基于粒子群和神经网络的珠江口叶绿素a浓度反演

由于近岸河口地区水体复杂的光学特性,以往Ⅰ类水体的叶绿素a反演方法已不再适用.因此,文章提出基于粒子群和BP神经网络的近岸河口地区复杂水体叶绿素a定量反演方法.利用2015年11月以及2016年5月2次现场实测高光谱和水体叶绿素a浓度数据,对光谱数据进行平滑处理,建立叶绿素a浓度的PSO-BP神经网络反演模型,并与波段比值、三波段、改进三波段和四波段反演模型进行对比分析.结果表明,经过粒子群优化的BP神经网络模型反演精度最高,模型总体相对误差低于20%,比常规波段组合模型更适合近岸河口复杂水体的叶绿素a反演;改进三波段和四波段模型的拟合效果较好,但易出现较大偏差,在近岸河口类复杂水体估算能力有限.     

紫外-可见光去浊度反演水体叶绿素a含量

城市景观水体的叶绿素a含量可直接反映其水质。紫外-可见光谱方法可快速低廉反演叶绿素a的含量,但城市水体水深较浅、浊度较高,容易对该波段光谱产生干扰。采用实验室培养的螺旋藻水样和浊度水样的混合水样来模拟城市景观水体环境,并使用UV—2600分光光度计获取混合水样的吸光谱数据;对吸光谱数据分别建立一元线性回归模型、偏最小二乘算法(PLS)模型和BP神经网络模型,以寻找降低水体浊度干扰的办法,为水体水质评价提供可靠参考数据。结果显示,BP神经网络预测模型可以同时预测混合水样中叶绿素a的浓度和浊度的浓度值,模型预测值与样本测量值之间的R~2为0. 997 2,并且模型的预测误差在5%以内。去浊度反演水体叶绿素a含量的能力最高;偏最小二乘算法模型测量值与预测值的R2为0. 999 4,模型的预测误差小于4%,但该模型在预测叶绿素a浓度时不能同时预测浊度值,去浊度反演叶绿素a含量的能力次之;一元线性回归模型的去浊度反演叶绿素a含量的能力最差。     

基于Landsat-8 OLI的鄱阳湖叶绿素a浓度定量反演

Landsat-8 OLI数据的应用越来广泛、成熟,但尚未见诸在水质监测,尤其是叶绿素a浓度监测方面的应用。以叶绿素a作为参数,结合准同步的实测数据,通过在鄱阳湖的应用案例,研究、探讨利用Landsat-8 OLI卫星数据对湖泊叶绿素a遥感反演的可行性和相关潜力。根据研究,鄱阳湖与实测叶绿素a相关性最高的是波段B4(红波段),Pearson相关系数为0.916,并由此而选择B4作为构建模型的波段组合,建立线性回归、对数、指数、乘幂、二次多项式等五种回归模型,通过R2系数对比,显示二次多项式回归模型为最佳模型。经实测点验证,该模型能较好地反演出鄱阳湖的叶绿素a浓度。     

基于线性回归分析的东平湖叶绿素含量监测

利用2007年5月27日中巴资源卫星遥感数据与该日同步湖面多点观测资料,对东平湖水体叶绿素a含量与不同波段遥感值的关系进行了定量分析,发现B1-B3以及B5与叶绿素a含量有正幂次关系,B4则与叶绿素a含量有较好的线性相关性;据此选择B3和B5等敏感波段值作为自变量,通过对它们的线性变换,进行叶绿素a定量指标的组合和筛选试验;在此基础上,建立了叶绿素a含量的遥感定量模型.并且利用这一模型计算得到的2007年5月27日东平湖水域多点叶绿素a含量很好地拟合了实测结果.本文给出的东平湖水体叶绿素浓度估算模型,为东平湖水体叶绿素浓度反演监测提供了一定的理论基础,另外,当天气条件相似时,该模型可应用于其它湖区和其他时相的遥感定量分析.     

