基于机器学习和卫星遥感的PM2.5/10 空间连续分布反演方法研究

在过去的几十年里,快速的经济发展以及工业化、城镇化进程加速使得中国的资源环境承担的压力不断加大。作为影响空气质量的首要污染物,PM_2.5和PM₁₀（记为PM_2.5/10）直接影响着广大人民群众的身体健康。因此,针对PM_2.5/10浓度进行遥感反演研究,对环境监测和控制改善全国空气环境质量具有重要的意义。近些年来,随着对近地面PM_2.5/10浓度研究的不断深入,基于遥感影像数据进行PM_2.5/10浓度的反演方法也日益增多。本文利用Google Earth engine（GEE）平台获取了海量的Landsat 8 OLI遥感影像数据,并结合气象信息、空间特征等参数,采用机器学习中常用的多层映射反向传播神经网络构建了波段反射率与PM_2.5/10浓度之间的反演模型,以获得PM_2.5/10在研究区域的连续分布。为了提高基础PM_2.5/10反演模型的反演精度,还从影响因素和前溯时间两个维度出发,探寻了模型的最优化输入参数组合,并最终实现了对PM_2.5/10浓度的精准反演。以北京市地区为例,模型的PM_2.5和PM₁₀的反演精度R²分别达到0.814和0.796,均方根误差RMSE分别为19.21 μg?m^?3和28.31 μg?m^?3。鉴于该反演结果具有较高的准确性和可靠性,本文所建立的方法模型为研究PM_2.5/10在空间上的连续分布特征提供了新的思路和方法,具有较为重要的科研意义与广泛的应用价值。     

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MODIS数据的乌梁素海水体遥感监测

近年来,内蒙古乌梁素海水体富营养化日益严重,致使藻类"黄苔"频繁暴发,对该湖泊的生态系统及湖泊周围地区饮用水安全造成了严重影响。利用遥感技术监测湖泊水体具有时效性强、监测范围广、成本低等优点。本文基于高时间分辨率MODIS数据,对乌梁素海水体进行了遥感监测。利用各个采样点的经纬度提取了各个采样点的反射率,建立了叶绿素浓度的对数反演模型、总氮浓度的多项式反演模型、总磷浓度的多项式反演模型,并将反演出的叶绿素、总氮、总磷值与实测值进行了相关性分析。结果表明,乌梁素海叶绿素、总氮、总磷值的反演值与实测值的相关系数均在0.6以上,说明所建立的反演模型可以较好的反演相应的水质参数。     

基于自组织映射与随机森林耦合模型的流域水质空间差异性评估

流域水环境质量空间分布特征分析是推进流域精细化管理的基础.本研究基于流域特征指标与水质的关联性,以子流域为分析单元,利用自组织映射人工神经网络模型（SOM）对苕溪流域水质数据聚类分析为3类后与随机森林模型（RF）进行耦合,对全流域水质进行了空间差异性评估.研究结果显示,上游山地区域水质较好,而平原河网人口集聚区的COD_Mn、NH₃-N及TP浓度较高,山地与平原过渡地带水质则主要受到COD_Mn和TN的影响.采用自然环境、社会经济及土地利用/覆盖指标作为流域特征进行水质分级模式识别,SOM与RF模型耦合模型的准确率稳定在80%左右;在对强相关性特征进行筛选识别后,将蒸发蒸腾量、坡度、人口密度、大于10℃积温、旱地占比、城镇用地占比及景观多样性指数为作为输入特征,准确率可达83%,可以有效地开展全流域水质分级评估.     

燃煤锅炉低氮氧化物燃烧特性的神经网络预报

大型燃煤电站锅炉的低NO_x燃烧技术日益受到关注,但NO_x的排放特性复杂,受煤种、锅炉设计结构和操作参数等多种因素影响.在对某台600MW四角切圆燃煤电站锅炉的NO_x排放特性和飞灰含碳量特性进行多工况热态测试的基础上,应用人工神经网络的非线性动力学特性及自学习特性,建立了大型四角切圆燃烧锅炉NO_x排放特性和燃烧经济性的神经网络模型,并对此模型进行了校验.结果表明,该模型能根据燃煤特性及各种操作参数准确预报锅炉在不同工况下的NO_x排放和飞灰含碳量特性,可为大型电站锅炉通过燃烧调整降低NO_x排放和提高锅炉燃烧效率提供有效手段.     

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.     

