| 黄东海二类水体三要素浓度反演的神经网络模型 |
| |
| 引用本文： | 唐军武,丁静,田纪伟,宋庆君,王晓梅,吴奎桥. 黄东海二类水体三要素浓度反演的神经网络模型[J]. 高技术通讯, 2005, 15(3): 83-88 |
| |
| 作者姓名： | 唐军武 丁静 田纪伟 宋庆君 王晓梅 吴奎桥 |
| |
| 作者单位： | 国家卫星海洋应用中心,北京,100081;国家卫星海洋应用中心,北京,100081;中国海洋大学物理海洋实验室,青岛,266003;中国海洋大学物理海洋实验室,青岛,266003 |
| |
| 基金项目： | 863计划 (2 0 0 1AA63 60 10 ,2 0 0 1AA63 70 10 /70 3 0 ,2 0 0 2AA63 95 80 )资助项目 |
| |
| 摘 要： | 根据 2 0 0 3年春季黄东海水色联合试验中获取的高质量现场数据 ,建立了由遥感反射率反演三要素浓度的神经网络 (NN)模型 ,并将NN模型与经验统计算法的结果进行了比较。提出了两种NN算法 ,一种是同时反演三要素浓度 ,另一种是一个NN模型只反演一种成分。三要素浓度同时反演的NN模型精度不及经验统计算法 ,平均相对误差分别为叶绿素 4 4.4 % ,总悬浮物 4 0 .5 % ,黄色物质 4 8.8%。独立反演叶绿素和总悬浮物浓度的NN模型精度稍高于经验统计算法 ,平均相对误差分别为叶绿素 32 .5 % ,总悬浮物2 9.4 %。NN模型的不同输入波段组合可反映出黄、东海水色三要素对不同光谱波段的灵敏度。误差敏感性分析表明 ,单独反演总悬浮物和黄色物质浓度的NN模型对输入信号的± 5 %波动不敏感 ,误差变化与统计算法相当。单独反演叶绿素浓度的NN模型对输入信号± 5 %波动的一种情况较为敏感。本文提出的NN模型是在可信的现场数据集训练下得到的可初步应用的结果。
|
| 关 键 词： | 二类水体 黄、东海 三要素浓度反演 神经网络(NN)模型 经验统计算法 |
Neural network models for the retrieval of chlorophyll, total suspended matter, and gelbstoff concentrations of case-II waters in Yellow Sea and East China Sea |
| |
| Tang Junwu,Ding Jing,Tian Jiwei,Song Qingjun,Wang Xiaomei,Wu Kuiqiao. Neural network models for the retrieval of chlorophyll, total suspended matter, and gelbstoff concentrations of case-II waters in Yellow Sea and East China Sea[J]. High Technology Letters, 2005, 15(3): 83-88 |
| |
| Authors: | Tang Junwu Ding Jing Tian Jiwei Song Qingjun Wang Xiaomei Wu Kuiqiao |
| |
| Abstract: | |
| |
| Keywords: | case-II water algorithms neural network (NN) models the Yellow Sea and East China Sea retrieval of three-component concentrations |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
|
