基于机器学习方法的太湖叶绿素a定量遥感研究

为了比较评价人工神经网络和支持向量机2种机器学习算法在水质遥感中的应用能力,本研究首先从基础理论和学习目的入手,对比分析了2种机器学习算法的理论体系;其次,以太湖为例,基于MODIS遥感影像,构建了反演太湖叶绿素a浓度的2种机器学习方法模型,通过对模型的验证、稳定性和鲁棒性分析以及全湖反演结果对比3个方面评价了2种模型的泛化能力.验证结果表明,支持向量机模型对验证样本预测结果的均方差根和平均相对误差分别为5.85和26.5%,而人工神经网络模型的预测结果均方差和平均相对误差则高达13.04和46.8%;稳定性和鲁棒性评价亦说明,以统计学习理论为基础的支持向量机模型具有更加良好的稳定性、鲁棒性,空间泛化能力优于人工神经网络模型;2种机器学习算法对太湖叶绿素a的浓度分布反演结果基本一致,但人工神经网络模型因其学习目标设定和网络构建中的“过学习”等缺陷,造成了对东太湖以及湖心区叶绿素a的反演结果与实际监测结果差异较大.     

基于GF-1 WFV影像和BP神经网络的太湖叶绿素a反演

叶绿素a浓度是可直接遥感反演的重要水质参数之一,常用来评价湖泊水体的富营养化程度.太湖是典型的二类水体,光学性质复杂,应用一类水体线性反演模式拟合较为片面且难以找到最佳拟合模型.BP神经网络模型具有模拟复杂非线性问题的功能.为研究高分一号卫星16m多光谱相机WFV4结合BP神经网络进行太湖叶绿素a浓度监测的可行性,实验利用GF-1 WFV4影像和实时的地面采样数据,建立了BP神经网络模型,同时采用波段比值经验模型进行对比.经精度检验,BP神经网络模型预测值与实测值之间的可决系数R2高达0.9680,而波段比值模型的R2为0.9541,且均方根误差RMSE由波段比值模型的18.7915降低为BP神经网络模型的7.6068,平均相对误差e也由波段比值模型的19.16%降低为BP神经网络模型的6.75%.结果证明,GF-1 WFV4影像应用BP神经网络模型反演太湖叶绿素a浓度较波段比值模型精度有所提高.将经过水体掩膜的GF-1 WFV4影像用于训练好的BP神经网络反演太湖叶绿素a浓度分布,结果显示,叶绿素a高浓度区集中分布在湖心区北部、竺山湾、梅梁湾区域,与之前的研究一致.本文研究结果验证了采用BP神经网络模型对GF-1 WFV4影像进行太湖叶绿素a浓度反演的可行性.     

利用高光谱反演模型评估太湖水体叶绿素a浓度分布

叶绿素a浓度是评价水体富营养化和初级生产力的一个重要参数,高光谱遥感是获取叶绿素a浓度的有效手段.为建立太湖水域叶绿素a的最佳高光谱估算模型,选取2015年5—7月共计60组同步实测高光谱数据和叶绿素a浓度数据,在地面光谱反射率和叶绿素a浓度相关性分析的基础上,使用2∶1的数据样本进行太湖水域叶绿素a的最佳高光谱估算模型的建立和验证,筛选模型分别为波段比值、三波段、荧光峰位置、峰谷距离、一阶微分、NDCI(Normalized Difference Chlorophyll Index)、峰面积、荧光峰高度、WCI(Water Chlorophyll-a Index)和四波段模型.结果表明,建模得到的四波段模型决定系数最高,峰面积模型的决定系数相对最低;四波段模型的反演精度最高,均方根误差(RMSE)为0.00376 mg·L~(-1),平均绝对误差(MAPE)为27.86%,而WCI模型的反演精度相对最低,RMSE为0.01231 mg·L~(-1),MAPE为45.11%.将反演精度最高的四波段模型应用于2015年8月3日的两景HSI(Hyperspectral Imaging Radiometer)高光谱影像数据,也得到较高精度,利用同步实测叶绿素a浓度验证的决定系数为0.7643,RMSE为0.00433 mg·L~(-1),MAPE为45.62%.在春、夏季叶绿素对水体光学特性占主导作用且叶绿素分布均匀的情景下,本研究可为太湖水域叶绿素a的高光谱反演和水环境监测提供有价值的参考,其它季节水体光谱特点的研究尚待进一步开展.     

