【摘要】：葉綠素a濃度是反映水體富營(yíng)養(yǎng)化最重要的指標(biāo)。當(dāng)前內(nèi)陸二類水體的葉綠素a濃度遙感反演方法研究主要集中在普通湖泊如太湖、鄱陽(yáng)湖等區(qū)域,對(duì)于三峽庫(kù)區(qū)回水區(qū)這類河流型湖泊水域的研究較少。本研究以三峽庫(kù)區(qū)回水區(qū)高陽(yáng)湖、漢豐湖為研究區(qū),利用GF-1 WFV遙感數(shù)據(jù)及實(shí)測(cè)數(shù)據(jù),建立遙感反演模型,實(shí)現(xiàn)大面積動(dòng)態(tài)反演三峽庫(kù)區(qū)支流回水區(qū)葉綠素a濃度。論文的研究工作及主要結(jié)論如下:(1)利用GF-1 WFV遙感數(shù)據(jù)及實(shí)測(cè)水體葉綠素a濃度,建立波段比值回歸分析模型,反演回水區(qū)葉綠素a濃度,波段比值模型公式為=0.002(5.313),x為遙感影像波段組合B4/B3的值,均方根誤差RMSE為5.6739,判定系數(shù)R2為0.68672。波段比值模型的反演效果并不夠理想,其原因?yàn)槿龒{庫(kù)區(qū)回水區(qū)是二類水體,其光學(xué)性質(zhì)復(fù)雜,應(yīng)用一類水體線性反演模式擬合較為片面,難以獲得最佳擬合效果。(2)相比于波段比值的線性回歸方法,BP神經(jīng)網(wǎng)絡(luò)模型具有模擬復(fù)雜非線性問題的功能。本研究建立模型結(jié)構(gòu)為4-4-1的BP神經(jīng)網(wǎng)絡(luò)模型,經(jīng)相關(guān)分析后選取B4-B3、B4-B2、B4/(B2+B3)、B4/B3四個(gè)波段組合做為BP神經(jīng)網(wǎng)絡(luò)模型的4個(gè)輸入神經(jīng)元,設(shè)置隱含層為單層,隱含層節(jié)點(diǎn)數(shù)為4,以實(shí)測(cè)水體葉綠素a濃度值為輸出神經(jīng)元對(duì)模型進(jìn)行訓(xùn)練。經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型R2為0.8389,RMSE為3.8745。將經(jīng)過水域提取的GF-1 WFV影像用于訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型,反演2016年5月-8月三峽庫(kù)區(qū)回水區(qū)葉綠素a濃度分布,反演結(jié)果良好。(3)對(duì)比兩種水體葉綠素a反演模型的精度,BP神經(jīng)網(wǎng)絡(luò)模型與波段比值模型的判定系數(shù)R2分別為0.8389及0.6867;均方根誤差RMSE分別為3.8745及5.6739;平均相對(duì)誤差e分別為20.6%及55.9%。對(duì)比結(jié)果證明將GF-1 WFV影像應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型反演三峽庫(kù)區(qū)回水區(qū)葉綠素a濃度較波段比值模型精度有所提高,反演效果優(yōu)于波段比值模型。
[Abstract]:Chlorophyll a concentration is the most important index to reflect eutrophication. At present, the remote sensing retrieval of chlorophyll a concentration in inland waters mainly focuses on the common lakes, such as Taihu Lake, Poyang Lake, etc., but there is little research on the river-type lake waters such as the backwater area of the three Gorges Reservoir area. Taking Gaoyang Lake and Hanfeng Lake as study area in the backwater area of the three Gorges Reservoir area, using GF-1 WFV remote sensing data and measured data, a remote sensing inversion model was established to realize the large area dynamic inversion of chlorophyll a concentration in the tributary backwater area of the three Gorges Reservoir area. The research work and main conclusions of this paper are as follows: (1) using GF-1 WFV remote sensing data and measured chlorophyll a concentration of water body, the ratio regression analysis model is established, and the chlorophyll a concentration of backwater area is retrieved. The formula of the band ratio model is = 0.002 (5.313), x is the value of the band combination B4/B3 of remote sensing images, the root mean square error RMSE is 5.6739, and the determination coefficient R2 is 0.68672.) The inversion effect of the band ratio model is not ideal. The reason is that the backwater area of the three Gorges Reservoir area is a second type of water body, and its optical properties are complex. The linear inversion model of one type of water body is relatively one-sided. It is difficult to obtain the best fitting effect. (2) compared with the linear regression method of band ratio, the BP neural network model has the function of simulating complex nonlinear problems. In this study, the BP neural network model with the structure of 4 ~ 4 ~ 4 ~ (1) was established. After correlation analysis, B4 / (B2B3), B4 / (B2B _ 3), B4 / (B _ 2B _ 3) were selected as four input neurons of the BP neural network model, and B4 / (B _ 2B _ 3) were selected as the input neurons of the model. The hidden layer was set as the single layer and the number of nodes in the hidden layer was 4. The model was trained with the measured chlorophyll a concentration value as the output neuron. After training, the BP neural network model R2 is 0.8389, and the RMSE is 3.8745. The GF-1 WFV images extracted from the water area are used in the trained BP neural network model to retrieve the chlorophyll a concentration distribution in the backwater of the three Gorges Reservoir area from May to August 2016. The inversion results are good. (3) comparing the accuracy of the two water chlorophyll a inversion models, the determination coefficients of BP neural network model and band ratio model are 0.8389 and 0.6867, respectively; The mean square error (RMSE) was 3.8745 and 5.6739 respectively, and the mean relative error (e) was 20.6% and 55.9% respectively. The results show that the accuracy of the BP neural network model for retrieving chlorophyll a concentration in the backwater area of the three Gorges Reservoir area is higher than that of the band ratio model, and the inversion effect is better than that of the band ratio model.
【學(xué)位授予單位】：中國(guó)地質(zhì)大學(xué)(北京)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：X87

