1 中国石油大学(华东), 海洋与空间信息学院, 山东 青岛 266580
2 珠海欧比特宇航科技股份有限公司, 广东 珠海 519080
高光谱数据可以捕获内陆水体中不同浓度的化学需氧量(COD)引起的光谱变化, 因此研究光谱反射率与COD浓度之间的关系对于COD的遥感估算至关重要。 支持向量回归模型(SVR)具有适合小样本、 泛化能力好的特点, 基于SVR模型能够更加准确获得COD浓度和光谱数据之间的关系, 但仍然存在参数选取困难和易陷入局部极值的问题。 为了解决这个问题, 将模拟退火—粒子群算法(SA-PSO)引入到支持向量回归机的参数优化过程中, 提出了一种改进SVR(SA-PSO-SVR)的内陆水体COD高光谱遥感反演方法。 以潍河流域为研究区域, 通过野外测量获得了COD浓度和水表面光谱反射率。 首先根据光谱反射率对COD的响应来确定敏感因子, 把SA-PSO算法引入SVR的参数优化过程中建立了COD浓度与敏感因子之间的反演模型。 最后利用珠海一号高光谱数据验证模型的准确性, 进而获得了COD浓度的分布情况。 通过光谱分析, 可知该区域实测的水面光谱具有典型的二类水体特征, 光谱曲线形状呈现明显的双峰特征, 当浓度增加时, 反射峰具有向短波长方向移动而反射谷向长波长方向移动的趋势。 通过计算Pearson相关系数分析COD浓度和光谱之间的相关性, 结果表明最佳的反演因子为518 nm/940.4 nm, 623.6 nm/636.8 nm, 729.2 nm/890.9 nm和752.3 nm/857.9 nm的四个波段比值组合; 经过SA-PSO-SVR方法建立的COD估计模型的平均相对误差(MRE)和均方根误差(RMSE)分别为1.62%和2.99 mg·L-1(R2=0.86), 反演结果优于其他模型(SVR、 BP神经网络和线性回归模型)。 将实测水面光谱建立的最优模型应用于高光谱卫星影像上, RMSE和MRE分别为4.47 mg·L-1和11.87%。 获得的潍河-峡山水库区域的COD反演结果显示: COD的整体浓度介于17~42 mg·L-1之间, 韩信坝、 峡山水库的东北部、 渠河注入潍河的交汇处等区域的COD浓度高于其他水域。 证实了SA-PSO-SVR是一种有效的COD高光谱反演方法, 可供潍河流域水资源管理提供参考。
化学需氧量 支持向量回归 模拟退火-粒子群 高光谱数据 Chemical oxygen demand Support vector regression Simulated annealing-particle swarm optimization Hyperspectral data 光谱学与光谱分析
2021, 41(11): 3565
1 中国石油大学(华东), 山东 青岛 266580
2 国家海洋环境监测中心, 辽宁 大连 116023
针对光学遥感手段无法探测云雾覆盖下绿潮分布区域这一现状问题, 本文着力于开展绿潮时空分布的监测研究, 获取了近三年五月中旬到八月中旬的GOCI(geostationary ocean color imager)数据, 基于该数据进行绿潮范围提取、绿潮漂移路径分析、精细化云区域提取和统计云覆盖情况, 分析云量覆盖对利用静止轨道卫星监测绿潮的影响程度, 进而从探测能力和动态能力两方面论证利用静止轨道卫星开展绿潮业务化监测的可行性。
绿潮 云量 探测能力 动态能力 green tide GOCI GOCI cloud cover detecting ability dynamic capabilities
中国石油大学地球科学与技术学院, 山东青岛266580
针对MODIS数据绿潮提取存在大量混合像元导致绿潮覆盖面积偏大这一问题, 基于3 m分辨率的机载SAR高分影像, 结合归一化植被指数(NDVI), 对MODIS研究区中大于NDVI阈值的像元进行混合像元分解得到绿潮的“覆盖面积”; 获取的准同步3 m机载SAR提取的绿潮面积为“真实值”, 然后建立二者之间的关系模型, 并选取不同的样本区域对该模型进行了验证。实验结果表明: NDVI等传统算法所提取的绿潮覆盖面积约为“真实值”的2.68倍; 基于混合像元分解的方法所提取的绿潮面积较“真实值”偏小, 约为“真值”的0.56倍; 与传统的NDVI等多波段比值法相比, 该精细化模型方法提取的绿潮覆盖面积更接近于“真实值”, 与“真实值”误差仅为6.7%。
黄海 绿潮 混合像元分解 机载SAR Yellow Sea green tide mixed pixel decomposition MODIS MODIS NDVI NDVI airborne SAR