太湖叶绿素a浓度时空分异及其定量反演

利用2005年实测叶绿素a浓度数据分析了太湖叶绿素a浓度的时空分布特征,并利用同步光谱数据,分季节对太湖叶绿素a浓度的反演模型进行研究,从而分析叶绿素a的时空变化对反演模型的影响.首先分析1a内叶绿素a浓度随时间的变化规律,然后利用反距离加权插值法绘制叶绿素a浓度不同季节空间分布图,分析叶绿素a浓度在不同季节的空间分布规律,在此基础上分春、夏、秋3个季节和中营养化、轻度富营养化、中度富营养化、重度富营养化4个营养状态进行叶绿素a浓度定量反演模型研究.结果表明,太湖叶绿素a浓度具有明显的时空分布特征.夏季叶绿素a浓度最高,冬季最低,平均浓度分别为56.29μg/L、13.61 μg/L.秋季由于受到夏季高浓度的影响,叶绿素a浓度高于春季,平均值分别为26.43μg/L、34.78μg/L;夏季叶绿素a浓度空间变化最大,冬季全湖叶绿素a浓度含量较为均一,空间变化不明显,秋季空间差异要大于春季;全年北部湖区的空间差异较大,而南部湖区相对较小.不同季节叶绿素a反演算法模型不同,春、秋季波段比值法反演效果较好;而夏季微分法反演效果明显好于其它反演算法,不同营养状态条件下反演算法差异相对较小.     

基于数据同化的太湖叶绿素多模型协同反演

在国内外众多学者的不懈努力下,开发了大量的水质参数遥感估算反演模型,但不同的模型都具有其"局限性",只能从某个层面反映"真值".基于上述考虑,本研究发展了基于数据同化方法的太湖叶绿素a浓度多模型协同反演算法.利用2006~2009年太湖野外实测水体高光谱遥感反射率数据,构建了7个叶绿素a浓度反演模型;通过模型精度对比,最终遴选出6个适宜的叶绿素a浓度反演模型.进而使用不同模型组合,进行多模型协同反演.结果表明:1多模型协同反演算法的反演精度要高于单模型反演的反演精度,最优MAPE仅为22.4%;2随着参与多模型协同反演的模型个数的增加,其反演精度也逐渐提高,MAPE均值从25.6%降低到23.4%,RMSE均值从15.082μg·L-1降低到14.575μg·L-1,相关系数R均值从0.91提升到0.92;3通过对多模型协同反演产品的置信区间进行计算,可以有效地估算产品精度和误差,同时使得获取全湖反演叶绿素a浓度的误差空间分布情况成为可能.     

太湖水域叶绿素a浓度的遥感反演研究

利用太湖水域MODIS遥感数据的各波段反射率组合计算值,与实测的叶绿素a浓度进行相关性分析,找到相关性最好的反射率组合,建立反演太湖叶绿素a浓度的遥感模型.结果表明,利用MODIS数据可以较好地实现对太湖水域叶绿素a浓度的定量反演计算,并以MODIS数据第3、第17波段的反射率组合作为遥感指数建立了反演叶绿素a浓度的模型.第3、第17波段的波长范围分别为459nm～479nm、890nm～920nm,这一波段选择与以往使用TM数据得到的结论有所不同.     