基于HJ1B-CCD1的太湖叶绿素a含量反演

波段比值法作为比较成熟的基于生物光学对叶绿素a含量反演的经验模型,目前较多运用于对二类水体富营养化叶绿素a含量反演.本文分别对环境小卫星数据B3和B4波段作为建立模型的波段组合建立线性回归、指数、对数、多项式、幂等五种回归模型.通过R~2系数对比,发现多项式模型拟合效果最佳.经验证点对比分析,发现此模型对太湖湖区的叶绿素a含量能够进行较好的反演.     

基于高光谱的法国梧桐和毛白杨叶片叶绿素含量反演模型研究

利用ASD便携式野外光谱仪和SPAD-502叶绿素计,实测了落叶阔叶树法国梧桐(Platanus orientalis L)和毛白杨(Populus tomentosa Carr)叶片的高光谱反射率与叶片绿度,并对原始光谱反射率及一阶导数光谱与叶片绿度进行了相关分析;采用导数光谱数据敏感波段建立了叶绿素含量估算模型,法国梧桐和毛白杨模型的确定性系数R2分别为0.7791和0.6858;采用相关系数较大的波段作为BP和RBF人工神经网络模型的输入变量,分别进行了叶绿素含量的估算,结果表明,BP和RBF神经网络模型预测效果均良好,在预测精度上,RBF略优于BP神经网络模型.     

基于分区的太湖叶绿素a遥感估测模型

以太湖为研究区域,测试水体的反射光谱和表层水质并分析叶绿素的光谱特征,对比MODIS波段并找出与叶绿素a质量浓度相关性较好或对叶绿素a质量浓度变化较为敏感的波段,根据主成分变换后的MODIS图像色调对太湖进行分区并分别用主成分、单波段及波段组合因子建立各区内相应的叶绿素a质量浓度估测模型.结果表明:对太湖合理分区可以提高叶绿素a质量浓度的遥感估测精度;经过主成分变化后的第2主成分,MODIS波段1,3~4,10~14的反射率及波段反射率组合可以较好地估测分区后的叶绿素a质量浓度.     

基于TM数据渤海湾叶绿素浓度反演算法研究

海洋叶绿素浓度已成为衡量浮游植物的生物量和富营养化程度的最基本的指标.利用2005年4月13日Landsat-5/TM数据和同步实测数据反演了渤海湾叶绿素浓度.对TM数据进行几何校正和大气校正预处理后,建立9种波段组合模型,分别对TM图像进行模型运算.结合实测数据,建立相应的回归方程,在其中选取R2(拟合度)和R(相关性)最大的(tm4-tm3)/(tm4+tm3)波段组合进行反演,并将反演结果与实测数据作相对误差分析,实验结果表明,4和3波段组合建立的回归模型适合于渤海湾叶绿素浓度的反演.     

基于GOCI遥感数据的湖泊富营养化监测研究

采用高时间分辨率的地球同步海色成像仪(geostationary ocean color Imager,GOCI)遥感数据,以日本霞浦湖的西湖为研究对象,利用波段比值法建立了基于GOCI遥感影像的叶绿素a质量浓度反演模型.以此探讨利用GOCI数据估算湖泊水体富营养化程度的可能性.研究结果显示,遥感数据波段比值能够反映湖泊叶绿素a质量浓度随时间演变趋势,两者的相关系数达62％,利用反演模型得到的叶绿素a质量浓度的平均相对误差小于50％,表明GOCI遥感数据具有对湖泊富营养化程度进行监测的潜力.     

