水体悬浮物浓度遥感反演经验模型
使用遥感技术进行水体污染监测与评估的方法与技巧
使用遥感技术进行水体污染监测与评估的方法与技巧引文：水是人类赖以生存的基本要素，然而，随着工业化和城市化的进程，水体污染问题也日益严重。
为了及时监测和评估水体的污染情况，遥感技术成为一种重要的手段。
本文将介绍使用遥感技术进行水体污染监测与评估的方法与技巧。
1. 简介随着空间信息技术的发展，遥感技术成为获取地球表面信息的重要手段。
通过卫星、飞机等传感器获取的遥感数据可以覆盖广阔的地区，并提供高分辨率的影像。
这使得遥感技术成为水体污染监测和评估的有力工具。
2. 遥感数据的选择和获取在进行水体污染监测与评估时，选择合适的遥感数据非常重要。
常见的遥感数据有多光谱影像、高光谱影像和合成孔径雷达(SAR)影像等。
多光谱影像可以提供较高的空间分辨率和光谱信息，高光谱影像则可以提供更丰富的光谱信息。
根据具体的研究目的和需求，选择合适的遥感数据进行水体污染的监测和评估。
在获取遥感数据时，可以通过购买商业遥感数据，如Landsat、Sentinel等，也可以通过政府或学术机构提供的开放数据获取。
此外，对于特定的研究区域，还可以利用航空遥感或无人机获取高分辨率的影像数据。
选择合适的数据源和获取方式，可以提高水体污染监测的效果。
3. 水体污染指标提取在进行水体污染监测与评估时，通常需要提取一些污染指标来进行分析和比较。
常见的水体污染指标包括水体悬浮物浓度、叶绿素-a浓度、水体透明度、水体温度等。
通过不同波段的遥感数据，可以计算出这些指标，并据此评估水体的污染程度。
以水体悬浮物浓度为例，可以利用多光谱影像的红波段和近红外波段进行计算。
通过建立悬浮物光谱反射率与悬浮物浓度之间的回归模型，即可提取出悬浮物浓度信息。
类似地，根据不同的指标计算公式，可以提取出其他污染指标，并综合分析水体的污染情况。
4. 水体污染监测与评估模型除了提取单一的污染指标外，还可以建立水体污染监测与评估模型，综合考虑多个指标的影响。
常见的模型包括支持向量机(SVM)、人工神经网络(ANN)等。
《基于Landsat8OLI卫星影像的乌梁素海悬浮物和叶绿素a浓度遥感反演研究》范文
《基于Landsat 8 OLI卫星影像的乌梁素海悬浮物和叶绿素a浓度遥感反演研究》篇一一、引言随着遥感技术的飞速发展，利用卫星影像对地表环境和生态系统的监测变得愈加准确和便捷。
其中，基于Landsat 8 OLI卫星影像的数据资源在湖泊环境研究中发挥了重要作用。
乌梁素海作为我国北方的一个典型内陆湖泊，其水质变化和生态环境状况受到了广泛关注。
因此，本文以乌梁素海为研究对象，利用Landsat 8 OLI卫星影像数据，探讨其悬浮物和叶绿素a浓度的遥感反演方法。
二、研究区域与方法（一）研究区域乌梁素海位于我国北方某省，是典型的内陆湖泊。
该湖泊的生态环境和水质状况对周边地区具有重要影响。
（二）研究方法本研究主要利用Landsat 8 OLI卫星影像进行反演研究。
首先，收集乌梁素海区域的多时相Landsat 8 OLI卫星影像数据；其次，对卫星影像进行预处理，包括辐射定标、大气校正等；然后，通过分析水体光谱特征，建立悬浮物和叶绿素a浓度与卫星影像特征参数之间的数学模型；最后，利用模型对乌梁素海进行遥感反演，获取悬浮物和叶绿素a浓度的空间分布情况。
三、数据处理与分析（一）数据预处理对收集到的Landsat 8 OLI卫星影像进行辐射定标和大气校正等预处理操作，以提高数据质量。
（二）光谱特征分析通过分析乌梁素海水体的光谱特征，发现水体中的悬浮物和叶绿素a对不同波段的光具有不同的反射和吸收特性。
其中，蓝色波段对叶绿素a的吸收较强，而红色和近红外波段对悬浮物的反射较为敏感。
（三）数学模型建立根据水体光谱特征分析结果，建立悬浮物和叶绿素a浓度与卫星影像特征参数之间的数学模型。
本研究采用多元线性回归方法建立模型，通过分析不同波段的光谱信息与悬浮物和叶绿素a 浓度的关系，确定模型的参数。
（四）遥感反演与结果分析利用建立的数学模型对乌梁素海进行遥感反演，获取悬浮物和叶绿素a浓度的空间分布情况。
通过对反演结果的分析，发现乌梁素海不同区域的悬浮物和叶绿素a浓度存在较大差异，这与该地区的气候、植被和水质等因素密切相关。
基于GF-WFV的厦门海域水体悬浮物浓度反演
第 ４期
应 用 海 洋 学 学 报
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ａｐ ｐ ｌ ｉ ｅ ｄ Ｏｃ ｅ ａ ｎ Ｏ ｇ ｒ ａ ｐ ｈ ｙ
Ｖｏ Ｉ ．３ ５．Ｎｏ ． ４ ＮＯ Ｖ ．， ２ ０１ ６
２ ０ １ ６年 １ １ 月
基于 Ｇ Ｆ — ＷＦ Ｖ的厦 门海域 水 体 悬 浮 物 浓 度反 演
粒 物 的分布 形 态改 变 了水 下 光 的再 分 布 ， 进 而 影 响
光合生物的光合 作用 引． 水体 中悬 浮颗粒物 质量
浓 度是 水 色遥感 反 演 的主 要 水 环 境 参 数 之 一 ， 由于 水 中悬 浮颗 粒 物具 有 显 著 的光 谱 特 征 ， 所 以水 中悬
浮 颗粒 物成 为许 多 国 内外学 者最 早利 用遥 感 技术 开
部 分反演 算法 主要利 用 了水体 中悬浮 颗粒 物在 不 同 遥感 波 谱范 围 的波谱 反射 差 异这 一共 同的特 性 ． Ｇ ｉ —
ｔ ｅ ｌ ｓ ｏ ｎ （ １ ９ ９ ３ ） 通 过实 验 研 究 发现 波 段 范 围 ５ ０ ０～６ ０ ０
小、 质量浓度等 的影响¨ Ｊ ， 而且 由于水体 中悬 浮颗
段 范 围的水 与大气 的辐 射传 输模 型差 异对 水质 反演 过程 进行 辅 以大 气校 正 ， 利用 不 同谱 段 范 围 的水 体 表 面反 射率 比值 概念模 型计 算 了水体 悬浮 颗粒 物质 量浓 度 ； 烟贯 发 等 （ ２ ０ １ ４ ） 将 机 器 学 习和 全 局优 化
合， 并创 建 了基 于 Ｇ Ｆ — ＷＦ Ｖ拟 合 波段 的 悬浮颗 粒物 浓度 经验 反 演 算 法． 通 过研 究发 现 拟合 （ Ｒ ｎ ３＋ Ｒ ４ ） ／ Ｒ ｒ ｓ ２ （ 其中 Ｒ ｍｌ 、 Ｒ ｒ ｓ ２ 、 Ｒ ｎ ３ 、 尺 ４分 别是 Ｇ Ｆ ． ＷＦ Ｖ第 １ 、 ２ 、 ３ 、 ４波段 的遥感反 射 率 ） 同 实测 水体
基于Hydrolight_模型的太湖SDGSAT-1_卫星悬浮物浓度反演研究
基于Hydrolight 模型的太湖SDGSAT-1卫星悬浮物浓度反演研究王雅萍 1胡雪可 1,2李家国 2,*姜晟 3陈兴峰 2赵利民 2陈洪真2（1 河南理工大学测绘与国土信息工程学院，焦作 454000）（2 中国科学院空天信息创新研究院，北京 100094）（3 江苏省环境监测中心，南京 210019）R ′(B 5/B 3)R ′(B 5/B 3)摘 要 利用卫星遥感反演水体中的悬浮物浓度对水质监测和保护具有重要意义，在悬浮物浓度反演过程中，如何避免或最大程度降低水体中叶绿素a 、有色可溶性有机物（Colored Dissolved Organic Matter ，CDOM ）的干扰是当前的技术难点。
文章针对可持续发展科学卫星1号（SDGSAT-1）MII 传感器，利用Hydrolight 辐射传输模型，从理论上挖掘只与悬浮物强相关的反演因子，以此构建适用于MII 影像的太湖悬浮物浓度反演模型，通过水体的实测数据和遥感数据对模型应用效果进行验证。
结果表明：反演因子与悬浮物浓度为强相关，同时与叶绿素a 、CDOM 浓度弱相关；利用作为反演因子构建的幂函数模型为最优反演模型；将幂函数模型分别应用于实测数据和2022年5月4日的太湖SDGSAT-1 MII 数据，两次验证试验显示反演结果和现场测量结果具有较强一致性，模型适用性较好。
该研究可为SDGSAT-1卫星在湖泊水体悬浮物浓度监测、水资源评估与保护等提供一些技术参考。
关键词 悬浮物浓度反演 可持续发展科学卫星1号 相关性 水体辐射传输模拟 遥感应用中图分类号：TP79 文献标志码：A 文章编号：1009-8518(2024)01-0174-13DOI ：10.3969/j.issn.1009-8518.2024.01.015Research on Suspended Matter Concentration Retrieval of SDGSAT-1Satellite in Lake Taihu Based on Hydrolight ModelWANG Yaping 1HU Xueke 1,2LI Jiaguo 2,*JIANG Sheng 3CHEN Xingfeng 2ZHAO Limin 2CHEN Hongzhen2（ 1 School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454000, China ）（ 2 Aerospace Information Research Institute, Chinese Academy of Science, Beijing 100094, China ）（ 3 Jiangsu Provincial Environmental Monitoring Center, Nanjing 210019, China ）Abstract The use of satellite remote sensing inversion of suspended matter concentration in water bodies is收稿日期：2023-01-19基金项目：国家重点研发计划（2020YFE0200700）；河南理工大学青年骨干教师资助计划（2023XQG-12）；河南省科技攻关项目 (232102210043)引用格式：王雅萍, 胡雪可, 李家国, 等. 基于Hydrolight 模型的太湖SDGSAT-1卫星悬浮物浓度反演研究[J]. 