基于GRNN模型的悬浮物遥感反演研究——以长江城陵矶段为例

遥感反演是监测水体表层悬浮物浓度的有效手段之一.广义回归神经网络(GRNN)较其它神经网络具有更强的非线性拟合能力,在小样本情况下有更好的推广性能,适用于遥感反演模型.使用长江中游城陵矶段HJ-1BCCD2遥感影像结合实地同步采样数据分别建立悬浮物GRNN及BP神经网络(BPNN)遥感反演模型,分析对比模型的精度,并使用GRNN模型预测了区域水体悬浮物分布信息.结果表明,相对于BPNN模型,GRNN模型具有较强的非线性拟合能力和较高的反演精度;长江干流的悬浮泥沙浓度总体上明显小于洞庭湖,这主要是三峡工程下泄泥沙大幅减少造成的;洞庭湖浑浊的湖水汇入长江后,在城陵矶至洪湖之间形成明显的混合带;而洞庭湖湖口悬浮物浓度明显高于其他湖区,这可能是该区域采砂活动的强烈扰动引起的.     

基于HJ-1卫星CCD数据的长江中游武汉河段悬浮物浓度反演

环境一号(HJ-1)卫星是我国自发研制的专门用于环境和灾害监测的光学卫星.其数据获取周期短、空间分辨率高,能及时、连续、准确地监测悬浮物浓度时空变化,在内陆二类水体遥感监测方面具有良好的应用前景.该文以长江中游武汉河段为研究区,利用HJ-1卫星CCD数据第1、3波段建立了具有较高精度的悬浮物浓度反演模型,并对2008年11月14日武汉河段悬浮物浓度进行了反演,得到其空间分布图.结果表明,该模型的悬浮物浓度反演均方根误差(RMSE)为8.84mg/L,平均绝对百分比误差(MAPE)为13.6%.从空间分布来看,在武汉附近,长江干流悬浮物浓度高于支流汉江,江心洲滩附近水体悬浮物浓度偏高.