MRMR-SA-EGA-ELM的叶绿素a浓度预测模型研究

为提高叶绿素a浓度的预测精度,以南太湖区域-湖州市新塘港2020年5月至11月份的水质监测数据为原始样本数据,使用最大相关最小冗余算法(MRMR)从原始样本数据中选取效果更优的特征值,作为预测模型的输入数据,将精英遗传算法(EGA)与模拟退火算法(SA)组合优化极限学习机(ELM)网络的初始参数,最终构建MRMR-SA-EGA-ELM叶绿素a浓度预测模型。实验结果表明,MRMR-SA-EGA-ELM模型预测叶绿素a浓度的平均绝对误差(MAE)、均方误差(MSE)、决定系数(R^(2))分别为1.009、1.607、0.903,而ELM模型预测结果的MAE、MSE、R^(2)分别为2.078、8.249、0.562,MRMR-SA-EGA-ELM模型的效果得到显著提升,可实现对叶绿素a浓度的准确预测。

基于HY-1C/D卫星的河北省近海海域叶绿素a浓度遥感反演算法

叶绿素a浓度作为衡量水质的重要参数之一,是评估水体富营养化和初级生产力的主要指标。我国海洋一号C(HY-1C)卫星具备高时空分辨率的观测优势。本文基于河北近海现场实测数据,建立了HY-1C卫星COCTS叶绿素a浓度反演模型,并应用该模型在河北近海海域进行了叶绿素a浓度反演示例试验。结果表明,叶绿素a浓度反演模型具有较高的决定系数(0.972)和较低的平均相对误差(27.48%)。应用该模型在河北近海海域反演得到的叶绿素a浓度分布空间分布符合地理实际情况。研究表明,HY-1C卫星COCTS数据可用于河北近海水色定量化研究。

基于HEA模型的达里诺尔叶绿素a浓度模拟与分析

针对达里诺尔湖富营养化问题,通过2000—2020年达里诺尔水质监测数据,运用混合演化算法(HEA)对达里诺尔西部、中部和东部叶绿素a浓度的变化规律进行模拟和预测,并揭示其三个采样点的变化规律。结合阈值数据和敏感性分析量化叶绿素a浓度与环境因子的关系。研究结果表明:(1)达里诺尔叶绿素a浓度的季节变化呈显著性差异,表现为夏季和秋季显著高于春季,但三个采样点之间不具有显著性差异;(2)达里诺尔湖西部、中部和东部HEA模型模拟值与实际监测值之间相关系数(R^(2))分别为0.50、0.62和0.75,均方根误差(RMSE)分别为2.08、1.62和1.09 mg·m^(-3);(3)在一定的变化范围和阈值条件下,叶绿素a浓度与高锰酸盐指数(COD_(Mn))、生化需氧量(BOD_(5))、铵态氮(NH_(4)_N)和水温(WT)呈较强的正相关关系,与水深(WD)、透明度(SD)呈较强的负相关关系,与pH相关性不明显。研究显示,HEA算法较好地解释并模拟了叶绿素a的含量变化,模型总体精确度较高,可为达里诺尔藻华早期的预测预警提供一定的数据基础。

基于实测光谱的白洋淀叶绿素a浓度反演

内陆水体叶绿素a浓度决定其浮游生物含量,是衡量水体富营养化程度的主要指标,更是影响水体表观反射率光谱的重要因素之一。三波段生物光学模型能有效避免二类水体中悬浮物与化学物质等因素的影响,准确估算叶绿素a浓度。以雄安新区白洋淀为研究区域,利用实测水体光谱及水体叶绿素a浓度,分析水体光谱特征,利用穷举法确定三波段因子位置,建立三波段反演模型及精度验证,最后对结果进行分析评价。结果表明,在λ_(1)=673 nm,λ_(2)=729 nm,λ_(3)=782 nm处,三波段模型反演因子[R_(rs)^(-1)(673)-R_(rs)^(-1)(729)]R_(rs)(782)与叶绿素a浓度的相关系数最高为0.82。该模型的决定系数、均方根误差、平均绝对误差、平均相对误差分别为0.67、3.61μg/L、2.86μg/L、26.06%,表明对于悬浮物以及化学物质较高的水体,三波段模型相较于波段比值与单波段模型具有很好的反演精度。该研究为白洋淀叶绿素a浓度反演提供了一定的理论依据和技术支持,有助于白洋淀水质持续监测,也为后续使用三波段模型反演二类水体叶绿素a浓度提供了算法支持。