太湖叶绿素a浓度预测模型初探

以太湖2005年的监测资料为基础,运用多元统计回归和BP人工神经网络方法构建模型,探求叶绿素a与水深、水温、营养盐等10项环境因子之间的关系,通过验证发现BP模型对叶绿素a浓度的拟合值与叶绿素a浓度的实测值之间的均方误差为220．3059,优于统计回归模型的235．4569;此外对两种模型进行了灵敏度测试,结果都显示总磷不是太湖叶绿素a浓度的限制因子,而水深、水温、总氮的变化对叶绿素a浓度影响显著。本研究对太湖叶绿素a浓度预测模型的建立是十分有意义的。     

基于GOCI影像和水体光学分类的内陆湖泊叶绿素a浓度遥感估算

叶绿素a作为水质参数之一,常用来作为衡量水体富营养化程度的指示标准.利用从太湖及洞庭湖获取的326个实测数据,基于实测遥感反射率对水体光谱进行光学分类,结果表明所采集的样点可分为3种水体类型.结合GOCI的波段设置,建立了不同类型水体的叶绿素a浓度反演模型.水体类型一可以利用490 nm(3波段)和555 nm(4波段)来反演,水体类型二可利用660 nm(5波段)和443 nm(2波段),水体类型三利用745 nm(7波段)和680 nm(6波段).精度分析表明,分类后的平均相对误差明显下降,类型一为38.91%、类型二为24.19%、类型三为22.90%;类型一均方根误差为4.87μg·L-1、类型二为8.13μg·L-1、类型三为11.66μg·L-1;分类前后的总体平均相对误差由49.78%降低到29.59%,总体均方根误差由14.10μg·L-1降低到9.29μg·L-1,分类后反演精度得到了显著提高.利用2013年5月13日8景GOCI影像反演了太湖的叶绿素a浓度,结果表明,2013年5月13日太湖叶绿素a浓度日变化显著,高值区主要集中在竺山湾、梅梁湾、贡湖湾,低值区主要集中在湖心区以及南部区域,10:00以后太湖西南部沿岸的叶绿素a浓度显著降低.这种先分类后反演的方法对于二类水体的模型反演精度的提高具有重要作用.     

基于EOS/MODIS资料的太湖藻类动态模拟

建立了太湖藻类生长的动态模型,并将其与水动力模型和水质模型相耦合,利用2001年7～8月太湖的实测资料对模型进行了率定。借助该模型,对2004年8月太湖水体中TN、TP的变化以及藻类生长过程进行了模拟。利用中分辨率成像光谱仪EOS/MODIS的数据对太湖叶绿素a浓度进行遥感定量,将遥感监测数据和模型计算结果进行了比较。结果表明:该模型可进行风生湖流、TN、TP的模拟,以叶绿素a浓度描述的藻类浓度的模拟值能较好地拟合遥感监测值,且遥感监测图和模型模拟图所反映的全太湖叶绿素浓度分布基本一致。最后根据遥感和模拟对太湖全区的藻类分布作了具体的分析。     

基于环境一号卫星数据的太湖叶绿素a浓度反演

环境一号卫星在大型水体水环境监测与评价中具有独特的优势。为探求遥感影像在水体叶绿素a浓度反演中的应用,基于环境一号卫星CCD数据和同步实测叶绿素a浓度值,通过影像辐射定标、大气校正和几何精校正等预处理获取水体反射率,分别将单波段和不同特征波段组合的反射率与实测叶绿素a值进行皮尔逊相关分析,选取R20.8的波段组合进行建模,通过对3种波段组合反演结果对比和精度验证,发现基于CCD数据第4波段与第3波段反射率比值的二次模型具有良好的反演效果,模型预测值与实测值的最小相对误差为0.76%,平均相对误差10.99%,均方根误差为0.007 6 mg/L,明显低于实测叶绿素a浓度的平均值;最后基于该模型实现了太湖叶绿素a浓度反演,并对叶绿素a的时空分布进行了初步分析。     

应用遥感数据评价蓝藻水华对太湖取水口的影响

为量化蓝藻水华对太湖饮用水取水口的影响,将太湖矢量图进行栅格化,根据权重函数计算像元的权重因子;再将权重因子图与由遥感影像得到的水华分布图进行叠加,对对应像元进行影响因子计算;最后根据像元的影响因子求出归一化影响指数(NII),并以此进行影响评价.通过对2007年5月1~16日太湖MODIS EVI影像进行的实例分析和验证,表明该方法能较好地反映太湖水华对取水口的影响程度,与实际情况符合;在提出的3种权重函数模型中,负指数模型和正态分布模型能较好地反映蓝藻水华对饮用水取水口的影响程度,可以作为影响评价的权重模型.     

