通过实测查干湖高光谱数据,建立透明度(Secchi Disk Depth,SDD)单波段估测模型、比值估测模型以及神经网络高光谱估测模型,并以确定性系数R2以及剩余残差RMSE为指标进行了验证。通过对单波段估测模型和比值估测模型进行比较发现,单波段...通过实测查干湖高光谱数据,建立透明度(Secchi Disk Depth,SDD)单波段估测模型、比值估测模型以及神经网络高光谱估测模型,并以确定性系数R2以及剩余残差RMSE为指标进行了验证。通过对单波段估测模型和比值估测模型进行比较发现,单波段模型估测结果与比值模型相差无几,而水体透明度经对数处理有利于模型精度提高,但是神经网络模型是三者中最优的。查干湖透明度高光谱定量估测模型的建立,有利于今后利用遥感影像,对查干湖水体透明度进行全面估测,对于研究和监测查干湖水体水质状况有重要意义。展开更多
文摘基于Sentinel-5P卫星TROPOMI数据,利用随机森林方法反演2018~2020年淮河流域地面NO_(2)浓度,采用推算法获得淮河流域2018~2020年NO_(2)干沉降通量,并通过划分不同集水区(水域、农田、城区和植被覆盖区)估算大气NO_(2)干沉降对淮河流域水体氮素的贡献.结果显示,卫星反演地面NO_(2)浓度与地面站点实测资料一致性较高,相关系数(R)为0.94,平均绝对误差(MAE)为2.7,均方根误差(RSME)为4.1.淮河流域地面NO_(2)浓度和NO_(2)干沉降通量均有明显的季节变化,春夏秋冬4个季节地面NO_(2)平均浓度分别为13.7,12.2,17.6,23.1μg/m^(3);NO_(2)平均干沉降通量分别为1.25,1.13,1.61,2.13kg N/(hm^(2)·a).淮河流域地面NO_(2)浓度和干沉降通量均表现为南北部高,东西部低.农田区域NO_(2)干沉降对流域水体氮素的贡献最大,占比83.47%.2019年淮河流域大气NO_(2)干沉降总量为1.34×10^(5)t,对水体氮素的贡献为1.36×10^(4)t N;2020年大气NO_(2)干沉降总量为1.25×10^(5)t,对水体氮素的贡献为1.18×10^(4)t N.
文摘通过实测查干湖高光谱数据,建立透明度(Secchi Disk Depth,SDD)单波段估测模型、比值估测模型以及神经网络高光谱估测模型,并以确定性系数R2以及剩余残差RMSE为指标进行了验证。通过对单波段估测模型和比值估测模型进行比较发现,单波段模型估测结果与比值模型相差无几,而水体透明度经对数处理有利于模型精度提高,但是神经网络模型是三者中最优的。查干湖透明度高光谱定量估测模型的建立,有利于今后利用遥感影像,对查干湖水体透明度进行全面估测,对于研究和监测查干湖水体水质状况有重要意义。