基于CNN-SVR网络的黄渤海近岸海域叶绿素a浓度预测

利用海洋卫星观测数据和黄渤海近岸海域实测生态水质数据,建立了一种基于卷积神经网络结合支持向量回归(Convolutional Neural Network-Support Vector Regression,CNN-SVR)的深度学习网络模型的叶绿素a浓度预测方法。采用皮尔逊方法对叶绿素a与环境动力因子和生态水质因子作相关分析,发现营养盐因子大多与叶绿素a有显著相关性,水质因子如pH、溶解氧、盐度等与叶绿素a的相关性不大;将黄渤海近岸海域划分为渤海南部与黄海北部、黄海中部,进行春夏、秋冬两个时期1×1和2×2两种卷积核大小的CNN-SVR网络模型实验以及单因子敏感性分析试验。结果显示:卷积核大小为2×2时,CNN-SVR网络模型对训练数据的学习和对测试样本的预测检验效果都更优;渤海南部与黄海北部近岸海域模型预测效果更好。营养盐因子对模型预测能力的影响更显著,悬浮物等水质因子的影响相对较弱。单变量对模型预测的敏感性较弱,多变量整合具有互补性,改善了模型的预测效果。

基于哨兵-2MSI数据的高邮湖水体叶绿素a浓度和总悬浮物浓度遥感反演

哨兵-2号卫星多光谱成像仪(MSI)数据的空间分辨率高,重访周期短,适用于高邮湖这类中小型湖泊的水质反演。利用实测水体光谱数据模拟出哨兵-2 MSI数据,并建立了适用于该数据在高邮湖反演叶绿素a(Chl.a)浓度和总悬浮物(TSM)浓度的模型。经过验证,Chl.a的反演均方根误差(RMSE)为8.02μg/L,平均相对误差(MRE)为18.4%,TSM的反演RMSE为16.2 mg/L,MRE为23.3%,表明该模型具备理想的反演精度。利用哨兵-2 MSI数据和建立的反演模型,可以获得高邮湖Chl.a和TSM时空分布情况。初步分析发现,高邮湖这2项水质参数的分布与湖内的围网养殖和入湖径流之间存在一定关系。

千岛湖叶绿素a浓度动态变化及其影响因素分析

通过对千岛湖各常规监测点1999～2000年叶绿素a含量及水质理化指标的逐月监测,分析了千岛湖叶绿素a含量的时空变化特征及影响因子.结果表明,千岛湖叶绿素a含量在湖心区和出水区随季节变化不明显,但受人类活动影响较大的河流区和湖边区随季节变化明显,其含量明显高于湖心区和出水区.影响千岛湖叶绿素a含量变化的主要因子有氮、磷、水温、透明度和降水等,这些生态因子对叶绿素a含量有着直接和间接的影响,但不同区域各影响因子所起的作用不同.

基于TM数据的太湖叶绿素A浓度定量反演

利用TM(ETM)数据与准实时地面采样数据,建立太湖叶绿素浓度反演模型。结果表明,TM3/(TM1+TM4)与叶绿素A浓度的相关性最好,并以此建立了太湖叶绿素A浓度线性反演模型,但反演精度并不高,因此,建立了一个两层BP神经网络模型反演太湖的叶绿素A浓度,结果表明,神经网络模型的反演精度远高于线性反演模型,16个测试样本表明,神经网络模型反演的相对误差小于30%的有15个点,占总测试样本93.75%,而线性反演模型反演相对误差在30%以下的仅有3个点,这表明对于太湖这样一个光谱特征复杂的二类水体,可以利用神经网络模型反演水质参数。

