西北太平洋主要云类型光学厚度的时空分布特征

本文利用CloudSat数据处理中心发布的二级云分类产品和云光学厚度产品,对西北太平洋上空主要云类型光学厚度的空间分布和季节变化特征进行了系统研究。使用云分类产品数据获得了西北太平洋上8类云的云量时空分布,以此为依据选择出云量较高的5类主要云。将二级云光学厚度产品中的数据与5类主要云类型进行匹配,获得了西北太平洋上主要云类型的平均光学厚度的空间分布及其季节变化特征。结果表明:西北太平洋上主要云类型的平均光学厚度分别为,高云约3~9,高层云约13~25,高积云约5~25,层积云约5~40,积云约5~30。各类云的光学厚度高值区主要分布在高纬度海域以及大洋西北尤其中国东部沿海海域,光学厚度低值主要分布在低纬度海域及信风带附近。此外,各类云的光学厚度在低纬度海域上季节变化幅度小,高纬度海域变化幅度大。以上结果可用于分析该区域不同地点及季节跨介质海洋激光通信系统的可通率,也可用于评估该区域可见光对海观测系统的探测能力等。

一维小波分析在浮游植物吸收光谱有害赤潮藻类检测中的应用

研究了利用小波分析从浮游植物吸收光谱中提取赤潮藻类特征光谱信息的技术。其中应用了13组单种培养的赤潮藻类的吸收光谱,这些吸收光谱对应的藻类属于4个门,6个属和7个种。首先,对13组吸收光谱数据进行了5级一维小波分析。低频的第5级分量对应于对藻类检测无用且量值较大的背景信息,高频分量的第1-2级为随机噪声,其他高频分量(第3级到第5级)则是对藻类检测有用的信息(或称为特征光谱)。另外,为了检验小波分析在提取特征光谱中的性能,文章利用聚类统计分析方法对提取的13组特征信息进行了聚类。聚类结果显示,13组吸收光谱被正确地进行了分类,这验证了小波分析在提取藻类特征光谱中的有效性。

基于人工神经网络的一类水域叶绿素-a浓度反演方法

介绍了一种基于人工神经网络的海中一类水域叶绿素反演方法。人工神经网络是 3层的反向传输神经网络。其结构是输入层有 4个节点 ,它们分别对应 4个波段 412nm ,44 3nm ,490nm ,5 10nm的遥感反射比与 5 5 5nm波段遥感反射比的比值 ,隐含层有 5个节点 ,输出层一个节点对应于叶绿素浓度。该神经网络的训练和试验样本集来自SeaBAM的数据集。数据集中的 919个站位的 70 % (6 44个 )用于训练 ,30 % (2 75个 )用于测试。结果表明 ,该方法的精度优于被广泛采用的三次经验方法。

海水吸收光谱测量方法比较—定量滤膜技术和现场测量方法

本文对水体吸收光谱的2种测量方法进行了比较,这2种方法分别为基于分光光度计的定量滤膜技术和吸收衰减仪的现场测量方法。为了检验和比较这2种测量方法的不同,同时对两类不同类型水体的吸收系数进行了测量。其中一类水体为实验室培养的单种藻类水体,共有36个样本,包括4大类,分属16个种;另一类水体为黄海水域的水体,包括49个站位数据,基本覆盖了南黄海水域,440 nm的吸收系数在0.05～2.0 m-1之间。结果表明,不同波段实验室培养的单种藻类水体两者测量吸收系数的相关系数平方在0.96～0.98之间,相对均方根误差为14%～16%之间;对于黄海水体的测量,相关系数的平方在0.90～0.94之间,相对均方根误差在14%～27%之间。2种测量方法对这两类水体吸收系数的测量均具有很高的一致性,其中实验室培养的单种藻类水体的测量结果的一致性好于黄海水体的测量结果。

一种划分Ⅰ类水体和Ⅱ类水体的方法

为建立1种快速、有效、方便的方法区分Ⅰ类水体和Ⅱ类水体,提出了1个划分Ⅰ类和Ⅱ类水体的方法。该方法基于1个简单的判据,即Rrs(510)/Rrs(412)=1.5。当Rrs(510)/Rrs(412)<1.5时,该水体应为Ⅰ类;当Rrs(510)/Rrs(412)>1.5时,该水体应为Ⅱ类。将此方法应用到中国海的MERIS资料中,对中国海水体进行了划分,划分结果合理。

