论文部分内容阅读
渤海湾为重度富营养化海域。叶绿素浓度是水质评价的一个重要因子,能够用来检测水体的污染状况和水体富营养化程度。遥感的方法对海域叶绿素浓度进行监测具有实时、范围广等特点,因此需要建立有效的叶绿素浓度遥感反演方法对渤海湾叶绿素浓度进行监测。本文的主要的工作内容及研究结果如下:(1)数据预处理。对CTD实测数据进行预处理,获取渤海湾采样点表层叶绿素浓度。下载与渤海湾实测叶绿素浓度数据时间同步的GOCI和MODIS数据,对遥感数据进行预处理,包括大气校正、几何校正、图像裁剪等工作。(2)利用GOCI数据建立线性回归和BP神经网络模型,20组数据用于建立模型,12组数据用于验证模型。使用逐步回归分析法建立线性回归模型,构建了 30个波段组合作为变量,通过显著性检验引入3个变量,建立线性回归方程。通过设置不同输入数据和隐含层节点数,设计了 29种BP神经网络结构,通过验证对比选择最佳BP神经网络。使用实测数据对基于GOCI的线性回归模型、BP神经网络模型和三种业务算法进行验证,结果表明基于实测数据建立的线性回归和BP神经网络模型精度比业务算法高;BP神经网络算法的反演精度是基于GOCI数据的叶绿素反演模型中精度最高,该模型是以GOCI遥感图像8个波段的数据作为输入数据,隐含层节点数为13个的三层BP神经网络,绝对百分比误差为27.93%。(3)利用MODIS数据建立线性回归和神经网络模型,22组数据用于建立模型,13组数据用于验证模型。构建了 24种多波段组合作为变量,通过显著性检验引入1个变量,使用逐步线性回归法建立了回归方程。通过设置不同输入数据和隐含层节点数,构建了 18种BP神经网络结构,通过验证对比选择最佳BP神经网络模型。使用实测数据对基于MODIS的线性模型、BP神经网咯模型和业务/经验算法进行验证,结果表明BP神经网络模型的反演精度最高。通过两种传感器反演方法的对比验证表明,对渤海湾叶绿素浓度反演不能简单的采用业务算法;BP神经网络算法具有非线性回归能力,其反演精度比线性回归高;本文建立的适用于渤海湾叶绿素浓度反演的最佳模型为基于GOCI数据构建的BP神经网络模型。(4)基于GOCI数据建立的BP神经网络模型反演结果中出现了无效数据,因此提出了一种改进的双线性插值方法对数据进行处理。该方法可实现反演结果中无效值的重采样,增加了有效数据数量,保证了反演数据的连续完整,避免了大量有价值信息的丢失。