黄海呈现独有的地形条件,且该海域的潮波运动独具特征。本文利用静止海洋水色成像仪(Geostationary Ocean Color Imager, GOCI)遥感反演和俄勒冈州立大学(Oregon State University,OSU)潮流模式分别获取了黄海海域的海表流场,基于该海...黄海呈现独有的地形条件,且该海域的潮波运动独具特征。本文利用静止海洋水色成像仪(Geostationary Ocean Color Imager, GOCI)遥感反演和俄勒冈州立大学(Oregon State University,OSU)潮流模式分别获取了黄海海域的海表流场,基于该海域独特的潮波系统提出并识别潮波干涉区,进而对GOCI反演的流场做潮流提取,并对两种潮流数据作分区可用性评价,通过实测的漂流浮标数据验证评估。结果表明:利用GOCI反演和OSU潮流模式获取的海表流场具有一定程度的可靠性,GOCI反演的海表流场的流速平均相对大小误差值为0.77,OSU潮流模式获取的海表流场流速平均相对大小误差值为0.49;在靠近潮波干涉区的黄海中部海域,GOCI潮流数据与实测数据在方向上的一致性要优于OSU潮流数据,两者平均角度误差值分别为48.45°和63.10°;在远离潮波干涉区的黄海近岸海域,OSU潮流数据与实测数据在速度大小和方向上的一致性要优于GOCI潮流数据。展开更多
采用基于机器学习的多层感知机算法,利用GOCI(Geostationary Ocean Color Imager)传感器获取的瑞利校正反射率数据,对东中国海大型漂浮藻进行遥感自动识别,采用线性混合像元分解来计算大型漂浮藻的覆盖面积,并利用膨胀和侵蚀法进行大型...采用基于机器学习的多层感知机算法,利用GOCI(Geostationary Ocean Color Imager)传感器获取的瑞利校正反射率数据,对东中国海大型漂浮藻进行遥感自动识别,采用线性混合像元分解来计算大型漂浮藻的覆盖面积,并利用膨胀和侵蚀法进行大型漂浮藻的分布面积计算。利用L8/OLI(Landsat 8/ Operational Land Imager)高空间分辨率资料进行验证,结果表明,基于机器学习遥感算法针对GOCI提取的大型漂浮藻覆盖面积,与L8/OLI结果十分接近,R2达到0.959,平均绝对误差和平均相对误差分别为39.32 km^2和18.15%。展开更多
结合GOCI(Geostationary Ocean Color Imager)传感器的波段特征,基于缨帽变换方法设计了一种简单有效的绿潮指数(TCT-GTI)算法。结合目视判断的绿潮识别结果,将TCT-GTI算法与两种已有的遥感算法(AFAI和IGAG算法)监测结果进行对比发现,TC...结合GOCI(Geostationary Ocean Color Imager)传感器的波段特征,基于缨帽变换方法设计了一种简单有效的绿潮指数(TCT-GTI)算法。结合目视判断的绿潮识别结果,将TCT-GTI算法与两种已有的遥感算法(AFAI和IGAG算法)监测结果进行对比发现,TCT-GTI算法的绿潮遥感监测结果精度较高,具有较高的可信度。将TCT-GTI算法应用到2017年多景GOCI影像,对中国黄海海域绿潮信息进行提取,同时分析绿潮覆盖面积的日变化特征,研究2017年绿潮暴发事件的漂移轨迹。研究结果表明,绿潮覆盖面积在中午12:00达到最大,这可能是光合作用等因素的影响。2017年,绿潮暴发事件经历了西北至东北的漂移路径,由江苏盐城外海海域向西北方向漂移至南黄海东部,然后继续向东北方向移动,抵达山东半岛南岸,逐渐消亡。展开更多
文摘黄海呈现独有的地形条件,且该海域的潮波运动独具特征。本文利用静止海洋水色成像仪(Geostationary Ocean Color Imager, GOCI)遥感反演和俄勒冈州立大学(Oregon State University,OSU)潮流模式分别获取了黄海海域的海表流场,基于该海域独特的潮波系统提出并识别潮波干涉区,进而对GOCI反演的流场做潮流提取,并对两种潮流数据作分区可用性评价,通过实测的漂流浮标数据验证评估。结果表明:利用GOCI反演和OSU潮流模式获取的海表流场具有一定程度的可靠性,GOCI反演的海表流场的流速平均相对大小误差值为0.77,OSU潮流模式获取的海表流场流速平均相对大小误差值为0.49;在靠近潮波干涉区的黄海中部海域,GOCI潮流数据与实测数据在方向上的一致性要优于OSU潮流数据,两者平均角度误差值分别为48.45°和63.10°;在远离潮波干涉区的黄海近岸海域,OSU潮流数据与实测数据在速度大小和方向上的一致性要优于GOCI潮流数据。
文摘采用基于机器学习的多层感知机算法,利用GOCI(Geostationary Ocean Color Imager)传感器获取的瑞利校正反射率数据,对东中国海大型漂浮藻进行遥感自动识别,采用线性混合像元分解来计算大型漂浮藻的覆盖面积,并利用膨胀和侵蚀法进行大型漂浮藻的分布面积计算。利用L8/OLI(Landsat 8/ Operational Land Imager)高空间分辨率资料进行验证,结果表明,基于机器学习遥感算法针对GOCI提取的大型漂浮藻覆盖面积,与L8/OLI结果十分接近,R2达到0.959,平均绝对误差和平均相对误差分别为39.32 km^2和18.15%。
文摘结合GOCI(Geostationary Ocean Color Imager)传感器的波段特征,基于缨帽变换方法设计了一种简单有效的绿潮指数(TCT-GTI)算法。结合目视判断的绿潮识别结果,将TCT-GTI算法与两种已有的遥感算法(AFAI和IGAG算法)监测结果进行对比发现,TCT-GTI算法的绿潮遥感监测结果精度较高,具有较高的可信度。将TCT-GTI算法应用到2017年多景GOCI影像,对中国黄海海域绿潮信息进行提取,同时分析绿潮覆盖面积的日变化特征,研究2017年绿潮暴发事件的漂移轨迹。研究结果表明,绿潮覆盖面积在中午12:00达到最大,这可能是光合作用等因素的影响。2017年,绿潮暴发事件经历了西北至东北的漂移路径,由江苏盐城外海海域向西北方向漂移至南黄海东部,然后继续向东北方向移动,抵达山东半岛南岸,逐渐消亡。