基于GOCI影像分类的太湖水体叶绿素a浓度日变化分析

叶绿素a浓度(Chlorophyll-a:Chl-a)是内陆水体重要的水质参数之一,遥感数据为其提供了大范围、多时相的监测信息,然而由于内陆湖泊水色要素复杂的光学性质及较大的时空差异,传统的遥感影像及单一的Chl-a反演模型在应用中存在着局限性。因此本研究以太湖为研究区,时间分辨率1小时的静止海洋水色卫星Geostationary Ocean Color Imager(GOCI)为数据源,在基于层次聚类法实现归一化实测光谱反射率分类的基础上,利用光谱角测距匹配实现2012年5月6日(08:16—15:16)8景GOCI太湖影像的水体分类;并针对不同水体类型分别建立基于GOCI影像的Chl-a反演模型,实现不同类型水体的Chl-a浓度反演。结果表明,太湖水体光谱可分为四类,类型1光谱体现出漂浮藻类的特征,可将其作为蓝藻水华的判定依据;类型2—4体现的特征分别为水体含有较高Chl-a浓度、较高悬浮物浓度及相对较低Chl-a较低悬浮物浓度;并且类型2—4与分类前相比,其分类模型估算的Chl-a浓度误差均得到了不同程度的提高,平均相对误差分别降低了7%,12.3%和15.9%;此外,GOCI影像反演结果不仅可以很好地反映Ch卜a浓度的空间分布状况,也能反映出太湖Chl-a浓度的日变化差异及规律,表现出了其在富营养化污染动态监测及预警中的应用潜力。该方法在GOCI影像中的应用,在提高Chl-a浓度反演精度的同时也提高了模型在实际应用中的适用性,为日后太湖水体不同时刻Chl-a浓度的精确估算提供了基础。

基于反射光谱的太湖北部叶绿素a浓度定量估算

利用地物光谱仪研究了太湖水体的反射光谱特征与叶绿素a浓度之间的定量关系,结果表明太湖水体的叶绿素a浓度可以用720 nm附近的反射率估算,同时也可以用806 nm和571 nm两个波段的反射率比值来估算,前者建立的估算模型具有较好的通用性,而后者只能较好的估算<10μg/L的叶绿素a浓度;通过对光谱微分的分析,发现叶绿素a浓度与690 nm附近的一阶微分和702 nm附近的二阶微分相关性最好,但基于反射光谱一阶微分的叶绿素a浓度估算模型,并没有显著的提高太湖叶绿素a浓度的估测精度,二阶微分后的估测精度好于一阶微分,但其估测精度仍没有利用720 nm反射光谱的反演模型高．太湖水体的叶绿素a浓度可以利用720 nm附近的反射光谱有效地估算．

太湖不同叶绿素a浓度水体荧光特征分析

利用2008年太湖蓝藻爆发的5—8月实测的27个站点水体光谱反射率和水质参数,分析了不同叶绿素a浓度等级下太湖水体光谱的荧光特征。结果表明,荧光峰位置和荧光峰高度都与叶绿素浓度呈显著正相关,且荧光峰峰值位置和半宽度与叶绿素a浓度的拟合度要高于基线荧光峰高度和归一化荧光峰高度。荧光峰特性用于二类水体中高浓度叶绿素探测较传统的蓝绿光波段比值有很大的改进,而宽通道卫星遥感所采用的叶绿素浓度近红外红光波段比值法本质上与归一化荧光峰高度一致。这为今后进一步利用荧光特征提高太湖叶绿素a浓度反演精度提供了研究基础。

台风对海洋叶绿素a浓度影响的定量遥感初探

研究台风对海洋水色环境的影响,是目前海洋遥感技术又一应用领域。由于台风期间天气恶劣,遥感资料较少,国际上主要针对个别典型台风,研究其对海表温度、海洋叶绿素a浓度及初级生产力的影响,很少通过遥感资料系统地对这一影响进行定量分析和建模。自2000到2007年,过境中国近海以及西北太平洋海域台风近百次,作者通过系统地分析这期间MODIS,SeaWiFS的3A级叶绿素a浓度数据,结果发现：（1）台风促进了相应海域叶绿素a浓度的大幅增长,总体上平均增长约1.426倍,个别区域在5倍以上,同时,该增长一般延后3~6 d,在7~10 d后恢复到原来的水平 （2）进一步对这些数据进行一元统计线性回归,发现叶绿素a浓度增长比（Rchl-a）与台风影响因子（Tw）满足如下关系：Rchl-a=0.0012Tw＋1.017,其相关系数达0.8 （3）台风期间叶绿素a浓度与无台风时叶绿素a浓度之间有很强的线性关系,其关系满足：Cchl-a=1.2367C0chl-a＋0.0636,且相关系数高达0.98。这一初步研究结果对进一步通过遥感手段深入研究台风对海洋水色环境的影响有借鉴意义。