由TSRB辐射计数据估算海面离水辐亮度的经验方法

为建立基于经验统计的TSRB辐射计数据估算离水辐亮度的方法,利用SeaBASS数据库中640多个现场测量的辐亮度和辐照度光谱剖面数据,建立向上辐亮度衰减系数Klu的经验算法。此算法为幂指数形式,输入变量为水下0.65 m的向上辐亮度(490 nm)与海面上向下的辐照度(555 nm或665 nm)之比(即为TSRB直接测量的两个参数)。当水体较清时,输入为蓝绿波段之比,当水混浊时,采用蓝红波段之比。获得了Klu后,海面以上的辐亮度(离水辐亮度)由z=0.65 m处的辐亮度外推获得。初步的检验结果表明,该方法对一类和二类水域都有很好性能,且算法实现简单,运行速度快。

用于海洋-大气辐射传递计算的光学参数数据库

开发和建立了用于海洋 -大气辐射传递计算的光学参数数据库。它包括海中主要成分(纯海水、浮游植物、悬移质、可溶有机物 )的固有光学参数 (光谱吸收系数、光谱散射系数等 )及大气中主要气溶胶的有关光学参数。在这些光学参数中 ,大多数是来自现场的直接测量 ,一些是间接测量获取 。

基于辐射传递模拟及人工神经网络技术的二类水体光学组分的反演

介绍了一种基于辐射传递模拟和人工神经网络技术(ANN)的二类水体水色要素(CHL,SPM,CDOM)的反演算法.在辐射传递模拟计算中,纯海水吸收和散射、浮游植物吸收的数据或模型是已发表的被广泛采用的结果.黄色物质和非浮游植物颗粒吸收以及海洋颗粒物的散射模型从COASTLOOC数据中导出.另外,还利用了一个新的海洋颗粒物后向散射概率模型,在该模型中颗粒物后向散射概率是颗粒有机物与SPM比值和波长的函数.把上述定义的固有光学性质作为输入,经过辐射传递模拟得到海表面以下辐照度反射比数据集,然后将该模拟数据集用于训练不同的人工神经网络,获取水色和水色要素浓度之间函数关系的最佳近似.利用以上建立的基于人工神经网络的算法,把COASTLOOC数据集和PMNS数据集的辐照度反射比作为输入进行水色要素反演,通过比较反演值和真实测量值来评价算法性能.结果显示,建立的基于ANN的二类水体水色要素反演算法具有很好的性能.

基于人工神经网络的海水漫射衰减系数的遥感反演方法

利用NOMAD数据集建立了基于人工神经网络的漫射衰减系数Kd490的反演算法。该人工神经网络是3层的反向传输神经网络。其结构为输入层有4个节点,它们分别对应4个波段443,490,555,665 nm的遥感反射比,隐含层有10个节点,输出层1个节点对应于漫衰减系数Kd490。利用另一独立的现场测量数据集(COASTLOOC)印证该反演算法的性能。结果表明,该研究建立的反演算法的性能明显好于业务化SeaWiFS算法,略好于Lee等人的半分析算法。

海洋水体光学性质测量技术研究进展

海洋水体光学性质测量是海洋光学理论发展的基础,水体光学性质测量技术的提高,也大大带动了其它海洋光学技术及其应用的发展。回顾历史,光电技术和光谱技术是水体光学测量技术的主要推动力,海洋光辐射传输理论的发展及水色遥感是水体光学测量技术的主要牵引力。论文重点对水体光学性质中基础量的测量原理、方法及主要产品做了系统的介绍,其中包括光谱辐亮度和光谱辐照度的测量方法、水体光谱吸收的测量方法以及光谱散射性的测量方法等。最后,给出了水体光学性质测量技术未来的发展方向,为从事水体光学性质仪器开发、相关海洋光技术开发和用户等提供参考。