航天返回与遥感, 2024, 45(1): 174-186.WANG Yaping, HU Xueke, LI Jiaguo, et al. Research on Suspended Matter Concentration Retrieval of SDGSAT-1Satellite in Lake Taihu Based on Hydrolight Model[J]. Spacecraft Recovery & Remote Sensing, 2024, 45(1): 174-186.(in Chinese)航天返回与遥感第 45 卷 第 1 期174SPACECRAFT RECOVERY & REMOTE SENSING2024 年 2 月R ′(B 5/B 3)R ′(B 5/B 3)of great significance in water quality monitoring and protection. In the process of suspended matter concentration inversion, it is technically difficult at present to avoid or minimize the interference of chlorophyll-a and colored dissolved organic matter (CDOM) in the water body. Aiming at the "Sustainable Development Goals scientific satellite 1" (SDGSAT-1) MII sensor and using the Hydrolight radiative transfer model, the article theoretically excavates the inversion factor that is only strongly related to suspended matter, constructs an inversion model of Lake Taihu suspended matter concentration suitable for MII images, and applies the model to both measured and sensing image data for verification. The results showed that: the inversion factor was strongly correlated with the suspended matter concentration, while weakly correlated with chlorophyll a and CDOM concentration;the power function model constructed by using as the inversion factor was the optimal inversion model;the power function model was applied to the measured data and the SDGSAT-1 MII data of Lake Taihu on May 4, 2022, respectively, and the two verification experiments showed that the inversion results and field measurement results had a strong consistency, and the applicability of the power function model was good. This research can provide a technical reference for the SDGSAT-1 satellite in monitoring suspended matter concentration in lake water bodies, water resources assessment , and protection, etc.Keywords suspended matter concentration retrieval; SDGSAT-1; correlation; water body radiative transfer simulation; remote sensing applications0 引言水体中的悬浮物是指不溶于水的无机物、有机物、泥沙、微生物和黏土等悬浮在水中的固体物质，陆地养分会附着在悬浮颗粒表面导致水体污染现象发生[1]，因此监测水中悬浮物浓度是反映水质现状及发展趋势的重要手段。
水体参数的遥感反演实验步骤
水体参数的遥感反演实验步骤目标本实验旨在通过遥感技术，反演水体参数，为水环境管理和水生态保护提供科学依据。
通过具体步骤的阐述，揭示遥感反演水体参数的过程，并展示其可行性和优势。
步骤1. 数据采集遥感数据的采集是实验的第一步。
这一阶段，我们需要选择合适的卫星传感器，如Landsat、Sentinel等，以获取水体在不同波段的光谱信息。
此外，还需获取水体的地理位置、形状、水深等辅助信息。
2. 数据预处理原始遥感数据需要进行一系列的预处理，包括辐射定标、大气校正、地形校正等，以消除噪声和其他干扰因素。
这一步骤是遥感数据处理的关键环节，可以有效提高数据的质量和准确性。
3. 特征提取在预处理的数据中，我们需要提取与水体参数相关的特征。
这些特征可能包括水体的颜色、纹理、形状等。
通过运用机器学习算法，从预处理的数据中挖掘出这些特征，为后续的反演提供依据。
4. 模型构建与训练利用提取的特征和已知的水体参数，构建并训练预测模型。
常用的模型包括支持向量机（SVM）、随机森林（RF）、神经网络等。
通过交叉验证等技术，评估模型的性能，并对模型进行优化，以提高预测精度。
5. 水体参数反演利用训练好的模型和实时获取的遥感数据，对水体参数进行反演。
这一步骤将遥感数据转化为具有实际意义的水体参数，为水环境管理和保护提供科学依据。
实例支持以某湖泊为例，我们通过Landsat 8卫星获取了湖泊在不同波段的光谱信息。
经过预处理和特征提取，我们发现湖泊的水色与波段4（红色光）和波段5（近红外光）的反射率具有显著相关性。
进一步地，我们利用支持向量机模型，以水色为特征，成功预测了湖泊的叶绿素浓度、悬浮物浓度等关键水体参数。
预测结果与实际监测数据具有高度一致性，证明了遥感反演水体参数的可行性和实用性。
看法与能力展现通过本次实验，我们认识到遥感技术在反演水体参数方面的优势。
遥感数据具有覆盖范围广、获取方便、时效性强等特点，使得我们可以快速、准确地获取水体参数信息。
遥感反演水体悬浮泥沙含量的基本原理
遥感反演水体悬浮泥沙含量的基本原理
近年来，随着遥感技术的不断发展，遥感反演水体悬浮泥沙含量逐渐成为一项热门研究。
水体悬浮泥沙含量是衡量水质浑浊程度的关键指标，因此对于水资源管理、环境保护和生态保护等方面都有着重要的意义。
遥感反演水体悬浮泥沙含量的基本原理是基于遥感图像获取的水体反射光谱特征，结合修正的比较水体光学特性的模型，通过建立反演模型，实现定量反演。
其中，反演模型的构建是遥感反演技术的核心。
常用的反演模型包括多元线性回归（MLR）、偏最小二乘回归（PLSR）、支持向量机（SVM）等。
这些模型都需要以大量的场样数据为依据，建立起遥感参数与悬浮泥沙含量之间的定量关系，以实现遥感反演水体悬浮泥沙含量的准确性和可靠性。
遥感反演水体悬浮泥沙含量的研究还需要考虑到一些限制因素，例如气象、地形、水色等因素都会对遥感反演水体悬浮泥沙含量的结果产生影响。
为了减少这些影响因素，研究者通常会选择不同时间、不同气象条件下的遥感数据，并且配合其他数据源进行多角度信号融合等方法，提高反演结果的精度。
遥感反演水体悬浮泥沙含量的应用非常广泛，比如在水资源管理方面，可以帮助水库管理者了解水库水质信息，指导水库供水调度；在环境保护方面，可以监测水体污染情况，及时发现环境问题，保障水体生态系统的稳定性。
总之，遥感反演水体悬浮泥沙含量作为一种快速、准确、经济的反演方法，为水资源管理、环境保护及生态保护等领域提供了有益的服务。
未来将随着遥感技术的不断发展，应用范围将更加广泛，反演精度将更加精细，为人类的可持续发展做出更大的贡献。
4.+水体遥感-4.3+水体参数反演
0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0.00
400
55#_Meas 55#_Sim
Cspim＝118
Cspim=118.3; Cspom=21.0; Cchl=14.0; ag440=1.0172.
450 500 550 600 650 700
0.04
0.03
实例：太湖水色参数陆地卫星遥感估算（王得玉，2008）
◼ 以生物光学模型为理论基础，利用实测的水体固有光学特征、表观光学特征 和水体组分浓度数据，构建用于水色参数遥感估算的分析模型
◼ 进行分析模型的正向模拟，并进行水体反射率对水色参数的敏感度分析，为 选择最佳的估算波段提供理论支持。结果表明：水体遥感反射率对无机悬浮 物的敏感度很高，红光和绿光波段最高；对有机悬浮颗粒的敏感度较高，在 绿光波段最高；对叶绿素的敏感度较低，其峰值出现在红光波段
◼ 叶绿素a的吸收和后向散射系数
叶绿素a的吸收系数可表达为：
(Pierson and Strombeck, 2001; Ma,2006a)
a ph ()
=
a
* ph
(
)CCHL
=
A( )CC1−HBL( )
为了定义该幂函数关系，需要对测 量的每一个波长点光谱（n＝67） 用回归方法获取系数A和B
1.0
59#_Meas
59#_Sim
0.03
0.02
0.02 0.01
Cspim＝4.9
Cspim=4.93; Cspom=1.73;
0.01
Cchl=2.62; ag440=0.732.