两小型浅水湖泊水体叶绿素a浓度的季节变化及与理化因子和生物因子的关系

为探讨非生物因子和生物因子对水体叶绿素a(Chl.a)浓度变动的相对重要性,对芜湖市内的汀棠湖(每半月1次)和镜湖(每4天或7天1次)进行高频采样,分析理化因子及浮游动物密度与Chl.a浓度间的关系.结果表明,从全年来看,2个湖泊的Chl.a浓度均与水温和透明度间分别呈现显著的正相关性和负相关性,与浮游动物密度均无显著相关性;镜湖Chl.a浓度随着总磷浓度和氮磷比的增加分别呈上升和降低趋势.从季节来看,冬季两湖中的Chl.a浓度最低,轮虫密度与此阶段镜湖中藻类Chl.a总浓度和小型藻类的Chl.a浓度间均呈显著负相关,且其对上述两类Chl.a浓度变动的影响程度最大,表明轮虫对藻类的牧食效应降低了冬季镜湖中的Chl.a浓度.从各环境因子对Chl.a浓度变动影响的相对权重来看,除了冬季的镜湖外,2个湖泊中的两类Chl.a浓度均与透明度的关系最密切,且均随着透明度的上升而降低,暗示了透明度可作为预测小型封闭性浅水湖泊中Chl.a浓度的简便指标.

南海北部海域叶绿素a浓度时空特征遥感分析

利用2007-2010年MODIS的L2级叶绿素a浓度产品作为数据基础,对叶绿素a浓度年平均和月平均数据进行分级分区处理,研究南海北部海域叶绿素a浓度时空分布特征及其与海洋环境因素的关系。初步研究结果表明:2007-2010年在南海北部海域叶绿素a浓度的高值区(>5.0mg/m3)主要分布在广东省沿岸河流的入海口,分布范围在夏季最大,在春秋次之,在冬季最小;叶绿素a浓度的次高值区(1.0～5.0mg/m3)主要分布在海岸线到50m等深线之间的海域,分布范围夏冬较大,能扩展到50m等深线附近,而春秋较小,会退缩到50m等深线以内;叶绿素a浓度的中值区(0.3～1.0mg/m3)主要分布在50m到100m等深线之间的海域,时空变化复杂;叶绿素a浓度的低值区(<0.3mg/m3)主要分布在100m等深线以外的海域,其区域平均值夏季最低,春秋次之,冬季最高,同时该区域叶绿素a浓度在春夏秋三季空间分布较均匀,而冬季受季风和黑潮入侵影响空间分布较为复杂。南海北部海域海表叶绿素a浓度的时空变化特征与季风、沿岸河流、海流、海表温度等海洋环境因素的变化有关。

卫星遥感北太平洋渔场叶绿素a浓度

海洋叶绿素a(Chla.)含量是了解世界海洋中地球生物化学循环的基础和估算海洋生产力的基本指标,是判断水域的肥瘠程度和评价水域渔业潜在生产力的基本依据.富集浮游植物的海域是海洋食植动物的大密度存在和水产资源丰富存在的基础,许多鱼类如金枪鱼等中上层鱼群集在锋面两侧或涡旋,这些特征与营养盐供给或混合层深度变化相关.北太平洋渔场已成为我国远洋渔业的重要组成部分[1],卫星遥感技术可以实现大面积同步的观测和一年四季连续的观测,是测定北太平洋渔场海洋叶绿素a的最有效方法.