不同天气条件下蓝绿激光下行跨介质传输特性

采用蒙特卡洛仿真方法,分析了三种典型天气条件(晴天、层云和卷云)下激光在大气-海气界面-水体中的下行传输特性。结果表明:不同天气条件下经过大气传输到达海面的激光角分布明显不同,晴天时角分布发散很小,层云条件下发散严重,卷云条件下发散明显;晴天与层云条件下到达海面的光斑尺寸接近,而卷云条件下光斑大15%左右。不同天气条件下,激光经过大气、海气界面后角分布表现出不同的特征,晴天时海面使激光角分布发散变大,且随风速的增加发散呈变大的趋势;层云条件下海面使角分布发散变小,且随风速的增加发散呈变小的趋势;卷云条件下激光角分布变化复杂。不同天气条件下,激光经过大气、海气界面、水体后,既有相同特征又有不同之处。当水较浅时,三种天气条件下角分布表现出不同特征,水较深时角分布趋于一致;晴天和层云条件下的光斑尺寸基本不随水深变化,卷云条件下随深度增加明显减小。不同天气条件下光斑中心能量随深度的变化存在一定差异,晴天时平均变化率约为−0.410 dB/m,层云和卷云条件下分别为−0.426 dB/m和−0.413 dB/m。研究结果可为蓝绿激光跨介质通信链路预算、系统设计及参数优化提供参考。

卫星遥感融合中通量守恒重采样方法与其它常用方法的比较

对多卫星传感器数据进行融合,首先要将多个传感器数据通过重采样算法重新投影到标准网格上。本文运用一种基于多边形切割算法的通量守恒重采样算法对图像数据进行重采样,并将该算法与3种常用的重采样算法(最邻近插值法、双线性插值法、三次卷积插值法)在信息保真方面的性能进行了比较。将所比较的重采样方法应用于两幅具有代表性的图像,其中一幅为人造图像,用于定性比较各种采样方法在图像缩放中的采样精度;另一幅为某机场卫星遥感图像,用于评价各种重采样方法在旋转图像方面采样的性能,并以定量参数(相关系数及光谱真实性)比较各种采样方法。结果表明,通量守恒重采样法对原始图像的信息保真效果最好,更适用于卫星遥感图像数据融合中的重采样。

光谱微分技术在高光谱遥感浅海海底底质中的应用初探

采用光谱微分技术进行了高光谱遥感反演浅海海底底质的初步研究。首先,利用半分析海洋辐射传递模型模拟不同海底底质的光学浅水高光谱遥感反射比数据集;然后,利用光谱微分技术建立海底底质识别算法;最后利用水槽模拟数据来验证。结果表明本文建立的反演算法可以应用于泥砂类和植物类底质的区分。

基于客观分析的多源卫星叶绿素a浓度产品融合方法研究

本文基于Aqua/MODIS、Terra/MODIS和Envisat/MERIS多源卫星叶绿素a浓度产品,研究了客观分析融合方法,制作了西北太平洋海域（0°～50°N,100°～150°E）叶绿素a浓度融合产品,并从有效数据空间覆盖率和产品精度两个方面对融合方法进行了评价。与单传感器以及欧洲太空局发布的GSM模型业务化融合产品相比,客观分析融合产品空间覆盖率明显提高;与收集的2002-2012年间叶绿素a浓度实测数据比较,GSM模型业务化融合产品的匹配数据点为578个,偏差为-0.20mg/m^3,均方根误差为0.37mg/m^3,客观分析法融合产品的匹配数据点为1 432个,偏差为-0.21mg/m^3,均方根误差为0.36mg/m^3。结果表明：本文研究的客观分析融合方法在保证融合产品精度的同时可显著提高产品的空间覆盖率,在海洋水色融合应用前景广阔。

基于神经网络方法的高光谱遥感浅海水深反演

利用人工神经网络方法进行了高光谱遥感反演浅海水深的初步研究。在产生模拟数据时,为保证模拟数据的合理性,引入了根据水体和海底特性来划分光学浅水和光学深水的方法,并初步研究了利用光谱微分技术进行光学浅水和光学深水区分的有效性。在人工神经网络建模过程中,采用主成分分析的方法对网络的输入数据进行预处理,显著提高了网络的学习速度。建立的人工神经网络模型和基于非线性最优化方法的反演算法与实测数据的反演结果相比较,人工神经网络模型的反演精度明显高于非线性最优化反演算法。