0.00 400 450 500 550 600 650 700
近红外波段二类水体悬浮物生物光学反演模型研究
收、 散射特性的简化处理 ．通过 回归分 析得 到各经验 参数 ．
建 立 反 演悬 浮物 浓 度 的生 物光 学 模 型 ，以降 低 由于 水 体 表 观
光学特性数据测 量计 算不精确 所带 来的模 型精度 不高 的影
响。
益受到人 们的重视一 通常利用遥感传感器记 录的辐射值或 。
光 谱 反射 率 估 测 水 质 参 数 有 三 种 方 法 ，即 经 验 方 法 、分 析 方 法 和 半 分析 方 法 。 验 方 法 应 用 简 便 ， 模 型 具 有 很 强 的 区 经 但 域性 ， 用 性较 差 。分 析 方 法 虽 然 具 有 较 好 的 物 理 意 义 ，但 通 目前 其 理 论 基 础 研 究 还 不完 善 。随 着海 洋 和 湖泊 野 外 光 学 仪
１ 研究 方 法
本 研 究 选 定 吉 林 省长 春 市 石 头 口门 水 库 为 研 究 对 象 。石
器的发展 ，半分析方法被越来越多 的应用 。其 中较 为著名 的
是 Ｇ ｒｏ ｏｄ ｎ于 １７ 年 提 出 的 水 体 生物 光 学 模 型 ，它 以水 色 ９５
头 口门水库坐落于饮马河 中游 ，为长春市 的重要 水源地。该
头 口门水 库 代 表 点位 进 行 水 体 光 谱 实地 测 量 。同步 测 量 水 体 透 明度 和 采 集 水 样 。光 谱测 量 时 间在 １ ：０ １ ：０ 天 空 基 ０ｏ ～ ４Ｏ ，
本 晴 朗 无 风 。所 用 仪 器 为 美 国 ＡＳ 公 司 生 产 的 Ｆｅｄｐｃ Ｄ ｉ ｓｅ ｌ
文献标识码 ： Ａ Ｄ Ｉ １ ． ９４ ｊｉ ｎ １０ ５３ ２ ０ ）０２ ７—５ Ｏ ： ０ ３ ６ ／． ｓ． ０ ００ ９ （０ ８ １—２ ３０ ｓ 在 该 范 围 内 的近 红 外 波段 处研 究 水 体 悬 浮 物 （ｏａ ｓｓｅ ｄｄ ｔｔｌ ｕ ｐｎ ｅ
遥感水质反演方法
遥感水质反演方法介绍遥感水质反演方法是利用遥感技术对水体中的水质参数进行估计和预测的方法。
通过获取水体的光谱信息和其他遥感数据，结合水质模型和算法，可以实现对水体中各种水质参数的反演。
这对于水环境监测、水资源管理和环境保护非常重要。
水质参数水质参数是指描述水体水质状况的各种指标和参数，包括浊度、叶绿素浓度、溶解氧、水温等。
这些参数反映了水体的透明度、富营养化程度、生态环境等关键信息。
通过准确反演水质参数，可以及时监测水体的变化和污染状况。
常用水质参数•浊度：反映水体中悬浮颗粒物的浓度和分布情况。
•叶绿素浓度：反映水体中藻类的生物量和富营养化程度。
•溶解氧：反映水体中溶解氧气的含量和供氧能力。
•水温：反映水体的热力状态和季节变化。
遥感技术在水质反演中的应用遥感技术在水质反演中起到了至关重要的作用。
通过获取水体的遥感数据，可以实现对水质参数的间接估计和预测，从而实现对水体水质状况的监测。
遥感数据获取•遥感卫星：利用遥感卫星获取高分辨率的遥感影像数据。
•空中遥感：利用无人机等平台获取高空间分辨率的遥感影像数据。
•地基遥感：利用地面测量仪器获取地表光谱信息和水质参数。
遥感数据处理•大气校正：通过大气校正算法消除大气对遥感数据的干扰。
•水体提取：利用遥感影像数据进行水体提取，获取水体的空间分布信息。
•光谱分析：通过分析水体的光谱特征，获取水体中各种水质参数的估计值。
水质模型和算法•反演模型：建立水质参数与遥感数据之间的关系模型，实现水质参数的反演。
•机器学习算法：利用机器学习算法，通过训练样本建立水质模型，实现水质参数的预测。
•统计方法：通过统计分析水质参数与遥感数据之间的关系，实现水质参数的估计。
遥感水质反演方法的优势与挑战遥感水质反演方法具有许多优势，但也面临一些挑战。
优势•非接触性：遥感技术可以在不接触水体的情况下获取水质信息，避免了传统采样方法的局限性。
•高时空分辨率：遥感数据具有较高的时空分辨率，可以实现对大范围水体的快速监测和预测。
遥感水质反演方法
遥感水质反演方法
遥感水质反演方法是利用遥感技术获取水体的光谱信息，并通过光谱反演模型来估算水质参数的一种方法。
常见的遥感水质反演方法有以下几种：
1. 定量遥感反演方法：通过构建光学模型，将遥感影像中的光谱信息与水质参数建立数学关系，从而估算水质参数。
常见的定量遥感反演方法有主成分分析法、最小二乘支持向量机法、遗传算法等。
2. 半定量遥感反演方法：利用遥感影像中各波段的反射率与水的溶解性固体、浊度等水质参数之间的经验关系，进行半定量的水质估算。
3. 统计学方法：通过收集水质取样的实测数据，并与遥感影像中的光谱数据进行统计分析，通过建立统计回归模型来估算水质参数。
4. 物理模型方法：通过建立水体光学模型，模拟光在水体中的传播过程，根据观测到的遥感影像数据与模型计算的光谱反射率进行比对，从而反演水质参数。
综合运用这些遥感水质反演方法，可以对水体的营养盐含量、叶绿素浓度、溶解有机物、浊度等水质参数进行高效准确的估算，为水资源管理和环境保护提供科学依据。
湖泊水环境关键要素遥感系列模型实验报告
湖泊水环境关键要素遥感系列模型实验报告湖泊是地球上重要的水资源，对人类生活和生态环境具有重要影响。
湖泊水环境的关键要素是指影响湖泊水质和生态系统的各种因素，包括水温、水质、浊度、藻类浓度等。
通过遥感技术对这些关键要素进行监测和研究，可以提供湖泊水环境的动态变化信息，为湖泊管理与保护提供科学依据。
本文将介绍基于遥感技术实现的湖泊水环境关键要素监测模型，并进行实验验证。
首先，我们需要获取湖泊的遥感影像数据。
遥感影像可以通过卫星或飞机等平台获取，具有全面、连续和多时相的特点，适合用于湖泊水环境监测。
然后，我们需要对遥感影像进行预处理，包括大气校正、辐射定标、几何校正等，以确保数据的准确性和一致性。
在获取和预处理遥感影像数据后，可以开始进行湖泊水环境关键要素的提取。
首先是水温的监测。
水温是湖泊水环境的重要指标之一，对湖泊生态系统和水质具有重要影响。
通过遥感技术可以获取湖泊水表面温度信息，从而实现湖泊水温的监测。
遥感影像中的热红外波段反映了水体的表面温度，可以通过定量计算来获取水温信息。
其次是水质参数的监测。
湖泊的水质参数包括溶解氧、总氮、总磷等指标，对湖泊生态系统和水质具有重要影响。
通过遥感技术可以获取水体的光学特性，如反射率和吸收率等，进而反推出水质参数。
这可以通过光谱分析和数学模型来实现。
浊度是湖泊水环境的另一个重要指标，反映了水体中悬浮物的含量。
通过遥感技术可以获取湖泊的浊度信息，从而了解湖泊水体中悬浮物的分布和变化趋势。
浊度可以通过遥感影像中的反射率和散射率等光学特性来估算。
藻类浓度是湖泊水环境的重要指标之一，对湖泊生态系统和水质具有重要影响。
藻类浓度可以通过遥感技术获取，通过遥感影像中的蓝绿波段反射率可以估算藻类浓度。
藻类含量高的湖泊往往伴随着水体富营养化和蓝藻水华等问题，对湖泊生态环境造成威胁。
通过以上实验验证，我们可以得出结论：基于遥感技术的湖泊水环境关键要素监测模型是一种可行有效的方法。
《2024年黄河口海域悬浮物浓度遥感反演算法及时空分布特征研究》范文
《黄河口海域悬浮物浓度遥感反演算法及时空分布特征研究》篇一一、引言黄河口海域作为我国重要的海洋生态区域，其悬浮物浓度的变化对于区域海洋环境、水质以及生态系统的健康都具有重要影响。
随着遥感技术的快速发展，利用遥感手段对黄河口海域悬浮物浓度进行监测和反演成为了一种高效、便捷的方法。
本文旨在研究黄河口海域悬浮物浓度的遥感反演算法，以及其时空分布特征。
二、黄河口海域概况黄河口海域位于我国黄河流域的末端，其海洋环境复杂多变，水体中悬浮物浓度较高。
黄河的泥沙含量大，加之流域内的降雨、河流改道等多种自然因素的影响，使得黄河口海域的悬浮物浓度变化较大。
三、遥感反演算法针对黄河口海域的特殊环境，我们提出了一种基于遥感数据的悬浮物浓度反演算法。
该算法主要包括以下几个步骤：首先，对遥感数据进行预处理，包括辐射定标、大气校正等；其次，根据水体的光谱特征，选取合适的波段进行数据提取；最后，利用统计方法或机器学习方法建立悬浮物浓度与遥感数据之间的关系模型，从而实现悬浮物浓度的反演。
四、时空分布特征研究通过对黄河口海域多年的遥感数据进行分析，我们得到了该海域悬浮物浓度的时空分布特征。
在时间上，黄河口海域的悬浮物浓度受到季节、气候等因素的影响，呈现出明显的季节性变化。
在空间上，由于受到河流流向、海流、潮汐等多种因素的影响，悬浮物浓度的分布呈现出一定的空间异质性。
具体来说，我们发现黄河口海域的悬浮物浓度在春季和夏季较高，这可能与这两个季节的降雨、河流流量等因素有关。
而在空间上，靠近黄河入海口的区域悬浮物浓度较高，随着距离的增加，悬浮物浓度逐渐降低。
此外，受到海流和潮汐的影响，黄河口海域的悬浮物浓度在沿海岸线附近呈现出一定的波动。
五、结论通过对黄河口海域悬浮物浓度的遥感反演算法及时空分布特征的研究，我们得到了以下结论：1. 提出的遥感反演算法能够有效地对黄河口海域的悬浮物浓度进行反演，为区域海洋环境的监测和评估提供了新的手段。
2. 黄河口海域的悬浮物浓度具有明显的季节性和空间异质性，这与区域的自然环境、气候等因素密切相关。
浑浊Ⅱ类水体叶绿素a浓度遥感反演(Ⅰ)：模型的选择
第３ ０卷第 ６期 ２１ ０ １年 １ ２月
文章 编 号 ：０ １ ９ １ （０ １ ０ ０ ３ — ６ １０ — ０ ４ ２ １ ）４— ５ １ ０
红 外 与 毫 米 波 学 报
Ｊ ｎｒｒｄ Ｍｉ ｉ ．Ｉ ｆ ｅ ｌｍ．Ｗ ａ ｅ ａ ｌ ｖｓ
Ｖｏ ． ３ １ ０，Ｎｏ ６ ．
