论文部分内容阅读
本文利用地物光谱仪进行实地反射光谱测量,系统的分析了太湖水体的光学反射特征,结果表明太湖水体的叶绿素浓度可以利用720nm附近的反射率值估算,其精度要比其他学者利用的波段比值估算精度要高;同时发现太湖的悬浮物对580nm处的反射率比较敏感,在这一波段,悬浮物浓度的差异可以得到最大的显示;810nm附近的反射峰也可以作为太湖悬浮物浓度的指示值,这一发现与GIN等人的研究结论相似.太湖的DOC浓度可以用745nm附近的反射率值估算,但估算精度不高,这是因为DOC的反射光谱特征与叶绿素相似,且受到悬浮物的影响.本文还利用光谱微分技术分析了反射光谱的一阶微分、二阶微分与太湖有关水质参数的关系,发现基于一阶微分、二阶微分的叶绿素浓度估算模型的精度并没有得到提高,但基于一阶微分的悬浮物浓度估算精度要高于基于反射光谱的估算模型.通过光谱微分发现,太湖的DOC与665nm附近和695nm附近处的一阶微分相关性较高,但其估算精度并没有得到显著的提高.通过基于模拟MERIS数据的分析得出,MERIS第9、14波段以及第5波段和第6波段的比值可以用来估算太湖的叶绿素浓度,MERIS第5、12、13波段可以估算太湖水体的悬浮物浓度,第10波段及第9波段与12波段的比值可以用来估算太湖的DOC浓度.在分析太湖反射光谱特征的基础上,利用几期TM(ETM+)数据和准实时的地面采样数据,分析了TM数据监测太湖水质的潜力,分别利用了线性回归和神经网络的方法反演了太湖的叶绿素浓度、悬浮物浓度、TN、TP等水质参数.通过相关性分析发现,经6S校正后的TM数据与水质参数之间的相关性最高,太湖的悬浮物与TM1、TM2、TM3、TM4之间相关性依次增强,叶绿素与TM4的相关性最好,与TM2的相关性最弱,同时,通过近百种波段组合发现,悬浮物浓度的自然对数与波段组合(TM3-TM1)相关性最高,叶绿素浓度的自然对数与TM3/(TM1+TM4)的相关性最好,TN的自然对数与波段组合(TM2-TM1)/(TM4-TM3)的相关性最好,TP的自然对数与波段组合(TM3-TM1)/(TM1+TM2)和(TM1+TM2)/(TM1+TM4)相关性都非常高,分别呈显著正相关和负相关.通过线性回归和神经网络模型对比分析得出,神经网络模型的反演精度要高于线性回归模型.