西北太平洋海水透明度遥感反演与融合方法

海水透明度是描述海水光学特性的一个重要参数。论文首先利用现场测量的遥感反射率和透明度数据建立了西北太平洋的透明度遥感反演模型,并应用于Seawifs、MODIS-aqua、MOIDS-terra及MERIS Level 2反射率数据,获取西北太平洋的透明度数据。然后将平均法、最优插值法2种融合方法分别应用于上述4颗卫星的透明度数据进行数据融合,并用现场测量的同步透明度数据对融合后的产品进行了印证。另外,利用2种融合方法分别对西北太平洋2007年Seawifs、MODIS-aqua、MODIS-terra和MERIS4颗传感器的透明度数据进行了月融合,分析了融合的西北太平洋的时空分布特征。研究结果表明,融合数据大幅度提高了空间覆盖率,并具有较高可信度。平均法和最优插值法两种融合方法性能有较大的不同,平均法对细节特征保留的较好,且具有较高的运行速度,但有时空间覆盖率仍不能满足要求;最优插值法具有高的空间覆盖率,但其运行速度较慢。

一种东中国海水体漫衰减系数K_d(490)的反演方法

东中国海是典型的二类水体或者浑浊水体,海色传感器SeaWiFS和MODIS漫衰减系数Kd(490)的业务化反演算法—Mueller算法在东中国海不再适用。基于2006—2007年3个东中国海航次的现场数据和模拟数据基础上提出了一种漫衰减系数Kd(490)的反演算法,在Mueller算法基础上增加了620 nm的波段信息以反映东中国海浑浊水体的特性。该算法与3个航次的东中国海现场数据进行印证,反演相对误差为12.1%,均方根误差0.08,相关系数0.99(N=74)。结果表明该算法有效提高Mueller算法在东中国海的反演精度。

基于MODIS陆地波段的近岸水体浊度遥感方法

利用MODIS陆地波段(469 nm,555 nm和645 nm)数据,建立了近岸水体浊度的遥感反演方法,并以渤海为例,在采取严格的时空匹配方法的基础上,利用现场测量浊度数据对反演结果进行了印证。印证结果显示,基于陆地波段的红绿波段比值反演算法(QAA-RGR反演算法)的反演结果相对误差约为12.7%,标准QAAv5反演算法的反演结果相对误差约为26.4%,采用陆地波段数据的QAA-RGR反演算法反演的结果更可靠。另外,基于陆地波段的反演结果具有更高的空间分辨率,能更好地体现浊度的细节分布特征,如辽东湾南端的沙脊群落的分布。最后,本研究利用QAA-RGR反演算法构建了渤海浊度的季节分布特征,分布特征合理。

由Hyper-TSRB数据估算海面遥感反射比的方法比较

比较了3种由Hyper-TSRB数据估算海面遥感反射比(Rrs)的方法,这3种方法分别为:prosoft、优化方法和经验方法。用于比较的现场测量数据为SeaBASS数据中193个站位的水中向上辐亮度(Lu(z))及向下辐照度(Ed(z))的剖面数。比较结果显示,3种方法对于较清的水体都有很高的精度,对于混浊的水体,优化方法和经验方法都有较高的精度,其中经验方法的性能稍优于优化方法,而prosoft方法精度较差,可达50%。

由粒子吸收光谱提取浮游植物吸收光谱的人工神经网络方法

基于现场实验数据集及人工神经网络技术,论文提出了一种从海中粒子吸收光谱提取浮游植物吸收光谱的方法。这个数据集包含了海中粒子吸收光谱和对应的浮游植物吸收光谱,并被分为三个子集:训练集、印证集和试验集。本研究所利用的人工神经网络系统为多层感知器,训练后的人工神经网络的性能由印证集和试验集来评价。实验结果表明,文中所提出的方法可成功地提取浮游植物的吸收光谱,其提取精度与传统的实验方法相当。