台风对海洋叶绿素a浓度影响的延迟效应

利用MODIS、SeaWiFS 3A资料详细分析了2000—2006年间西北太平洋海域主要台风对叶绿素a浓度的影响。结果发现,台风可导致叶绿素a浓度最大增长平均值为2.385倍,个别最高达10倍以上,且增长到最大值平均延迟5.94d;同时叶绿素a浓度最大值与无台风时叶绿素a浓度具有线性相关性,相关系数达0.889;叶绿素a浓度与相应的海域平均海水深度具有负的乘幂关系,其相关系数是0.87;台风后叶绿素a浓度的最大增长量与相应海域海水平均深度也呈负乘幂关系,其相关性略低于前者,相关系数为0.75。

基于HJ卫星的近岸Ⅱ类水体叶绿素a浓度定量遥感反演研究——以滦河口北部海域为例

为验证环境卫星影像在近岸Ⅱ类水体中叶绿素a浓度反演的适宜性,获得适合滦河口北部近岸海域的叶绿素a浓度的高精度反演算法,基于HJ-1ACCD2影像数据和现场同步实测数据,构建、验证并确立适合研究区叶绿素a浓度反演模型。结果表明:HJ-1ACCD2卫星可用于水文情况较复杂的近岸Ⅱ类水体叶绿素a浓度的反演研究;最佳波段组合(B3/B1)构建的倒数模型,可反演叶绿素a浓度。结果显示叶绿素a浓度整体由近岸向内海方向逐渐减小,自北向南逐渐降低,并在河口处形成向外海突出的高值区;叶绿素a浓度最大值出现在金山嘴南侧,为25.0μg/L。离岸叶绿素a浓度最小值出现在滦河口以东约13.2km处,仅4.6μg/L;近岸叶绿素a浓度最小值出现在滦河口附近,约为11.0μg/L。该研究可为相关研究提供技术参考,研究成果可为当地政府科学管理海洋环境、制定海洋政策提供决策依据,为该海域可持续发展提供数据支持。

应用MODIS数据反演河北省海域叶绿素a浓度

为了建立更加合理、准确的叶绿素a遥感反演模型,利用地物光谱仪测定了河北省海域水面的光谱反射率,分析了光谱反射率与实测叶绿素a浓度之间的关系。在此基础上,通过MODIS数据各波段及波段组合的反射率与实测叶绿素a浓度的相关分析,确定第1波段(B1)为最佳反演波段,建立了应用B1反演叶绿素a浓度的遥感模型,并对模型精度进行验证。结果表明:该模型相关系数为0.66,反演结果均方根误差为0.48 mg/m3,模型精度优于SeaDAS的OC3标准经验算法;该模型反演河北省海域表层水体的叶绿素a浓度有较好的效果。

南海北部水体叶绿素a浓度反演的生物光学模型

利用2003年至2005年秋季在南海多个航次的现场观测数据,研究了南海北部海区遥感反射率的变化,并分析了用于全球海洋叶绿素a浓度反演的OC2和OC4模型在本海区的适用性。结果表明,在南海北部海域,OC2和OC4模型高估了叶绿素a浓度,高估范围一般约在80%—200%之间,其中最高可达640%,即OC2和OC4模型并不适用于南海海域。在此基础上,根据现场实测的表观光学数据,利用遥感反射率比值(Rrs(433)/Rrs(555))与叶绿素a浓度的关系建立了两套能够精确反演南海北部海域叶绿素a浓度的本地化经验算法———算法1和算法2,并利用其对南海北部海域的叶绿素a浓度进行反演。结果表明,由本地化模型反演得到的叶绿素a浓度与实测的叶绿素a浓度具有较好的相关关系,其平均相对偏差分别为51%和53%,相关系数为0.75。

CMODIS资料提取叶绿素a浓度的反演算法研究

中分辨率成像光谱仪(CMODIS)是我国“神舟3号”飞船上对地观测主载荷,是我国第一台上天的具有测量海面叶绿素a浓度能力的成像光谱仪.利用宽视场海洋水色扫描仪(SeaWiFS)反演叶绿素a浓度作为参考值建立CMODIS资料处理模型,得到三个基于蓝绿波段比值法的叶绿素a浓度反演算法,平均相对误差分别为26.6%,24%和33.5%,均方根误差分别为1.16,1.15和1.23 mg/m3.在叶绿素a浓度反演误差允许范围小于35%的条件下,比值算法的适用范围为悬浮泥沙浓度小于5 g/m3的海区.悬浮泥沙的强散射作用导致比值算法在高悬浮泥沙浓度条件下产生高估叶绿素a浓度反演值的现象;在中低悬浮泥沙浓度的海区,悬浮泥沙和浮游植物对离水辐亮度的综合作用使比值算法存在低估叶绿素a浓度的趋势.