基于极限学习机回归的海水Chla浓度预测方法

有效监测海水Chl a浓度状况对近海赤潮等海洋灾害的预警预报有着重要意义。运用灰色关联分析法确定预测模型的输入变量,可有效降低预测模型系统维数。采用极限学习机回归方法建立海水Chl a浓度预测模型,通过与广义回归神经网络、支持向量机回归二种模型的预测效果进行对比,表明极限学习机回归预测模型具有较好的预测精度、预测效率和泛化能力,能够实现针对研究水域环境下Chl a浓度的有效预测。

基于季节分异的太湖叶绿素浓度反演模型研究

叶绿素浓度反演算法主要有经验方法、半经验/分析方法和分析方法,其中半经验/分析方法应用最为广泛。但是反演的模型以及模型中的参数和反演精度都随着水体中叶绿素浓度的变化而改变。不同的季节水体中叶绿素浓度不同,水体反射光谱曲线特征和与叶绿素浓度相关性较高的敏感波段也不一致,使得各季节选用的反演模型和模型中的参数也存在一定的差异。本文在对2005年1—10月份叶绿素a(Chla)浓度季节差异进行分析的基础上,对4—10月份同步测量的水体光谱数据分春、夏、秋三个季节进行分析,分季节建立叶绿素浓度反演模型,并对它们进行比较,旨在为各季节选择最佳的反演模型。研究结果表明:春季和秋季选用波段比值算法反演精度较高,其中对数模型,线性模型和一元二次模型都有较高的相关性;夏季选用微分算法较好,该算法所建立的三种模型均具有较高的相关性。

基于GOCI数据的暴雨后太湖水体叶绿素a浓度遥感反演研究

苕溪河是太湖主要的来水之一,在其流域发生强降雨之后河口会产生大面积羽流,这些羽流在湖泊水质变化中起着至关重要的作用,而针对该现象采用高时间分辨率的凝视卫星对其进行监测具有显著的研究价值。利用三波段算法构建了基于地球静止海洋彩色成像仪数据(GOCI)的太湖叶绿素a浓度反演模型,进而通过8景GOCI影像,对2011年8月底流域强降水事件后湖区水质受羽流影响的情况进行了分析研究。结果表明,入湖羽流对太湖叶绿素a(Chla)浓度的时空分布以及太湖南部水华区域的迁移扩散具有显著的影响作用,湖区Chla平均浓度在短时间内从24.30μg/L上升至38.14μg/L,太湖南部水华面积也逐渐下降,而湖心区有水华发生。由此可见,采用时间分辨率达到小时级别的GOCI数据连续监测内陆水环境可以刻画出更加详细的湖区水环境演变趋势,这对于研究湖泊水环境变化具有重要意义。