基于遥感的淀山湖水体叶绿素a浓度估算研究

论文摘要

湖泊是重要的淡水资源,但是随着经济的高速发展和工业化程度的加剧以及人为活动的影响,湖泊污染和富营养化问题日益严重,加强湖泊水质的监测和治理非常有必要。常规的水质监测耗时耗力,并且很难反映湖泊的整体水质状况,而遥感技术可以快速、及时的提供整个湖区的水质状况,具有监测范围广、成本低和便于进行长期动态监测的特殊优势,在湖泊水质监测中具有巨大的应用潜力。内陆水体的叶绿素a浓度是水质评价重要指标之一。本文在总结分析国内外叶绿素a浓度遥感估算已有的理论、技术和方法的基础上,运用半经验模型和人工神经网络,利用2010年8月23、9月7日和9月8日的野外实测数据、实测光谱数据和环境1号星、MODIS卫星遥感影像,探讨了淀山湖水体叶绿素a浓度的估算模型。主要研究内容和结论如下：1)基于实测光谱数据,构建了叶绿素a的半分析模型。通过迭代,选取三个波段,以[Rrs-1（663）-Rrs-1（689）]×Rrs（759）为自变量构建模型,线性和曲线模型的R2分别为0.519和0.87。2)针对不同卫星数据源构建半经验析模型。环境1号星高光谱数据的三波段组合[Rrs-1（70）-Rrs-1（77）]×Rrs（88）所建立的线性和曲线模型的R2分别为0.934和0.955,进行对叶绿素a的监测是可行的。但是无论是环境1号星还是MODIS卫星,基于多光谱数据的半经验模型用于内陆湖泊水质研究还有一定的困难。3)基于人工神经网络建立估算叶绿素a浓度的模型。高光谱数据三波段输入的神经网络模型的决定系数R2最大为0.938。基于环境1号星高光谱数据、多光谱数据和MODIS的人工神经网络模型的R2最大为0.992、0.87和0.91。对于不同的遥感数据源,人工神经网络模型的精度均优于半分析模型。表明人工神经网络更加有利于反映和提取淀山湖水体的基本光学特征,在光谱特征复杂的内陆水体水质参数估测中具有优越性。4)将溶解氧、化学需氧量、总磷、总氮也作为人工神经网络模型的输入值,构建基于实测光谱数据的改进的反演叶绿素a浓度的人工神经网络模型的R2最大为0.96,有效提高了反演精度。论文构建了估算淀山湖叶绿素a浓度的模型,高光谱数据模型精度较高,优于卫星多光谱数据。人工神经网络有效提高了估算精度,证明神经网络方法在复杂的内陆水体水质反演中具有较大的优越性,且在网络输入中加入溶解氧、化学需氧量、总磷、总氮因子,为叶绿素a的遥感反演提供了新的思路。

论文目录

• 目录
• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题背景和意义
• 1.1.1 选题背景
• 1.1.2 研究意义
• 1.1.3 项目支持
• 1.2 水质遥感监测原理
• 1.2.1 水质遥感监测机理
• 1.2.2 水质遥感监测技术方法
• 1.2.3 常用遥感数据源
• 1.3 国内外研究进展
• 1.3.1 叶绿素a遥感监测进展
• 1.3.2 悬浮物遥感监测进展
• 1.3.3 其他水质参数遥感监测进展
• 1.4 研究目的、内容和方法
• 1.4.1 研究目的
• 1.4.2 研究内容
• 1.4.3 研究方法
• 1.5 论文的组织结构
• 第2章 研究区域和数据源
• 2.1 研究区域概况
• 2.2 水质采样
• 2.3 实测光谱仪数据获取与处理
• 2.3.1 仪器介绍
• 2.3.2 数据获取
• 2.4 环境1号星数据获取与处理
• 2.4.1 环境1号星数据概述
• 2.4.2 环境1号星数据获取
• 2.4.3 环境1号星数据预处理
• 2.5 MODIS数据获取与处理
• 2.5.1 MODIS数据概述
• 2.5.2 MODIS数据获取
• 2.5.3 MODIS数据预处理
• 2.6 本章小结
• 第3章 人工神经网络
• 3.1 人工神经网络原理
• 3.1.1 神经网络发展
• 3.1.2 神经网络模型
• 3.2 神经网络在水质遥感中的应用
• 3.3 神经网络主要参数的确定
• 3.3.1 初始权重值的确定
• 3.3.2 网络学习速率的确定
• 3.3.3 隐含层神经元节点数的确定
• 3.3.4 网络训练策略的选择
• 3.4 训练样本的组织
• 3.5 本章小结
• 第4章 叶绿素a敏感波段分析
• 4.1 叶绿素a光谱特征分析
• 4.2 基于实测光谱数据的叶绿素a波段敏感性分析
• 4.3 基于环境1号星高光谱数据的叶绿素a波段敏感性分析
• 4.4 基于环境1号星多光谱数据的叶绿素a波段敏感性分析
• 4.5 基于MODIS数据的叶绿素a波段敏感性分析
• 4.6 本章小结
• 第5章 半经验模型构建与评价
• 5.1 实测光谱数据模型
• 5.1.1 三波段模型
• 5.1.2 两波段模型
• 5.1.3 反射峰位置模型
• 5.1.4 半经验模型小结
• 5.2 环境1号星高光谱数据模型
• 5.3 环境1号星多光谱数据模型
• 5.4 MODIS数据模型
• 5.5 本章小结
• 第6章 人工神经网络反演模型构建与评价
• 6.1 实测光谱数据模型
• 6.2 环境1号星高光谱数据模型
• 6.3 环境1号星多光谱数据模型
• 6.4 MODIS数据模型
• 6.5 本章小结
• 第7章 水质数据分析
• 7.1 各水质参数因子分析
• 7.2 改进的人工神经网络模型
• 7.3 本章小结
• 第8章 结论与展望
• 8.1 结论
• 8.2 展望
• 参考文献
• 攻读学位期间发表的学术论文
• 攻读学位期间参与的科研项目
• 致谢