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫權(quán);張顯峰;江淼;;干旱區(qū)生態(tài)環(huán)境敏感參量遙感反演與評(píng)價(jià)系統(tǒng)研究[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年06期

2 王林;趙冬至;楊建洪;;基于環(huán)境一號(hào)衛(wèi)星的大洋河河口海域營(yíng)養(yǎng)鹽遙感反演[J];中國(guó)環(huán)境科學(xué);2012年01期

3 王瑞燕;于振文;夏艷玲;王向鋒;趙庚星;姜曙千;;黃河口地區(qū)環(huán)境脆弱性的遙感反演[J];光譜學(xué)與光譜分析;2013年10期

4 孫芹芹;洪華生;;九龍江下游水質(zhì)遙感反演及時(shí)空變化分析[J];地理空間信息;2012年04期

5 江輝;;鄱陽(yáng)湖透明度遙感反演及其時(shí)空變化研究[J];中國(guó)農(nóng)村水利水電;2012年01期

6 方芳;周紅;李哲;郭勁松;陳永柏;孫志禹;;三峽小江回水區(qū)水體光學(xué)特征及分析[J];重慶大學(xué)學(xué)報(bào);2011年09期

7 禹定峰;邢前國(guó);周斌;孫元芳;周燕;蓋穎穎;施平;;基于環(huán)境一號(hào)衛(wèi)星的四十里灣透明度遙感反演[J];海洋環(huán)境科學(xué);2014年04期

8 李哲;郭勁松;方芳;高旭;盛金萍;周紅;龍曼;;三峽小江回水區(qū)藍(lán)藻季節(jié)變化及其與主要環(huán)境因素的相互關(guān)系[J];環(huán)境科學(xué);2010年02期

9 周琳;馬榮華;段洪濤;姜廣甲;尚琳琳;;渾濁Ⅱ類水體葉綠素a濃度遙感反演(Ⅰ):模型的選擇[J];紅外與毫米波學(xué)報(bào);2011年06期

10 閆峰;覃志豪;李茂松;王艷姣;;農(nóng)業(yè)旱災(zāi)監(jiān)測(cè)中土壤水分遙感反演研究進(jìn)展[J];自然災(zāi)害學(xué)報(bào);2006年06期

相關(guān)會(huì)議論文 前10條

1 何賢強(qiáng);潘德爐;朱乾坤;龔芳;;利用偏振遙感反演云頂高度的研究[A];第六屆成像光譜技術(shù)與應(yīng)用研討會(huì)文集[C];2006年

2 張杰;張強(qiáng);趙宏;張平蘭;;定量遙感反演作物水勢(shì)的原理及其應(yīng)用探討[A];中國(guó)氣象學(xué)會(huì)2008年年會(huì)干旱與減災(zāi)——第六屆干旱氣候變化與減災(zāi)學(xué)術(shù)研討會(huì)分會(huì)場(chǎng)論文集[C];2008年

3 劉元波;;基于定量遙感反演地表蒸散長(zhǎng)期變化的若干問題研究[A];遙感定量反演算法研討會(huì)摘要集[C];2010年

4 周紅偉;李琦;;全球陸地生物量遙感反演模型研究[A];遙感定量反演算法研討會(huì)摘要集[C];2010年

5 邢前國(guó);施平;陳楚群;楊錦坤;;近岸海水表層溫度遙感反演的大氣校正算法[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