基于环境一号卫星影像的内陆水体叶绿素a浓度遥感定量反演模型研究

叶绿素α是反映内陆水体富营养化程度的一个重要参数,通过遥感定量反演模型提取叶绿素α浓度是内陆水体富营养化监测的重要途径。以典型的内陆水体——太湖为实验区,基于环境一号CCD多光谱数据和同步地面实测叶绿素α浓度数据,建立了以CCD4/CCD2为自变量的叶绿素α浓度反演经验模型。基于环境一号HSI高光谱数据,结合内陆水体中叶绿素α、悬浮物、黄色物质和纯水的固有光学特性以及三波段模型理论,选取了反演叶绿素α浓度的三个最优波段:HSI73、HSI74、HSI87,并建立三波段模型。最后通过两种定量反演模型对比实验。实验结果表明基于HSI高光谱数据的三波段模型反演精度更高,可以有效的用于内陆水体的叶绿素α浓度反演。研究为内陆水体叶绿素α浓度定量反演提供了研究基础。     

MODIS/Terra辅助的HJ-1B CCD1数据悬浮泥沙浓度反演研究

针对MODIS/Terra传感器服役时间超期需要后续卫星延续观测以及国产陆地卫星数据水环境遥感应用问题,以深圳湾为研究区域,利用2007年～2008年获取的40个现场实测数据与MODIS/Terra NIR-SWIR大气校正反射率数据建立MODIS悬浮泥沙浓度反演模型,以此为基础,反演2010年～2012年4景MODIS悬浮泥沙浓度分布状况,展开同步的瑞利散射校正反射率(Rrc)多波段组合因子的HJ-1B CCD1影像悬浮泥沙浓度反演模型对比研究.结果表明,在不进行气溶胶校正的情况下,HJ-1B CCD1数据波段比值算法(Rrc(660)/ Rrc(560))可以有效实现深圳湾悬浮泥沙浓度的反演,反演模型的决定系数为0.88,均方根误差为7.19 mg/L,模型验证的相对误差为7.45%,该研究对于进一步推进水环境遥感监测有一定的积极意义.     

渤海海域叶绿素浓度的遥感反演研究

以渤海海域为研究区域,以MODIS1B卫星影像为数据源,利用MODIS 250.m分辨率的波段反射率构建的NDPI(Normalized Difference Pigment Index)遥感指数结合叶绿素质量浓度(ρ)实测值进行回归拟合分析,建立基于MODIS1B数据的渤海海域叶绿素质量浓度遥感提取模型,并应用该模型反演出渤海海域叶绿素浓度的分布情况,对其分布进行了分析和评价.研究结果表明,利用MODIS1B数据监测渤海海域的水质情况是可行的.     

武汉东湖叶绿素a和悬浮物浓度的高光谱遥感反演模型研究

本文以武汉东湖为实验区,以主要水质遥感监测指标叶绿素a和悬浮物为主要研究对象,利用水体光谱数据和同步观测的水质参数浓度数据,研究了东湖叶绿素a和悬浮物定量遥感反演特征波段与波段组合,在此基础上构建了经验模型。     

基于马尔科夫——灰色BP神经网络组合模型的深基坑变形预测研究

建立马尔科夫—灰色BP神经网络组合模型是为了更加科学合理预测深基坑压顶水平位移,提高预测精度.比较分析BP神经网络模型与串联式灰色BP模型的预测结果,建立马尔科夫链修正的灰色BP组合模型,以汕头市某花园酒店扩建工程的基坑压顶水平位移的实测数据为研究对象,通过比较模型预测结果与实际结果,检验其深基坑预测模型的精度.实例证明,经马尔科夫链改进的灰色BP神经网络组合模型的预测精度优于单一模型,更适合用于样本少、随机波动性大的深基坑变形预测.马尔科夫—灰色BP神经网络组合模型对深基坑压顶水平位移的预测不仅精度高,同时反映出数据序列发展变化的总体趋势和系统之间各状态的规律,为深基坑压顶水平位移预测提供了一种新方法.     