Ｌｍ ｏ ｇ ，Ｃ ｉｅｅＡ ａ ｅ ｆ ｃ ｎｅ ， ａｊ ｇ １０ ８ ｈｎ ； ｉｎ ｌ ｙ ｈｎｓ ｃｄｍｙｏ ｉ ｃｓ Ｎ ｎｉ ２ ０ ０ ，Ｃ ｉａ ｏ Ｓｅ ｎ ２ Ｇ ａｕｔ Ｓｈｏ ｏ ｈｎｓ ｃｄ ｍ ｆ ｃ ｎｅ ，Ｂ ｉｎ １０ ４ ，ｈｎ ） ． ｒｄａｅ ｃ ｏｌ ｆ ｉｅｅＡ ａ ｅ ｙｏ ｉ ｃｓ ｅｉｇ ０ ０ ９ Ｃ ｉａ Ｃ Ｓｅ ｊ Ａ ｓｒｃ ： ｈｒ ｉ ａ ｉｌ ｔ ｕｌ ｔ ｔｅｅｃｌ ｏ ｈｌａｃｎｅｔ ｔ ｎ（ ｈ—）ｔｒｕｈｒｍ ｔ ｙｓｎｅ ａｅ ｅ ｉ ｔｒ ｂ ｔａｔ Ｔ ｅｅ ｓ ｔｅ ｒ ｂｅ ｏｒ ｒ ｖ ｈｏ ｐ ｙ － ｏｃｎｒ ｉ Ｃ ｌ ｌｔ ｏ ｅ ｉ ｒ ｌ ａｏ ａ ｈｏｇ ｏｅ — ｓｄｉ ｇｒ ｓ ｎ ｕ－ ｅ ｌ ｅ ｍ ｉ
遥感技术在水体污染监测中的应用
遥感技术在水体污染监测中的应用在当今社会，环境保护问题日益受到广泛关注，其中水体污染的监测和治理更是重中之重。
随着科技的不断进步，遥感技术因其独特的优势，在水体污染监测领域发挥着越来越重要的作用。
遥感技术是一种非接触式的、远距离的探测技术，它通过传感器接收来自目标物体的电磁波信息，并对这些信息进行处理和分析，从而获取有关目标物体的特征和状态的信息。
在水体污染监测中，遥感技术主要通过对水体的光谱特征进行分析，来判断水体的污染状况。
水体的光谱特征会受到多种因素的影响，如水体的物理性质（如透明度、颜色、温度等）、化学性质（如溶解氧、营养盐、重金属等）和生物性质（如藻类的生长、浮游生物的分布等）。
当水体受到污染时，这些因素会发生变化，从而导致水体的光谱特征发生改变。
例如，当水体中含有大量的藻类时，由于藻类会吸收和反射特定波长的光，会使水体在特定波段的反射率升高；当水体中含有大量的悬浮颗粒物时，会使水体的透明度降低，从而导致水体在可见光波段的反射率升高。
遥感技术在水体污染监测中的应用具有很多优势。
首先，它能够实现大面积、同步的监测。
与传统的实地采样监测方法相比，遥感技术可以在短时间内获取大面积的水体信息，从而更好地了解水体污染的空间分布和变化趋势。
其次，遥感技术具有较高的时效性。
它可以定期或实时地对水体进行监测，及时发现水体污染的变化情况，为相关部门采取应对措施提供及时的信息支持。
此外，遥感技术还具有成本低、非破坏性等优点。
它不需要大量的人力、物力投入，不会对水体造成破坏，同时还可以避免实地采样监测过程中可能出现的误差和污染。
在实际应用中，遥感技术主要包括以下几种类型：光学遥感技术是应用最为广泛的一种遥感技术。
它利用可见光、近红外和短波红外等波段的电磁波来监测水体。
常见的光学遥感传感器包括卫星搭载的多光谱传感器（如 Landsat 系列卫星、MODIS 等）和航空遥感平台搭载的高光谱传感器。
通过对这些传感器获取的数据进行分析，可以获取水体的叶绿素a 浓度、悬浮物浓度、透明度等参数，从而评估水体的富营养化程度和污染状况。
内陆水体水质参数遥感反演集合建模方法
内陆水体水质参数遥感反演集合建模方法曹引;冶运涛;赵红莉;蒋云钟;王浩;王俊锋【摘要】Based on the measured hyperspectral data and concentration of chlorophyll a,total suspended matter (TSM)and turbidity obtained during June 11 to 13,2015 in Weishan Lake,empirical models and PSO-SVM model were established to retrieve the three water qualityparameters.Meanwhile,the performance of those models was evaluated to determine the models appli,ed to ensemble modeling.The ensemble models containing EW-CM,SPA-CM and BMA were established to retrieve the three water quality parameters by using deterministic ensemble method and probabilistic ensemble method.The deterministic and probabilistic ensemble method was based on the entropy weight method along with pair analysis method and Bayesian averagingmethod,respectively.Bayesian averaging method was employed to obtain the retrieval uncertainty range of the three water quality parameters by using the single model and the BMA ensemble model,and the retrieval uncertainty range of these models was compared.These results demonstrated that (1)the accuracy of SPA-CM model was better than that of EW-CM model in deterministic ensemble models;(2) the modeling accuracy of BMA probabilistic ensemble model was better than that of SPA-CM and EW-CM model;the verification accuracy ofBMA probabilistic ensemble model was similar with that of EW-CM model but slightly lower than that of the SPA-CM model;(3) Probabilistic ensemble modeling couldobtain the retrieval uncertainty range of water quality parameters by using the ensemble model and the single model;(4) The deterministic and probabilistic ensemble model associated with the single model information showed a higher modeling and verification accuracy,which could be used to reduce the uncertainty of water quality parameters retrieval compared with single model and promote the retrieval accuracy of water quality parameters in a manner.%以微山湖为研究对象,利用2015年6月11～13日获取的实测高光谱和水体叶绿素a浓度、总悬浮物浓度和浊度数据,构建3种水质参数遥感反演常用的经验模型和PSO-SVM模型并进行精度评价,确定参与3种水质参数集合建模的反演模型,分别利用以熵权法(EW-CM)、集对分析法(SPA-CM)为代表的确定性集合建模方法和以贝叶斯模型平均(BMA)为代表的概率性集合方法构建反演3种水质参数的EW-CM、SPA-CM和BMA集合模型.通过贝叶斯平均方法获取各模型和BMA集合模型反演3种水质参数的不确定性区间,对比3种水质参数各模型和集合模型反演结果.结果表明:(1)确定性集合模型中SPA-CM模型精度整体高于EW-CM模型;(2)BMA概率性集合模型建模精度整体上要优于SPA-CM和EW-CM集合模型,验证精度稍低于SPA-CM模型,和EW-CM模型相当;(3)概率性集合建模可以给出集合模型和各模型反演水质参数的不确定性区间;(4)确定性和概率性集合模型可以综合各模型信息,使得集合模型同时具有较高的建模和验证精度,降低单一模型反演水质参数的不确定性,并在一定程度上提高水质参数反演精度.【期刊名称】《中国环境科学》【年(卷),期】2017(037)010【总页数】12页(P3940-3951)【关键词】内陆水体;水质遥感;集合建模;微山湖;叶绿素a;总悬浮物;浊度【作者】曹引;冶运涛;赵红莉;蒋云钟;王浩;王俊锋【作者单位】东华大学环境科学与工程学院,国家环境保护纺织工业污染防治工程技术中心,上海201620;中国水利水电科学研究院,流域水循环模拟与调控国家重点实验室,北京100038;中国水利水电科学研究院,流域水循环模拟与调控国家重点实验室,北京100038;中国水利水电科学研究院,流域水循环模拟与调控国家重点实验室,北京100038;中国水利水电科学研究院,流域水循环模拟与调控国家重点实验室,北京100038;东华大学环境科学与工程学院,国家环境保护纺织工业污染防治工程技术中心,上海201620;中国水利水电科学研究院,流域水循环模拟与调控国家重点实验室,北京100038;东华大学环境科学与工程学院,国家环境保护纺织工业污染防治工程技术中心,上海201620【正文语种】中文【中图分类】X832目前,从事内陆水质遥感相关研究的学者提出以水体叶绿素a浓度、总悬浮物浓度和浊度等水质参数为主要监测对象的众多遥感反演模型,由于内陆水体光学特征的复杂性,不同遥感反演模型随内陆水体的时空变化呈现不同的适用性,目前还没有普适性的水质遥感反演模型[1].