6 劉元波;;遙感反演地表蒸散動(dòng)態(tài)變化研究中的若干問題：蒸散量經(jīng)典計(jì)算范式、遙感反演算法和衛(wèi)星數(shù)據(jù)不確定性[A];地理學(xué)與生態(tài)文明建設(shè)——中國(guó)地理學(xué)會(huì)2008年學(xué)術(shù)年會(huì)論文摘要集[C];2008年

7 田慶久;;貴州黎平縣森林生態(tài)參數(shù)的遙感反演與制圖[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

8 申輝;何宜軍;Will Perrie;;臺(tái)風(fēng)情況下海面風(fēng)速的SAR遙感反演[A];第二屆微波遙感技術(shù)研討會(huì)摘要全集[C];2006年

9 徐升;張鷹;;長(zhǎng)江口水深遙感反演模型研究[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

10 孫寶成;劉錫薈;;時(shí)間序列神經(jīng)網(wǎng)絡(luò)模型[A];全國(guó)青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第1卷）[C];1991年

相關(guān)重要報(bào)紙文章 前1條

1 自治區(qū)交通廳養(yǎng)路費(fèi)征稽處 程愛娟;應(yīng)用“神經(jīng)網(wǎng)絡(luò)模型”預(yù)測(cè)婦女的平均工資水平[N];新疆科技報(bào)(漢);2000年

相關(guān)博士學(xué)位論文 前10條

1 曹曉陽(yáng);戈壁表面礫石粒徑高光譜遙感反演及其空間分異規(guī)律研究[D];中國(guó)林業(yè)科學(xué)研究院;2016年

2 鄧兵;區(qū)域生態(tài)服務(wù)價(jià)值關(guān)鍵參數(shù)遙感反演研究[D];成都理工大學(xué);2016年

3 唐世浩;地表參量遙感反演理論與方法研究[D];北京師范大學(xué);2001年

4 青松;渤海鹽度和懸浮顆粒粒徑的遙感反演及應(yīng)用研究[D];中國(guó)海洋大學(xué);2011年

5 王繁;河口水體懸浮物固有光學(xué)性質(zhì)及濃度遙感反演模式研究[D];浙江大學(xué);2008年

6 戴曉愛;生態(tài)水信息指標(biāo)參數(shù)遙感反演模型研究[D];成都理工大學(xué);2012年

7 易永紅;植被參數(shù)與蒸發(fā)的遙感反演方法及區(qū)域干旱評(píng)估應(yīng)用研究[D];清華大學(xué);2008年

8 宋慈;溫室氣體的遙感反演、輸送模擬和通量估計(jì)[D];華東師范大學(xué);2015年

9 李志;海洋表層鹽度遙感反演機(jī)理及應(yīng)用研究[D];中國(guó)海洋大學(xué);2008年

10 潘佩芬;植被生態(tài)水涵養(yǎng)模數(shù)遙感反演及生態(tài)水資源量計(jì)算[D];成都理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 張靖宇;淺海水深多維度遙感反演融合方法研究[D];國(guó)家海洋局第一海洋研究所;2015年

2 葉慧琳;渤海灣葉綠素a濃度的遙感反演模型及其應(yīng)用研究[D];中國(guó)地質(zhì)大學(xué)(北京);2015年

3 王健;中低分辨率遙感反演產(chǎn)品真實(shí)性檢驗(yàn)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

4 郭少峰;內(nèi)蒙古閃電河流域土壤含水率遙感反演研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2016年

5 周亞明;典型內(nèi)陸水體有色可溶性有機(jī)物遙感反演[D];西安科技大學(xué);2015年

6 張?jiān)浦?基于地面監(jiān)測(cè)和遙感反演的京津冀地區(qū)PM_(2.5)時(shí)空分布研究[D];內(nèi)蒙古師范大學(xué);2016年

7 李大千;鄱陽(yáng)湖葉綠素a濃度遙感反演研究[D];江西理工大學(xué);2016年

8 張玲;基于遙感與模型耦合的區(qū)域小麥生長(zhǎng)監(jiān)測(cè)預(yù)測(cè)研究[D];南京農(nóng)業(yè)大學(xué);2015年

9 夏豐;中國(guó)地區(qū)衛(wèi)星遙感反演地面PM_(2.5)相關(guān)問題研究[D];中國(guó)氣象科學(xué)研究院;2017年

10 付莉;三峽水庫(kù)澎溪河永久回水區(qū)水環(huán)境與藻類生長(zhǎng)關(guān)系[D];西南大學(xué);2015年

，

本文編號(hào)：2453693