步发展和应用。为验证积雪产品在东北地区的适用性,以中国积雪特性及分布调查项目为依托,精心设计野外实验,观测了东北地区25 km典型样方和积雪线路调查数据,验证了在阔叶林和农田两种下垫面下,FY-3B雪深产品、AMSR-2雪深产品、GlobSnow雪水当量产品在东北地区的反演精度。结果表明：GlobSnow雪水当量产品精度最高,不区分下垫面的情况下,最大偏差和均方根误差分别为10.87 cm和12.53 cm。考虑下垫面的影响,GlobSnow雪水当量产品和FY-3B雪深产品在两种下垫面下的雪深反演精度差别很小,偏差和均方根误差的差值小于2.11 cm和3.46 cm,AMSR-2积雪产品在两种下垫面下反演精度差别很大,两种下垫面下偏差和均方根误差的差值大于9.94 cm和7.19 cm。对于3种积雪产品,下垫面为农田的雪深反演精度均高于下垫面为阔叶林的反演精度。