现阶段用于水质反演的经验模型、分析模型和机器学习模型在不同时间、不同水体、不同遥感数据源以及不同水质参数反演中的表现具有显著差异 [2-9],各模型反演能力均存在一定的局限性,使得模型选择具有不确定性.而集合建模可以通过赋予各模型不同权重将不同模型集合,可以综合各模型信息,提高模型的稳定性,并在一定条件下提高水质参数反演精度[10].集合建模是指通过集合方法确定各模型权重,将各模型模拟值进行加权求和,进而综合各模型信息的一种建模方法.集合建模思想常用于水文预报,在水质遥感领域的应用鲜有报道.集合建模的关键在于集合方法的选择,即各模型权重的确定方法.目前有关集合建模权重确定的方法主要有5种: (1)利用各模型的相对误差来确定权重,相对误差越小其权重越大,主要有熵权法[11]和集对分析法[12];(2)将各模型权重计算转化为非线性优化问题,基于目标函数和约束条件采用优化算法求解,如遗传算法[13]和粒子群算法[14];(3) 根据各模型预测值和实测值,利用神经网络等多元回归模型来构建各模型预测值和实测值之间的关系,达到集合建模的目的[15];(4) 基于数据同化思想推导权重计算公式,利用均方根误差来确定权重[16];(5) 基于贝叶斯理论,利用贝叶斯模型加权平均(BMA)方法来确定权重,获取预测变量的最优估计,并且可以获取预测变量的不确定性区间[17-18],因此,称该方法为概率性集合方法,相应称(1)-(4)为确定性集合方法.确定性集合建模方法中,熵权法和集对分析法相对简单,易于实现.本文以南水北调东线重要水源地南四湖最大湖泊微山湖为研究区,构建微山湖水体叶绿素a浓度、总悬浮物浓度和浊度常用的经验模型和支持向量机(SVM)模型,引入集合建模思想,选择以熵权法和集对分析法为代表的确定性集合方法和以贝叶斯平均为代表的概率性集合方法研究微山湖3种水质参数遥感集合建模方法,以期提高水质参数反演精度,降低水质参数遥感反演的不确定性.1.1.1 基于熵权法的集合建模方法集合建模关键在于各模型权重的确定,基于熵权法的集合建模(EW-CM)利用各模型反演采样点处水质参数的相对误差ei(式(1))计算各模型相对误差权重Pi(k)熵值Hi(式(2)、式(3)),利用熵值计算各模型误差变异程度系数Di(式(4)),最后确定各模型权重(式(5)),构建反演水质参数EW-CM集合模型(式(6))[10].(2)(3)(4)(6)式中:i为模型编号,i=1,2…N;y(k)为第k个采样点处水质参数的实测值;为第i个模型对第k个采样点处水质参数的反演值;n为建模采样点个数.1.1.2 基于集对原理的集合建模方法基于集对原理的集合建模(SPA-CM)主要利用各模型反演不同采样点处水质参数的相对误差来确定各模型权重[10].设Yi=﹛y1,y2,y3,…,yn﹜为各采样点处水质参数的实测值, 为各模型对不同采样点处水质参数的反演值,i为模型编号,k为采样点编号.利用Y和构成集对H1,i(),计算集对联系数mi¢=Si+FiIi+PiJ,其中,Y={y1,y2,y3,…,yn}为建模采样点处水质参数的实测值, 为各模型建模对不同采样点处水质参数的反演值,i为模型编号;Si=si/n;Fi =fi/n;Pi=pi/n;si为模型i同一性个数;fi为模型i差异性个数;pi为模型i对立性个数;Ii为差异不确定系数;J为对立系数;其中同一性个数si指建模采样点中模型i反演相对误差<30%的样点个数;差异性个数fi指建模采样点中模型i反演相对误差介于30%~60%的样点个数;对立性个数pi指建模采样点中模型i反演相对误差>60%的样点个数;J=-1,Ii计算公如下: (7)将三元联系度转换成联系数m¢i,进而求出各模型的相对隶属度vi.根据相对隶属度确定各模型权重Wi,建立反演水质参数的SPA-CM集合模型:vi=1/n+1/n×m¢i (8)(10)1.2.1 贝叶斯模型加权平均贝叶斯模型加权平均(BMA)方法基于贝叶斯理论确定各模型权重和误差,实现多模型集合建模,并能提供各模型和集合模型反演不同样点处水质参数的不确定区间.BMA集合建模思路如下[17]:假设Q为待反演水质参数,D=[X,Y]为实测数据(其中X表示实测光谱反射率,Y表示实测水质参数),y=[ y1,y2,×××,yk]为K个模型水质参数反演值的集合.BMA的集合反演表示如下:式中:为已知实测数据D时第k个模型反演值为yk的后验概率,代表BMA中第k个模型权重wk,反映的是该模型对水质参数的反演值与实测值的偏离程度.wk(k=1,...,K)均为正值,各模型权重总和为1;指已知第k个模型对水质参数的反演值yk和实测数据D的前提下待反演水质参数Q的后验分布.利用权重对各模型水质参数反演值进行加权求和,得到BMA集合模型水质参数反演值.如果各模型对水质参数的反演值和水质参数的实测值均服从正态分布,则BMA集合模型反演值可利用式(12)计算:1.2.2 期望最大化算法期望最大化(EM)算法是一种计算BMA集合模型中各模型权重的方法 [19].EM算法要求各模型对水质参数的反演值和水质参数的实测值均服从正态分布,因此,在用EM算法计算各模型权重前,首先对水质参数的实测值和反演值进行正态检验,若不符合正态分布,则利用Box-Cox函数对水质参数的实测值和反演值进行正态转换.EM算法的详细过程参考文献[17].1.2.3 水质参数浓度区间反演方法利用EM算法计算得到BMA集合模型中各模型权重wk和各模型反演误差,结合蒙特卡罗组合抽样随机选择参与BMA集合建模的模型,反演任意采样点处水质参数,获取水质参数90%反演区间,分别利用覆盖率、平均带宽和平均偏移幅度来表征90%反演区间的特性[17].水质参数90%反演区间具体计算流程如图1所示.微山湖位于济宁市微山县境内,地处苏鲁边界结合部,为内陆湖泊南四湖中面积最大的一个湖泊,水面面积531.17km2,是全国著名的淡水湖之一.微山湖是南水北调东线工程重要的湖泊水源地,具有防洪、排涝、灌溉、供水、养殖及旅游等多种功能.2015年6月12~13日在微山湖布设41个采样点(图2),进行实地光谱采集和同步水质取样.利用SVC公司生产的HR-1024地物光谱辐射计采用水面以上倾斜测量法采集光谱 [20-21];水体取样后冷藏,于24h内送至实验室,用醋酸纤维膜过滤,放置于90%丙酮中萃取,再将萃取液放置冰箱中遮光冷藏24h,用UV-2550分光光度计测量叶绿素a浓度.总悬浮物浓度测定按照国家标准GB 11901-89[22],采用过滤烘干法,先将滤膜置于105℃烘箱中烘干2h,除去水分并称重g1,用称重后的滤膜过滤100mL水样后于105℃烘干2h再次称重g2,两次重量相减(g2-g1)除以过滤水样体积v,即求得总悬浮物质量浓度C,C=(g2-g1)/v.浊度用美国哈希HACH浊度仪1900C现场测量.剔除一个光谱异常点,保留剩余40个点,其中28个点用于建模,12个点用于验证,其中建模数据中包含叶绿素a浓度、总悬浮物浓度和浊度极值,模型反演时内插精度往往高于外推,2015年6月微山湖水质参数统计情况见表1,40个样点光谱曲线如图3所示.选择水体叶绿素a浓度、总悬浮浓度和浊度反演常用的经验模型和支持向量机模型作为集合反演备选模型集,其中3种水质参数反演模型集如表2所示.单波段模型和一阶微分模型分别利用400~850nm归一化光谱反射率 (式(13))、一阶微分光谱反射率(用R¢(li)表示li处一阶微分光谱反射率)和3种水质参数进行相关分析,选择和水质参数相关性最好的特征波段构建模型;波段比值模型分别利用400~850nm原始光谱反射率、归一化光谱反射率两两比值,选择和3种水质参数相关性最好的原始光谱反射率比值和归一化光谱反射率分别建立波段比值模型;叶绿素a浓度三波段、四波段模型、总悬浮物浓度和浊度统一模式构建原理分别参考文献 [23-25];上述模型仅利用了400~850nm波段范围内有限几个波段的光谱反射率,而偏最小二乘模型(PLS)可以充分利用多个波段的光谱信息,首先利用小波变换[26]对光谱去噪,在此基础上利用改进的离散粒子群优化算法(NDBPSO)优选3种水质参数多个特征波段和特征变量,构建NDBPSO-PLS模型,具体过程参考文献[27];支持向量机模型构建采用PSO算法优选惩罚系数和核参数,利用光谱反射率构建PSO- SVM模型,具体参考文献[28].式中:R*(li)和R(li)分别为波长li处的归一化光谱反射率和光谱反射率,li∈[400~850nm];n为400~850nm范围内的波段个数.模型精度由建模和验证精度同时决定.模型精度用相对均方根误差、平均相对误差、综合误差以及模型决定系数R2来衡量.相关计算公式如下:(1)均方根误差RMSE:(2)相对均方根误差rRMSE:(15)(3)相对误差ARE:(4)综合误差CE:式中:yi为采样点i处水质参数的实测值;为水质参数实测值的平均值;为采样点i处水质参数的反演值;n为建模或验证采样点的个数;CE_c和CE_v分别为建模和验证的综合误差.利用2015年6月12~13日在微山湖获取的水体叶绿素a浓度、总悬浮物浓度和浊度以及同步获取的水体高光谱数据,依次构建表2中3种水质参数反演模型集,其中叶绿素a浓度和三波段、四波段的相关系数偏低无法建模,对3种水质参数的各反演模型进行精度评价.叶绿素a浓度反演模型集中的一阶微分模型、总悬浮物浓度反演模型集中的单波段模型、统一模式和NDBPSO -PLS模型以及浊度反演模型集中的单波段反演模型、统一模式综合误差均较大,不参与集合建模.最终参与集合建模的3种水质参数反演模型及其精度如表3、表4和表5所示.