论文部分内容阅读
城市供水源地水质的好坏，不仅直接影响着城市的经济和社会发展，而且会对城市居民的健康产生威胁，因此对水源地的水质预测就显得格外重要。本文以武汉市的主要供水源地水质参数(高锰酸盐指数和氨氮含量)为研究对象，根据某时段的实测数据、遥感影像数据和相关辅助信息(实测点透明度、温度、岸边信息和上游排污口信息)，尝试性的建立了高锰酸盐指数和氨氮含量的常规回归反演模型、常规神经网络反演模型和改进型神经网络反演模型。
1、常规回归反演模型：
根据各波段反射率(反射率组合)和实测水质数据的相关性分析，建立各种不同的水质参数常规回归反演模型，各模型如下：
一般线性回归模型：y=ax+6；对数转换线性回归模型：y=a+bln(x)；指数回归模型：y=aebx；幂回归模型：y=axb；
其中：y为水质参数，x为遥感数据源。
通过精度和可用性检验得到：常规高锰酸盐指数的模型反演精度很低，反演的相对误差都在60％以上；氨氮含量的模型反演精度较好，最大的平均相对误差为10.02％，最小的为6.28％，可以用来进行氨氮含量参数的反演。
2、常规神经网络反演模型：
建立了一个三层的BP神经网络模型，其输入层单元分别为各实测点遥感影像CCD据前4个波段的反射率，输出层单元为各实测点的水质参数值。通过精度和可用性检验得到：
高锰酸盐指数模型：进行了(汉江和长江)整体建模和单独模型，整体反演模型的平均相对误差为7.03％，而长江、汉江各自建模后的反演模型的平均相对误差分别为9.96％和1.59％。反演精度从大到小依次为：汉江反演模型、整体反演模型和长江反演模型；氨氮含量反演模型的平均相对误差为4.8％。
3、改进型神经网络反演模型：
改进型神经网络模型的整体结构和常规的相同，同为一个三层的BP神经网络，不同之处在于输入层单元中加入了不同的辅助信息。改进模型(a)的输入层单元分别为各实测点波段的反射率、透明度、温度、岸边信息和上游排污口信息；改进模型(b)的输入层单元为各实测点波段的反射率、岸边信息和上游排污口信息；改进模型(c)的输入层单元为各实测点波段的反射率、透明度和温度。通过对各模型的精度和可用性检验，得到如下结论：
改进模型(a):高锰酸盐指数反演模型的平均相对误差为7.12％，与常规神经网络模型的平均相对误差7.03％相当；氨氮含量反演模型的平均相对误差为17.51％，与常规神经网络反演模型(4.8％)相比，精度有所降低：改进模型(b):高锰酸盐指数和氨氮含量的反演精度都不如模型(a)的高，在高锰酸盐指数反演方面，平均相对误差为27.92％，氨氮含量的反演模型平均相对误差为8.79％；改进模型(c):高锰酸盐指数的反演模型平均相对误差为6.95％，反演精度最高，氨氮含量的反演模型平均相对误差为8.81％，反演精度低于常规神经网络和其它改进型网络模型。
最后利用常规神经网络反演模型对2007年7月18日各水源地水质参数做了反演预测研究，并通过与2004年同期数据的对比分析，对水质参数进行了相关评价。