太湖悬浮物分布的现场监测研究

于2005年8月25日至8月28日对太湖进行现场监测,得到了太湖梅梁湾到大太湖的悬浮物、浊度数据,分析得出:(1)光照强度较高时,对应于微囊藻峰值的出现,浊度在水深0.5m处出现最高值,光照强度较弱时,浊度的分布在垂直方向上趋于均匀;(2)悬浮物浓度与浊度具有较高的相关性,悬浮物浓度值可以用浊度的测定值换算得到;(3)河流流入、风浪条件和湖内藻类繁殖等影响着太湖悬浮物的垂直和纵向空间分布,出现梅梁湾到大太湖不同的悬浮物垂直和纵向分布。     

应用遥感技术监测和评价太湖水质状况

利用遥感信息和有限的实地监测数据建立了太湖水质参数预测模型 ,该方法可以用于太湖水质污染的预测、分析和评价 ,能够较好地反映水质的空间分布特征 ,尤其适合于大范围水域的快速监测 .研究结果表明 ,利用单波段、多波段因子组合以及主成分分析等手段可以使遥感信息得到更充分的利用 ,从而使预测结果更加精确 .预测结果显示 ,太湖流域已经呈现了严重的富营养化趋势 ,且空间分布不均衡 .东太湖以及靠近无锡和苏州的湖体附近相对污染更为严重 .     

巢湖流域和太湖流域沉积物中苄氯菊酯和高效氰戊菊酯的生态风险评价

分析了巢湖流域和太湖流域表层沉积物中苄氯菊酯和高效氰戊菊酯,并结合毒性单元法(Toxic Unit,TU)和物种敏感性分布法(Species Sensitivity Distributions,SSD)评价了两种拟除虫菊酯的生态风险.结果显示,两大流域沉积物中均广泛检测出两类污染物.总体而言,巢湖流域苄氯菊酯含量较高,而太湖流域高效氰戊菊酯含量较高.同时,两种污染物在巢湖流域呈现显著的正相关,但太湖流域二者之间没有相关关系.3种风险评价方法(TU法、沉积物SSD法、水体SSD法)均揭示苄氯菊酯对巢湖流域水生环境影响较大,而高效氰戊菊酯对两个流域影响均较大.因此,需要加强对流域高效氰戊菊酯污染的关注.其中,TU法预测的风险最小,沉积物SSD法预测的风险最大,主要原因在于TU法采用的毒性数据为LC50,而SSD法则选用了NOEC/LOEC,同时沉积物SSD法是出于保护大部分底栖生物为目的的方法.各种方法对于评价沉积物毒害污染物的生态风险均存在不足,尽管沉积物SSD法最为合理,但由于其毒性数据较少,最终预测结果存在一定的不确定性.因此,需要进一步加强对底栖生物毒性的研究和数据积累.     

太湖磷循环的生态动力学模拟研究

构建了太湖水生态动力学模型(CAEDYM),依据已有相关研究成果对模型参数进行了初选,利用2005年的水文、气象、水质等监测数据对模型参数进行了率定,分析了湖泊水体磷的循环机制和沉积物内源磷的释放机制.结果表明,水温和溶解氧的模拟结果与实测数据非常吻合,TP、PO43-和Chl-a的变化趋势也与实测结果基本相同.浮游植物优势种的演替模式表现为:冬季隐藻和硅藻占优势,春季绿藻占优势,夏季和秋季蓝藻占优势;磷的内源释放对太湖磷循环影响的模拟结果表明,在不改变外源输入的情况下,降低底泥中磷的再悬浮作用能够有效降低水体中Chl-a的浓度,但对水体中TP及PO43-的影响较小.     