由表3可以看出,叶绿素a浓度4种反演模型中R*692.1nm单波段模型、R696.2nm/R401.9nm波段比值模型和基于特征波段的NDBPSO-PLS模型的R2和建模综合误差差别较小,模型R2均在0.78~0.8之间,建模误差介于26%~28%之间; PSO-SVM模型R2显著高于前3种模型,R2达0.90,建模综合误差仅为14.77%,PSO-SVM模型模拟光谱特征和水质参数之间这种复杂的非线性关系具有显著优势,但其验证综合误差较经验模型要大,模型反演能力偏低,存在过拟合的风险.由表4可以看出,总悬浮物浓度反演模型中PSO- SVM模型建模精度最高,但验证综合误差最大,一阶微分模型建模精度最差,但验证精度最高,由此可见,模型的建模和验证精度存在不一致性.由表5可以看出,浊度5种反演模型中PSO-SVM模型同时具有最高的建模和验证精度,模型综合误差最小;R688nm/R568.2nm波段比值模型和NDBPSO-PLS模型建模R2最大,达到0.95以上,但建模误差和R*684nm单波段模型、R¢585.6nm一阶微分模型较为接近,建模R2和建模综合误差之间无单调关系.综上所述,不同水质参数的不同反演模型建模和验证精度往往存在较大差异,两者难以一致,使得只利用单一模型进行水质参数反演充满了不确定性.分别利用熵权法和集对分析法获取反演3种水质参数的各模型权重,构建EW-CM 和SPA- CM集合模型,各模型权重和集合模型精度评价如表3、表4和表5所示. 由表3可以看出,叶绿素a浓度各反演模型中,PSO-SVM模型具有最高建模R2和最低建模误差,基于特征波段的NDBPSO-PLS模型具有最高验证精度,验证误差为24.54%;叶绿素a浓度EW-CM和SPA-CM集合模型建模R2分别为0.84和0.85,高于单波段模型、波段比值模型和NDBPSO-PLS模型,仅低于建模精度最高的PSO-SVM模型;建模误差分别为22.99%和22.13%,仅高于建模误差最小的PSO-SVM模型;验证误差分别为27.55%和27.66%,仅高于验证误差最小的NDBPSO-PLS模型、EW-CM和SPA-CM集合模型;综合误差分别为25.27%和24.89%,仅低于综合误差最小的PSO-SVM模型.可以看出,叶绿素a浓度EW-CM和SPA-CM集合模型建模R2、建模精度和验证精度均仅次于表现最佳的模型,集合模型集合了各模型信息,建模和验证精度具有一致性,降低了模型反演水质参数的不确定性;综合对比叶绿素a浓度EW- CM和SPA-CM集合模型,SPA-CM集合模型整体上要优于EW-CM集合模型.由表4可以看出,总悬浮物浓度各反演模型中,R688nm/R568.2nm波段比值模型具有最高建模R2和最低建模误差,R¢585.6nm一阶微分模型验证误差最低;总悬浮物浓度EW-CM和SPA-CM集合模型建模R2、建模误差分别为0.97、19.17%和0.98、16.47%,建模精度仅次于PSO-SVM模型,验证综合误差分别为39.43%和38.97%,低于所有模型,集合模型在验证精度上得到一定程度的提高;综合对比总悬浮物浓度EW-CM和SPA- CM集合模型,SPA-CM集合模型整体上要优于EW-CM集合模型.由表5可以看出,浊度各反演模型中R688nm/ R568.2nm波段比值模型和NDBPSO-PLS模型具有最高建模R2,R2达0.95以上,且2种模型误差和验证误差相近,PSO-SVM建模和验证误差具有相似特点,且建模和验证误差均小于其他模型,模型精度最高;浊度EW-CM和SPA-CM集合模型建模R2高于所有模型,拟合精度得到一定程度提升,两种集合模型建模和验证误差接近,仅高于PSO-SVM模型,且差异较小,显著高于其他模型;若各模型中存在建模和验证精度同时优于其他模型的模型,则该模型可作为最佳模型,此时集合模型在建模和验证精度的提升上有限.首先检验3种水质参数实测值和各模型反演值分布的正态性,绘制其概率分布图(图4),由图4可以看出3种水质参数实测值和反演值的正态概率图接近一条直线,可以定性判定3种水质参数实测值和反演值接近正态分布.同时利用Jarque-Bera定量检验其正态性,3种水质参数均通过正态性检验(返回值h=0).在此基础上,利用期望最大化算法迭代计算3种水质参数BMA集合模型中各模型权重,对集合模型进行精度评价,同时计算集合模型和各模型反演3种水质参数的90%不确定性区间,本文仅显示BMA集合模型反演3种水质参数的90%不确定性区间(图5),分别计算集合模型和各模型反演3种水质参数的覆盖率、区间宽度和平均偏移幅度[17],结果分别见表6、表7和表8.由表6可以看出,叶绿素a浓度BMA集合模型建模R2为0.86,仅次于建模R2最高的PSO-SVM模型,显著高于其他3种模型的建模R2;建模综合误差和建模R2类似,高于PSO-SVM模型,低于其他3种模型,验证综合误差仅高于NDBPSO-PLS模型;可以发现集合模型无论建模R2、建模综合误差和验证综合误差都最大程度接近最优模型.对比分析BMA集合模型和各模型获取的叶绿素a浓度90%不确定性区间的覆盖率、平均带宽和平均偏移幅度,BMA集合模型建模和验证90%不确定性区间对实测值的覆盖率分别为89.29%和83.33%,均和覆盖率最高的模型持平;建模90%不确定性区间平均带宽PSO-SVM模型最小,BMA集合模型和其他3种模型差异较小;建模90%不确定性区间平均偏移幅度PSO-SVM模型最小,BMA集合模型和其他3种模型比较接近,验证90%不确定性区间平均偏移幅度BMA集合模型小于各模型,区间对称性较好,集合建模可一定程度上提高水质参数反演的稳定性. 由表7可以看出,总悬浮物浓度BMA集合模型建模R2为0.98,和建模R2最大的PSO-SVM模型十分接近,建模精度仅低于PSO-SVM模型,显著高于其他两个模型,验证精度高于各模型,集合模型一定程度上提高了总悬浮物浓度反演精度.对比分析BMA集合模型和各模型获取总悬浮物浓度90%不确定性区间的覆盖率、平均带宽和平均偏移幅度,BMA集合模型建模不确定性区间覆盖率高于各模型,验证不确定区间覆盖率和覆盖率最高的模型持平,具有较高覆盖率的同时具有较大的平均带宽;总悬浮物浓度BMA集合模型90%不确定性区间的平均偏移幅度和叶绿素a浓度反演类似,建模不确定性区间平均偏移幅度小于PSO-SVM模型,和其他3种模型之间的差异较小,验证不确定性区间平均偏移幅度小于各模型,集合建模可一定程度上提高水质参数反演的稳定性.由表8可以看出,浊度BMA集合模型建模R2达0.96,高于所有模型,建模和验证误差仅大于误差最小的PSO-SVM模型.BMA集合模型和各模型获取浊度90%不确定性区间的覆盖率、平均带宽特征和总悬浮物浓度BMA集合模型类似,具有较高覆盖率的同时具有较大的平均带宽;建模不确定性区间平均偏移幅度低于PSO-SVM模型,验证不确定性区间仅高于PSO-SVM模型.由于浊度PSO-SVM反演模型同时具有最小的建模和验证误差,此时集合模型对浊度建模和验证精度的提高有限,但从获取的90%不确定性区间特征来看,集合建模可一定程度提高区间覆盖率,降低平均偏移幅度,提升模型反演的稳定性和可靠性.由表3~表5中基于熵权法的EW-CM集合模型和基于集对分析的SPA-CM集合模型反演三种水质参数的精度评价结果对比分析可知,3种水质参数EW-CM和SPA-CM集合模型综合了各模型信息,同时具有较高的建模和验证精度.2种确定性集合模型中,SPA-CM集合模型建模R2、建模综合误差、验证综合误差以及模型综合误差整体上要优于EW-CM集合模型, SPA-CM集合模型反演3种水质参数精度高于EW-CM集合模型.结合表6~表8,从建模R2来看,3种水质参数BMA集合模型整体上高于SPA-CM 和EW-CM集合模型;从建模综合误差来看,叶绿素a浓度和总悬浮物浓度BMA集合模型要低于SPA-CM和EW-CM集合模型,浊度BMA集合模型和SPA-CM和EW-CM集合模型相当;从验证综合误差来看,3种水质参数BMA集合模型整体上要高于SPA-CM集合模型,和EW-CM集合模型相当.综上所述,BMA集合模型建模精度整体上优于SPA-CM和EW-CM集合模型,验证精度稍低于SPA-CM集合模型,和EW-CM集合模型相当,且差异较小.BMA概率性集合模型相较于SPA-CM和EW-CM确定性集合模型的优势主要在于给定各模型权重构建集合模型的同时,可以给出集合模型和各模型反演水质参数的不确定性区间,利用区间覆盖率、平均带宽和平均偏移幅度来衡量各模型反演水质参数的不确定性.集合建模可以综合各模型信息,提高模型稳定性,但集合模型的时空移植性需要进一步验证.后续将基于具有一定物理机理的内陆水体半经验/半分析模型进行集合建模,利用不同研究区和不同时序数据研究集合模型的时空移植性.4.1 3种水质参数不同反演模型建模和验证精度往往存在较大差异,两者难以一致,只利用单一模型进行水质参数反演充满了不确定性.4.2 确定性集合模型中,3种水质参数SPA-CM和EW-CM集合模型建模和验证精度最大程度接近或一定程度高于单一最优模型,2种确定性集合模型同时具有较高的建模和验证精度,其中3种水质参数SPA-CM集合模型反演精度整体上优于EW-CM集合模型.4.3 BMA概率性集合模型中,3种水质参数BMA集合模型建模精度和验证都最大程度接近或一定程度上高于单一最优模型,同时BMA方法可以给出集合模型和各模型反演水质参数的不确定性区间,3种水质参数BMA集合建模可一定程度提高区间覆盖率,降低平均偏移幅度,集合模型较单一模型具有更高的稳定性.4.4 3种水质参数概率性BMA集合模型建模精度整体上要优于SPA-CM和EW-CM集合模型,验证精度稍低于SPA-CM集合模型,和EW-CM集合模型相当. 4.5 确定性和概率性集合模型可以综合各模型信息,使集合模型同时具有较高的建模和验证精度,降低单一模型反演水质参数的不确定性,并在一定程度上提高模型精度.[1] 黄昌春,李云梅,徐良将,等.内陆水体叶绿素反演模型普适性及其影响因素研究[J]. 环境科学, 2013,34(2):525-531.[2] 冯奇,程学军,沈欣,等.利用 Landsat 8OLI 进行汉江下游水体浊度反演[J]. 武汉大学学报:信息科学版, 2017,(5):643- 647.[3] Tian L Q, Chen X L, Li W B, et al. Retrieval of total suspended matter concentration from Gaofen-1Wide Field Imager (WFI) multispectral imagery with the assistance of Terra MODIS in turbid water–case in Deep Bay [J]. International Journal of Remote Sensing, 2016,37(14):3400-3413.[4] Tian H, Cao C, Xu M, et al. Estimation of chlorophyll-a concentration in coastal waters with HJ-1A HSI data using a three-band bio-optical。
