论文部分内容阅读
水体富营养化是全球性的环境问题之一,我国几乎所有的城郊湖泊都面临不同程度的富营养化问题,因此湖泊水质遥感监测已经越来越引起政府和公众的注意,叶绿素a存在于所有的藻类中,其浓度是反映水体营养化程度的一个重要参数,叶绿素a浓度的定量反演是水质遥感研究的重要内容之一。本文在总结分析国内外叶绿素a含量遥感估算已有的理论、技术和方法的基础上,选用估算复杂水体水质参数具有很大潜力的神经网络技术,利用2007年11月,2008年5月和2008年10月的野外实测数据,和准同步的MODIS卫星遥感影像,探讨了太湖水体叶绿素a含量的遥感估算。主要研究内容和结论如下:
(1)基于神经网络技术的估算模型研究。建立了以MODIS b1和b2为输入,以叶绿素a浓度为输出的神经网络模型NN1,该模型隐含层含有5个神经元,训练数据、确认数据和测试数据估测值与实测值r分别为0.825、0.719和0.767,RMSE分别为18.9850、20.8323和21.8793,取得了较高的估算精度。
(2)为了对比研究,利用相同的样点数据建立了以b2/b1为自变量的统计回归估算模型y=-555.73x3+1069.7x2-462.84x+66.138,30个测试数据的实测值与估测值r为0.5267,RMSE为28.8665,可见与统计回归方法相比神经网络技术能更好的描述遥感数据与水质参数之间的复杂关系。
(3)建立结合温度因子估算叶绿素a含量的神经网络模型,研究温度对估算精度的影响。采用2007年11月秋季64个有效样点数据分别建立输入包含温度因子和不包含温度因子的神经网络模型NN3和NN2,两个模型隐含层神经元个数分别含有6和5,结果表明两个模型均取得了较高的反演精度,NN3略高于NN2,加入温度因子可以提高反演精度但提高并不显著。
论文建立了估算太湖水体叶绿素a含量的神经网络模型,且获得了较高的估算精度,证明神经网络方法在复杂二类水体水质反演中具有较大的优越性,且在网络输入中加入温度因子,为水质参数的遥感反演提供了一种新的思路。