论文部分内容阅读
基于经验模型的遥感反演模型是大范围、长时间跨度的遥感反演中最常用的水色遥感反演算法。传统的基于数理统计模型的反演算法对原始数据提出以下假设：假设数据满足特定(如正态)分布；假设遥感信息与水体信息之间存在特定的函数关系；假设样本数量趋向于无穷多，以经验风险近似真实风险。但是在环境遥感应用领域由于研究区域通常是大范围的，而由于实际工作中的各种限制因素导致样本获取通常是少量的；环境因子和遥感信息之间存在着尚未完全为人所知的复杂关系，用各种简化模型来模拟说服力不强，同时也具有很强的主观性；环境因子、遥感信息通常不是独立存在的，空间和时间上的相关是普遍存在的，数据并不能满足假设的特定分布。以上三方面假设条件的不满足导致了传统的基于数理统计的遥感反演模型反演精度和稳定性不高，模型的泛化性能较差。
本论文依托国家自然科学基金项目“基于贝叶斯理论的长江中游悬浮物遥感定量反演研究”，以长江中游河段为研究区，以支持向量机(Support VectorMachine，SVM)、人工神经网络(Artificial Neural Network，ANN)等智能算法建立遥感反演模型，以群智能算法(Swarm Intelligence Algorithm，SIA)对模型参数进行优化，通过对模型的优化和改进，建立一套适合长江中游河段水文特征的悬浮物遥感定量反演模型。该遥感反演模型在一定程度上避免了传统上对反演模型数据的假设，使模型具有更高的反演精度、稳定性和更强的推广性能，对遥感反演的经验模型算法研究具有一定的参考价值，可作为一种新的遥感反演方法加以推广。
本论文的主要研究内容包括六个方面：
1.对国内外在水体悬浮物遥感反演模型方面的进展、原理、方法、步骤等内容作了概括性总结；
2.选取洞庭湖湖口为研究区，展开地面采样分析工作，分别于2011年5月和2011年9月进行了实地采样和实验室分析，同时使用浊度仪、悬浮物测量仪现场测量了水体浊度和悬浮物含量，获取了研究区内50个采样点水体悬浮物含量数据；获取了研究区内采样时间过境的HJ1 A/B卫星CCD传感器影像数据，并对原始数据作了辐射定标、几何校正、重投影、大气校正等数据预处理；将影像中研究区水体范围内的遥感信息以及采样点对应点的遥感信息提取并作了预处理和初步分析；使用地面采样对应点的遥感信息与悬浮物数据建立了线性、二次多项式、一元三次多项式、对数、幂函数以及比值模型等常规反演模型；
3.以遥感反演理论为基础，以预处理后的遥感影像及地面同步实测水体悬浮物含量数据为主要数据源，将智能算法引入水体悬浮物遥感反演模型，在统计学习理论、人工智能和模式识别等理论与Matlab、libsvm、Gatbx等工具支持下，分别使用BP神经网络(Back Propagation Neural Network，BPNN)、广义回归神经网络(General Regression Neural Network，GRNN)和SVM模型对研究区的水体进行遥感反演研究，以提高模型的精度、稳定性和泛化能力；
4.采用群智能优化算法优化模型参数，进一步提高了模型预测精度和模型优化效率；
5.通过对原始数据随机分组用于回归和预测，经过多次抽样建模及预测以尽量减少随机误差，得到各种模型的预测精度、模型稳定性及泛化能力对比数据。
6.选用最优模型果蝇优化算法(Fruitfly Optimization Algorithm，FOA)优化的SVM模型反演整个长江中游水体悬浮物时空分布，分析长江中游悬浮泥沙分布变化规律。
研究结果表明地面实测的悬浮泥沙浓度与HJ1A/B卫星的CCD传感器数据B1、B2、B3波段的反射率建立的反演模型具有很好的反演精度。GRNN模型在少量样本参与建模的情况下，其模型预测精度要远远优于单层或双层隐含层结构的BPNN模型；在SVM模型参数得到优化的情况下，模型预测精度可达83％以上，优于神经网络模型；FOA算法与遗传算法(Genetic Algorithm，GA)、粒子群优化(Particle Swarm Optimization，PSO)算法相比计算简便直观，多数的情况下FOA算法可更快的收敛于最优解，对SVM遥感反演模型参数优化效果较好；洞庭湖来水来沙是长江中游城陵矶以下江段主要的悬浮泥沙来源之一，从预测结果可知洞庭湖来水悬浮物浓度较高，洞庭湖来水在城陵矶汇入长江后与江水混合，在长江南岸形成数十公里的混合带，至洪湖以下江段逐渐混合均匀。
本研究证明HJ1 A/B卫星CCD数据对于内陆水体悬浮物监测是可行的；经过参数优化的SVM遥感反演模型简单可行，预测精度高，模型稳定且具有较强的泛化能力，可作为悬浮物遥感反演方法加以推广。遥感反演的方法可以获取更直观、更及时和更大范围的水体悬浮物信息，这对于有针对性的采取治理措施、改善河流水利、水文、通航、防洪、生态环境等方面具有重要的理论和现实意义。