遥感水深反演的stumf模型
遥感水深反演的stumf模型摘要：一、遥感水深反演概述二、STUMF 模型介绍三、STUMF 模型在水深反演中的应用四、STUMF 模型的优缺点分析五、总结正文：一、遥感水深反演概述遥感水深反演是通过分析遥感图像来获取水深信息的一种技术。
随着遥感技术的发展，这种技术在水文学、海洋学、地理信息系统等领域得到了广泛应用。
遥感水深反演的主要方法有物理模型法、统计模型法、机器学习法等。
二、STUMF 模型介绍STUMF 模型是一种基于经验模型的遥感水深反演方法。
它通过构建一个多光谱遥感图像与水深之间的经验关系来实现水深反演。
STUMF 模型主要由两个部分组成：一个是光谱指数模型，它通过多光谱遥感图像的光谱信息来描述水深的分布；另一个是模型参数估计模型，它通过最小二乘法来估计光谱指数模型中的参数。
三、STUMF 模型在水深反演中的应用STUMF 模型在水深反演中的应用主要集中在海洋和淡水环境中。
例如，在海洋环境中，STUMF 模型可以应用于海底地形测绘、海洋资源调查、海洋环境监测等领域。
在淡水环境中，STUMF 模型可以应用于湖泊、水库、河流等水体的水深测绘和水文监测。
四、STUMF 模型的优缺点分析STUMF 模型的优点在于它是一种经验模型，容易实现和理解。
此外，STUMF 模型还可以利用现有的遥感图像数据来进行水深反演，不需要额外的物理模型和实验数据支持。
但是，STUMF 模型也存在一些缺点。
首先，它是一种静态模型，不能反映水深的动态变化。
其次，STUMF 模型的精度受到遥感图像质量和模型参数选择的影响。
五、总结总的来说，STUMF 模型是一种实用的遥感水深反演方法。
水质反演
航空和航天传感器所接收到的海面信息，取决于海水对辐射的吸收和散射。
这些吸收和散射与海水中悬浮泥沙、浮游生物、可溶性有机物(黄色物质)、污染物质等的组成和含量密切相关。
不同可见光波段影像通过目视判读，或以各种不同模式计算机图像运算处理，可以获得水面悬浮泥沙、浮游生物(叶绿素)、可溶性有机物等方面的遥感专题信息。
海面表层温度(简称海温SST)是海洋的主要物理参数之一，海温与海洋中上层鱼类的生存、洄游、繁殖有着密切的关系，是研究大气环流和气候变化等气象课题的一个重要因子。
遥感数据源主要是以美国NOAA 极轨气象卫星A VHRR 数据为主，还有利用日本空间分辨率较低的GMS 静止气象卫星、欧洲遥感卫星ERS3/1 和我国自行发射的海洋卫星“HY3/1” 的传感器数据等开展SST 反演研究。
利用现有遥感技术建立的海温反演模型有两种求解方法：一种是理论方法—基于大气物理模型的方法，该方法要求对大气及海洋各项参数有较准确的了解，并对其物理机制及相互间关系能正确的描述,该方法的优点是准确且时空变化适应性强。
但很难确定当时当地海洋大气状况，特别是水汽垂直分布状况。
另一种方法—间接方法，即统计回归的方法，需要参数少，对一定区域精度高，但区域适应性差。
McClain 等(1985)采用多通道(MCSST)A VHRR 反演算法对海表温度进行监测，使海温反演精度有较大提高，达0.7°。
党顺行等(2001)使用NOAA 气象卫星A VHRR 的红外波段数据对中国东海渔区海表温度反演进行了研究。
鲍献文等(2002)应用NOAA 气象卫星A VHRR 对渤海、黄海、东海A VHRR 海表温度场的季节变化特征进行了研究。
郑嘉淦等(2006)利用MODIS数据反演了2003 年和2004 年东海海域的海表温度，结果与东海的实测海表温度分布一致。
叶绿素浓度是反映浮游植物光合作用强弱、藻类长势的重要参量，可以用于监视海藻的生长和推断水产研究中浮游生物的分布和鱼群位置。
福建省福清市海岸带悬浮物浓度反演
水体提取
要进行水质监测，首先要将水体从影像中提取出来。研究证明， 近红外波段的遥感信息是确定水体的一种可信和有效的技术。 在近红外波段，穿过水-气界面的太阳辐射大部分被水体所吸 收，吸收的多少随波长和水深而定。 对于深于1m的水体，红外波段的透射率极低，因而观测水体的 近红外传感器只能接受到少量辐射，有时甚至没有辐射。 而大部分地物相对于水体都是强漫射反射体，与水面形成强烈 的反差。近红外段的波长不同，对水体的反映效果也不同。如大气 窗口为2.0～2.6μm的波段，由于太阳辐射量的减少，并非最佳。 据国外的测试，理想的识别水体波长应在1.5～1.8μm之间。 在该波段，足够的太阳照度既能照亮背景物体，又能对水生植物所 封闭的水体增加许多识别条件。
由于单波段遥感数据的局限性，人们常利用不同波段对泥沙水 体光谱响应特征的差异，提取反映水体泥沙含量的不同遥感指数。 如由可见光与近红外波段数据组成的归一化泥沙指数等，以提 高遥感反演的精度。
但是，此类利用遥感数据与少量同步实测数据的相关性而建立 的模型，缺乏普适性。
此外，对遥感数据的大气干扰消除的程度也直接影响到最终的 反演精度。
随着水中 悬浮固体浓 度的增加及 泥沙粒径的 增大，水体 的反射率增 大，反射峰 值向长波方 向移动。 由于受 0.93μm～ 1.13μm红外 强吸收的影 响，反射峰 值移到 0.8μm终止。
对可见光遥感而言，0.58～0.68μm对不同泥沙浓度出现辐射 峰值，即对水中泥沙反应最敏感，是遥感监测水体浑浊度的最佳波 段。 因此，调查水体中悬浮固体含量情况，多选用0.58～0.68μm 谱段，也被NOAA、风云气象卫星及海洋卫星所选择。
A 经验、半经验方法 通过遥感数据与同步实测样点数据间的统计相关分析，确定两 者间的相关系数，建立相关模型，如线性关系式、对数关系式、 Gordon关系式、负指数关系式、统一关系式等。线性关系式关系简 单，误差较大；对数关系式在悬浮物浓度不高时精度较高。
《2024年黄河口海域悬浮物浓度遥感反演算法及时空分布特征研究》范文
《黄河口海域悬浮物浓度遥感反演算法及时空分布特征研究》篇一一、引言黄河口海域作为我国重要的河口区域，其悬浮物浓度的监测与研究对于海洋环境、生态保护以及资源开发具有重要意义。
随着遥感技术的不断发展，利用卫星遥感数据进行海洋环境监测已成为一种高效、便捷的方法。
本文旨在研究黄河口海域悬浮物浓度的遥感反演算法及其时空分布特征，为海洋环境监测提供技术支持。
二、研究区域与方法（一）研究区域本研究以黄河口海域为研究对象，该区域位于我国东部沿海地区，具有丰富的海洋资源和复杂的海洋环境。
（二）研究方法1. 数据来源：本研究采用卫星遥感数据、现场观测数据以及气象数据等。
2. 遥感反演算法：根据黄河口海域的实际情况，选择合适的遥感反演算法，如基于辐射传输模型的算法、基于经验统计的算法等。
3. 数据处理与分析：对遥感数据进行预处理、校正和同步处理，结合现场观测数据和气象数据，分析黄河口海域悬浮物浓度的时空分布特征。
三、遥感反演算法研究（一）算法选择与原理本研究采用基于辐射传输模型的遥感反演算法。
该算法通过模拟卫星传感器接收到的辐射信息与海洋水体中悬浮物浓度的关系，建立反演模型，从而得到海洋水体中悬浮物浓度的信息。
（二）算法实现与验证1. 算法实现：根据黄河口海域的实际情况，对算法进行参数设置和优化，实现遥感数据的反演处理。
2. 算法验证：通过与现场观测数据进行对比，验证算法的准确性和可靠性。
四、时空分布特征研究（一）时间分布特征通过分析不同时间段的遥感数据，发现黄河口海域悬浮物浓度在季节性变化上呈现出明显的规律。
具体表现为春夏季节较高，秋冬季节较低。
这主要是由于季节性气候和河流输入的影响。
（二）空间分布特征通过对黄河口海域的遥感数据进行空间分析，发现悬浮物浓度在空间上呈现出明显的分布规律。
高浓度区域主要集中在近岸水域和河流入口附近，低浓度区域则分布在远岸水域和深海区域。
这主要受到海流、风浪等因素的影响。
五、结论与展望（一）结论本研究通过遥感反演算法对黄河口海域的悬浮物浓度进行了监测和分析，得到了其时空分布特征。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
水体悬浮物浓度遥感反演经验模型摘要常规的悬浮物浓监测是通过对水体取样，进而再对水样进行实验室化学分析实现的，需要耗费大量的人力物力，而且所得到的仅是取样点的数据，对区域面状水域的评价只能是以点代面，因此，难以满足对大面积水环境质量监测的要求。
悬浮沉积物作为近海水体污染物的源和汇，是表征水环境质量的一个重要参数，同时又是水体的主要光学活性物质之一，与水体的光学性质密切相关，其浓度大小直接影响卫星遥感信号的强弱。