生态动力学模型在太湖水质模拟中的应用

考察了西澳大利亚大学水研究中心开发的生态动力学模型CAEDYM与三维水动力模型ELCOM的耦合模型在太湖的应用效果,用该模型模拟了2005年5月~6月太湖的水温、总氮、硝氮、氨氮、总磷、磷酸盐、叶绿素a,通过实测数据进行参数率定。并用2005年8月的实测资料作为初始条件,9月的模拟资料与实测资料进行对比,对模型进行了验证。结果显示模型较好地模拟了太湖的水质变化和分布。     

基于中巴地球资源1号卫星的太湖表层水体水质遥感

利用CBERS 1的CCD数据和准同步地面监测数据,结合水体组分的光谱特征,建立了太湖表层水体叶绿素a和总氮的遥感信息模型.将模型用于2000 09 16太湖表层水体,所得结果较客观地反映了叶绿素a和总氮的分布趋势,表明利用CBERS 1的CCD数据进行湖泊表层水体水质指标监测具有重要的现实意义和应用前景.由于地面监测站位有限,模型在浅水草型湖泊———东太湖的适用性受到一定限制,说明同步性好、覆盖广的地面监测对于水质遥感信息模型的准确性和适用性至关重要.     

太湖浮游硅藻时空演化与环境因子的关系

利用1992年至2002年每月1次的监测资料,系统分析了太湖北部3个区域(河口、梅梁湾、湖心)浮游硅藻(Planktonic diatoms)生物量周年变化和空间分布情况.同时,水中磷酸盐(PO43--P)、氨氮(NH4+-N)、硝氮(NO3--N)和硅酸盐(SiO23--Si)含量等相关资料也被用于解释太湖浮游硅藻时空分布的原因.结果显示,直链硅藻(Aulacoseira sp.)是太湖浮游硅藻的优势种,其它常见种有小环藻(Cyclotella sp.)、针杆藻(Synedrasp.)等.硅藻总生物量占浮游藻类生物量百分比平均值约为20%.太湖浮游硅藻生物量在河口最大,梅梁湾其次,湖心最小,究其原因可能与河口的特殊生态环境(水流速度)有关,另外,河口丰富的营养盐,特别是磷酸盐和氨氮也是一个重要因素.温度可能是影响太湖浮游硅藻生物量季节变化的关键因素.Pearson相关分析证实,磷酸盐、氨氮和温度均与硅藻生物量显著相关(p<0.01),且蓝藻生物量百分比与硅藻生物量百分比呈显著负相关.研究结果说明,太湖浮游硅藻的生长分布受多种环境因子(磷酸盐、氨氮、温度)的影响限制,太湖浮游硅藻与蓝藻可能存在着竞争演替的趋势.     

太湖水体上行漫射衰减系数的变化特征研究

水体上行漫射衰减系数是反映水体中上行光强衰减的重要光学参数,它直接影响着水下光场分布,对水环境生态系统变化具有重要意义.然而,对于太湖水体而言,上行漫射衰减系数的变化特征尚不明确.为此,本课题组于2010年4月29日到5月2日对太湖水体28个采样点进行了野外原位观测,获取了相应的水体光学参数和水质参数数据集.在分析水体上行衰减系数光谱特征和空间分布特征的基础上,对其与太阳高度角、悬浮物浓度和叶绿素浓度之间的关系进行了研究.结果表明,上行漫射衰减系数的光谱特征表现为短波蓝光部分衰减系数较大,长波红光部分衰减系数较小,且衰减系数在575~700 nm之间随着波长的增加变化不明显,在675 nm附近出现相对高值,其与叶绿素a浓度存在显著的相关关系(r=0.574,n=28,p<0.05).下行与上行漫射衰减系数随波长的变化特征大致相似,其差值谱线的变化规律为:小于400 nm的范围内,呈线性减小;在400~800 nm之间除760 nm附近有一峰值外,其余部分基本无明显变化;大于800 nm时,又迅速增加.上行衰减系数在不同湖区的空间分布大致为:开阔水域区>草型湖区>典型藻型湖区>草、藻过渡型湖区,藻型和草、藻过渡湖区在675 nm附近的峰值皆较为明显.上行衰减系数基本上随太阳高度角的增大而减小,上行漫射衰减系数与悬浮物浓度的偏相关性最好(r=0.963,n=28,p<0.05),太阳高度角次之(r=0.474,n=28,p<0.05),叶绿素浓度的最低(r=0.175,n=28,p<0.05).