基于小波神经网络的建筑工程沉降变形预测

变形监测是安全化、信息化工程建设和管理的重要内容,贯穿于建筑物设计、施工和运营整个过程.本文基于小波分析、BP神经网络、小波分析与神经网络结合的相关理论,借助MATLAB编程,建立了改进的BP神经网络、辅助式小波神经网络、嵌入式小波神经网络3种变形预测网络模型.结合工程实测数据,利用建立的3种模型,分别应用累积沉降和期间沉降不同模式数据进行预测.结果表明,两种小波神经网络组合模型的预测效果明显优于单一的BP神经网络模型,具有更高预测精度和更快的收敛速度,且训练样本数目越多,模型精度越高,预测效果越好.     

长江口水质MERIS卫星数据遥感反演研究

【目的】获取准确的水质参数分布情况,进而对水质参数与动力作用复杂的河口水域环境进行综合评价。【方法】利用2011年5月30组长江口水域的遥感反射率数据,在尝试多种波段组合以及不同函数形式后,针对叶绿素a浓度和总悬浮物浓度分别建立最优经验反演模型。【结果】对总悬浮物浓度,波段差值(634~644nm)的二次函数形式最优,决定系数R~2为0.837,均方根误差(RMSE)为0.226mg·L~(-1),利用独立的验证样本得到平均绝对百分比误差(MAPE)为58.2%。对叶绿素a浓度,波段比值(650nm/644nm)的二次函数形式最优,R~2为0.552,RMSE为0.486mg·m~(-3),利用独立的验证样本得到MAPE为66.2%。将模型运用于2011年5月MERIS卫星数据,反演出长江口水域叶绿素a浓度与总悬浮物浓度空间分布图,叶绿素a浓度呈现出从河口向外海逐渐减少的趋势,最大值出现在舟山群岛附近。总悬浮物浓度呈阶梯状向外海减少。【结论】通过评价参数可看出,总悬浮物浓度反演模型对总悬浮物浓度反演效果较为准确,而叶绿素a浓度反演模型显示对叶绿素a的反演浓度较低。     

基于NIR的模式识别技术在地理标志产品响水大米鉴别中的应用

分别利用多元线性回归判别分析和BP人工神经网络分析建立了近红外光谱(NIR)快速鉴别地理标志产品响水大米的新方法.大米的近红外光谱数据经过一阶导数和平滑处理后,利用主成分分析对数据进行了降维处理,并确定了相关性最大的特征波段(7 700~6 700cm-1与5 700~4 300cm-1).利用特征波段的主成分数据建立了多元线性回归判别分析和BP人工神经网络鉴别模型.2种模型对于地理标志产品响水大米的鉴别正确率均为100%,适用于地理标志产品的快速无损鉴别.     

湖泊叶绿素a反演的大气校正模型比较研究

为获取湖泊叶绿素a定量反演所需的最优大气校正方法,以太湖为例,分别使用FLAASH、6S及QUAC 3种大气校正模型对HJ-1B卫星CCD数据进行大气校正,通过对比各波段反射率及遥感指数与叶绿素a的相关性,得到归一化水体指数相关系数最高,并使用归一化水体指数建立叶绿素a反演模型.反演模型R2在0.7以上,同时通过了统计检验.实验利用太湖采样点平均光谱反射曲线及实测光谱对比大气校正模型的影像处理效果,并在此基础上,利用误差参数评价不同大气校正处理后的反演精度.结果表明:3种大气校正算法的影像处理效果总体较好,FLAASH和6S算法的各项参数接近,反演精度优于QUAC算法,并且聚类分析结果很好地证实了二者的相似性;QUAC算法在获得较高精度的同时其典型地物光谱出现失真.因此,在湖泊叶绿素a浓度反演建模时,大气校正方法应优先考虑FLAASH算法和6S算法,尽量避免使用QUAC算法.     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。     

灰色神经网络模型在图书采购复本量预测的应用

针对图书采购复本量预测问题,提出了基于灰色神经网络的采购复本量组合预测模型.根据现有文献记载5年来的G类图书的流通率、拒借率和平均复本量数据,运用组合预测方法对G类图书复本量进行了预测,并与多元线性回归模型以及BP神经网络模型比较.结果表明:组合模型预测值的相对误差更小,精度更高.