如叶绿素在440nm 附近有一吸收峰，在550nm附近有一反射峰，在可见光和近红外波段，悬浮物浓度的增加将导致水体反射率的增加等，正是由于这些光谱特性的存在，使得遥感监测水质参数成为可能。
从定量遥感的角度考虑，建立准确的遥感反演模型需要深入研究水体的光谱特征，国外对此研究较早，并且建立了完善的水体光学测量规范，为发展准确的遥感反演算法奠定了坚实的基础。
国内对此也开展了一些研究，尤其是在含沙水体光谱特征研究上，通过模拟实验和现场测量两种方式，获得了遥感反射率对应不同含沙量水体的变化规律。
但是，不同水域悬浮物的成分、粒径分布和浓度的不同，其相应的反射率光谱特性也有所差异，目前国内对不同区域水体光谱特征的把握上还不全面，所以遵循美国NASA的海洋光学测量规范，测量获取了实验海域混浊水体的水面反射率光谱和对应的水体悬浮泥沙浓度等数据，在分析实测光谱特征的基础上，研究了水体表层悬浮泥沙浓度与不同波段遥感反射率之间的相关性，从中选取敏感波段进行统计分析，采用回归方程建立悬浮泥沙浓度遥感反演经验模型。
另外，基于人工神经网络建立了悬浮物浓度遥感反演的经验模型。
1水体遥感原理1.1 水色遥感原理水色遥感是通过卫星传感器接收的离水辐射信号，对水体中待定物质的浓度信息等进行反演，这些物质主要包括浮游植物等悬浮物。
水体中各种物质组成及其对应的浓度差异是造成水体光学性质差异的主要原因，主要表现为水体的吸收特性和散射特性的不同。
因此，水体遥感的反演首先要获取与水体光学特性有光的离水辐射亮度，然后根据水体光学性质与对应物质的浓度等所具有的特定的关系，并借助一定的模型算法，从遥感影响上反演出水体中物质组成及其浓度等。
水体光谱性包括两个方面：表观光学特性（Apparent Optic Properties，AOPS）和固有的光学特性（Inherent Optic Properties，IOPS）1.2 悬浮泥沙遥感原理水体中悬浮泥沙光谱反射率具有双峰特种，通常第一反射峰位置在550-670nm，第二反射峰位置在780-830nm。
当水体中悬浮物质含量增加时，反射率波谱上的反射峰由短波向长波方向位移，及具有所谓的“红移现象”。
随着水体含沙的增加，反射率增加幅度最大波长与反射率波谱最大峰值位置基本上是吻合。
在含沙量较低时，第一反射峰值R1高于第二反射峰值R2.，随着S增加，R2.逐渐升高。
当悬浮物质颗粒教细时，随着S的增加，R2.升高的速度要大于R1升高的速度2建立遥感反演数据集反演过程如图1所示，分为五个阶段：2.1 实测悬浮物浓度在光谱测量的同时采集表层水样，低温冷藏带回实验室测量悬浮物浓度。
水体中的悬浮物包括无机部分(悬浮泥沙)和有机部分(浮游植物)，其中浮游植物由叶绿素的浓度表示。
悬浮泥沙浓度的测量采用“重量法”。
叶绿素浓度测量采用海洋监测规范提供的“分光光度法”。
2.2 悬浮泥沙浓度历史数据利用水利河口研究院从的悬浮泥沙实测数据，将研究海域划分为若干个个不同监测区域，每个观测区又分为若干采样点，每个采样点分别以一小时为间隔采集水体表层含沙量的连续观测数据。
多次采样时间也分别覆盖不同的潮情(大/中/小潮)和完整的潮时(涨落潮)。
从空间分布来看及时间角度分析，大潮含沙量通常高于中/小潮含沙量，这和大潮期间流速较急有关。
2.3 实测水面遥感反射率 现场光谱测量采用水面之上观测法，利用美国ASD便携式地物光谱仪和30%反射率的标准板分别测量水面、天空光和标准板的辐亮度，然后计算推导离水辐射率和遥感反射率等表观光学参数等。
光谱仪观测几何采用NASA 海洋光学观测规范推荐的观测角度设置，即仪器观测平面与太阳入射平面的夹角为135° (背向太阳方向)，仪器与海面法线方向的夹角为400;仪器积分时间固定为 136ms ，每次连续测量时间至少跨越一个波浪周期。
在避开太阳直射反射、忽略或避开水面泡沫等外界影响情况下，对于未经严格标定的光谱仪，标准板经过严格标定后，在固定积分时间状态下计算水面之上遥感反射率2.4 卫星遥感反射率采用美国NASA 的MODIS 资料作为建立遥感反演模型的卫星数据。
中分辨率成像光谱仪(MODIS)是美国宇航局研制大型空间遥感仪器。
它在36个相互配准的光谱波段，以中等分辨率水平(250~IO00m)、每1~2天观测地球表面一次，获取陆地和海洋温度、初级生产率、陆地表面覆盖、云、汽溶胶、水汽和火情等目标的图像。
NASA 不仅提供MODIS 原始数据，还据此发布多级数据产品(附表10)，其中地表反射率产品 (MOD09)是从 MODISLIB 数据的7个陆地波段经过大气校正获得的二级产品。
M0D09的大气校正是在MOD35产品进行云掩膜的基础上，采用65模型来进行，基本消除了大气分子、气溶胶与薄云等的干扰，估算出真实的地表反射率。
MODIS 陆地产品的具体处理流程见附图1。
因此，采用MOD09标准产品可以避免不同研究者对不同地区的数据进行大气校正过程的误差，统一的数据对于业务化遥感监测水体悬浮泥沙浓度以及结果的比较具有重要意义。
M0D09不仅有每天数据，还包括多天合成的次级产品，考虑到时空分辨率对近海水色遥感的影响，本文主要采用的是250m 分辨率的每天数据，其中心波长分别为 645nm 和848nm 。
3 悬浮物浓度遥感反演统计回归模型图 1 反演过程水体光谱反射率在不同波长位置对于泥沙浓度的响应存在差异，在分析水体光谱规律的基础上，可以从水中选取的敏感波段，建立水体悬浮泥沙浓度（SSC ）与遥感反射率（Rrs ）之间的数学统计关系式，实现对泥沙浓度的遥感反算。
根据常用水色卫星传感器可见光和近红外波段设置，分析不同的波段组合方式对水体悬浮泥沙浓度的响应关系，参考MODIS 水色波段和MERIS 波段范围，对实测的高光谱数据与悬浮泥沙浓度进行相关分析，据此选择敏感波段，并分析对单波段、组合波段的反射率比值形式，建立了水体悬浮泥沙浓度和特征波段遥感反射率之间的统计回归方程。
3.1 遥感反射率与悬浮物浓度相关分析近海水体中的悬浮颗粒物包括色素颗粒和非色素颗粒，非色素颗粒通常指悬浮泥沙，色素颗粒主要指浮游植物，通常以叶绿素浓度表示。
分析两类悬浮物浓度与遥感反射率之间的统计相关关系，是建立遥感反演经验模型的基础。
计算不同波段遥感反射率和泥沙浓度的相关系数，可以识别出对泥沙浓度变化敏感的光谱波段。
参考常用卫星数据MODIS 和MERIS 的可见光与近红外波段设置，分析不同光谱通道遥感反射率与悬浮泥沙浓度变化的相关性。
3.2 悬浮泥沙遥感监测敏感波段选择在选择敏感波段时，只能在卫星传感器波段设置与光谱仪波长范围内的交集中选取，即MODIS 与MERIS 数据的可见光和近红外波段。
选取的方法是根据水体的悬浮泥沙浓度与各波段的遥感反射率之间的相关性，取其相关性较大的波段为悬浮泥沙遥感监测敏感波段，结合水体光谱特征的研究结果，悬浮泥沙浓度在红外和近红外波段敏感反射率的响应度最高。
对于悬浮泥沙而言，与大于650nm 波段的遥感范围为600-800nm ；对于叶绿素而言，与其550nm 和667nm 波段附近的遥感反射率相关系数较大，可以作为遥感反射的敏感波段。
3.3 基于实测光谱的悬浮泥沙遥感统计回归模型以MODIS 敏感波段遥感反射率R 和对应的悬浮泥沙浓度S 建立统计回归模式。
在建立遥感反演的统计回归模式时，首先应该选择位于波峰并且反射率与泥沙浓度相关性较高的波段。
由获取的含沙水体光谱特征可知，MODISI 、2通道中心波长分别位于光谱曲线的两个反射峰附近，和表层水体含沙量的相关系数分别为0.53和0.84，而且250m 的空间分辨率可以满足近岸混浊水体含沙量遥感反演的空间分辨要求。
因此选择MODISI 、2通道作为悬浮泥沙遥感反演的基本波段，同时对这两个波段进行一定组合变换，分别采用简单线性回归、指数回归和幂函数回归进行拟合。
3.4 考虑粒径影响的悬浮泥沙浓度遥感反演模式已有的研究表明，在同样浓度的条件下悬浮物质的反射率会随着粒径的增大而下降，粒径的大小和反射率呈反比。
在实际情况中，即使是在同一个研究区范围内，悬沙粒子的粒径也有可能是不同的，尤其是在类似本文研究区的高能海区，由于絮凝作用导致悬浮颗粒物的粒径随着潮动力发生显著波动，因此进行悬浮泥沙浓度反演的过程中应当考虑到粒径变化的影响，将粒径作为一个因子放到统计回归模型中去。
4 悬浮物浓度遥感反演神经网络模型人工神经网络模型采用黑暗算法，本质上仍是一种经验模型，它可以充分利用特定传感器的多光谱波段数据，模拟遥感反射率与悬浮物之间的非线性响应关系，适用于不同悬浮物的单独或者同时反演。
用含沙量（1X ）和潮情（2X ）潮时（3X ）水深（4X ）流速（5X ）四个主要的潮动力因素，对垂直含沙量（Y ）进行模拟预测，所建概念模型为：()54321,,,,X X X X X f Y =相应的神经网络输入和输出节点也可以确定，输入节点数5（分别对应含沙量和潮情、潮时、水深、流速）、输出的节点数为1（对应垂线平均含沙量）。
隐含层的节点数的选取采用“试凑法”，通过在网络训练时使用循环语句来寻找最佳的隐含节点数。
网络的隐含层神经元的传递函数（1F ）和输出层神经元函数（2F ）均为sigmoid 函数。
最后确定单隐藏BP 神经网络结构见图2：5 结果分析与性能比较采用连续观测获取的水体悬浮泥沙浓度历史数据与MODIS 卫星遥感资料，利用人工神经网络方法建立了遥感反演模型。
对水体悬浮泥沙含量垂线分布规律进行分析与模拟。
分析垂线各层含沙量相关性，选取近表层的含沙量和水深、流速、潮情、潮时作为模型输入因子，垂线平均含沙量作为模型输出因子，建立模型对泥沙含量的垂线分布规律进行模拟。
模拟结果具有相对较高的空间分辨率，在海岸带水环境遥感监测中的应用前景更为广阔。
图 2 反演的神经网络模型。