基于深度学习的华东地区PM2.5浓度遥感反演

PM_2.5作为大气污染的主要来源,对人类身体健康有着极大的影响.本文提出基于深度学习模型的多要素联合PM_2.5反演方法,以PM_2.5浓度作为真值数据,引入Himawari气溶胶光学厚度（AOD）日数据产品与温度、相对湿度和气压等10个要素作为反演要素.为验证方法的有效性,采用华东地区2016~2018年的数据分季节开展实验,并与传统反演方法进行对比.结果表明,PM_2.5浓度与AOD、降水、风速、高植被覆盖指数呈正相关关系,与矮植被覆盖指数呈负相关关系,与温度、湿度、气压以及DEM的相关性随季节的变化而改变;基于深层神经网络（DNN）反演的PM_2.5精度高于传统的线性和非线性模型,各个季节R²均在0.5以上并且误差较小,其中秋季的反演效果最好R²为0.86,夏季为0.75,冬季为0.613,春季为0.566;模型的可视化结果显示,DNN模型的反演结果更接近地面监测站点插值的PM_2.5浓度分布,分辨率更高且更精确.     

地气解耦的Himawari-8卫星PM2.5浓度估算深度神经网络方法

现阶段大气PM_2.5遥感反演方法大多数都基于卫星气溶胶光学厚度（aerosol optical depth,AOD）产品,这些产品通常是从表观反射率（top-of-atmosphere reflectance,TOA）中反演而来.直接建立TOA产品和地面站点监测的PM_2.5浓度间的反演模型能够有效降低由AOD反演所带来的误差传递,但是现阶段反演PM_2.5所用到的TOA同时耦合了地表反射率和大气贡献值,想要进一步提升反演精度则需要设法将二者分离.基于此,本文利用Himawari-8（H8）卫星数据,由6S模型进行大气校正,继而统计得到H8前6个波段之间的地表反射率关系式,再运用卫星第六波段表观反射率与地表反射率接近的特性,估算得到前5个波段的地表反射率,并扣除地表反射率得到大气贡献值,以此来达到地气解耦的目的.随后,本文基于深度神经网络构建了PM_2.5、大气贡献值、卫星亮温数据、观测角等之间的关系.以安徽省为例,反演结果表明,与不考虑地气解耦的TOA-PM_2.5方法相比,本文提出的ATM-PM_2.5方法精度更高,在未参与训练的验证站点上,ATM-PM_2.5的R²和RMSE值为0.87和13.77 μg·m^-3,相对于未经过地气解耦的TOA-PM_2.5,R²提高了20%,RMSE值降低了5.24 μg·m^-3.另外,利用H8卫星时间分辨率较高的特点,本文对安徽省域范围内进行了逐小时的PM_2.5监测,显示本文方法有潜力为PM_2.5实时监测提供数据支撑.     

内陆水体后向散射系数模拟研究

在利用半分析方法结合光学闭合原理模拟水体后向散射系数的过程中,参考波长的选择对最终结果有较大影响.为了得出最佳参考波长的影响因子,利用太湖、巢湖和滇池的野外实测数据,对后向散射系数进行模拟,进而分析水体的最佳参考波长与其对应的水质参数浓度之间的变化规律.同时,建立了太湖、巢湖和滇池水体的后向散射系数曲线的幂函数光谱模型,获得的光谱指数分别为2.643±0.317、 2.719±0.242、 1.638±0.534.结果表明：①以整个湖泊为研究对象时,最佳参考波长随着湖泊水体中总颗粒物浓度c_SPM、有机颗粒物浓度c_SPOM和叶绿素浓度c_CHL平均值的增大而向长波方向移动,太湖、巢湖和滇池水体的最佳参考波长分别为695、 720和730 nm;②以单个湖泊的各个样点为研究对象时,由于内陆湖泊光学特性的复杂性,最佳参考波长的影响因子存在一定差异,但c_SPM是一个共同的影响因子.此外,过高的c_CHL将削弱水质参数浓度与最佳参考波长间的规律性;③在以无机颗粒物为主的水体中,后向散射系数与总颗粒物浓度之间存在更好的相关性,如在太湖水体中,R²达到0.852.     

支持向量机在太湖叶绿素a非线性反演中的应用

根据湖泊监测的特点,采用支持向量机(SVM)方法,反演太湖叶绿素a的浓度分布.将2005年8月太湖29个现场水质监测点数据分为训练测试样本集和验证样本集,利用训练测试样本集以及与其时间同步的MODIS遥感影像,分别构建了4种SVM模型.对比分析表明,直接以波段反射率以及水深信息构成输入向量的SVM模型预测效果最好.利用训练测试样本构建了线性回归模型、主成分分析模型(PCA)以及神经网络模型(ANN),并利用验证数据比较了上述3种模型与SVM模型的预测结果.结果表明ANN模型和SVM模型预测能力明显优于另外2种模型,其中SVM模型对低值和高值均有较好的预测精度,平均相对误差仅为15.91%,预测精度比ANN模型提高了10%.利用SVM模型和ANN模型分别反演了2005年8月15日太湖叶绿素a浓度分布,比较了2种模型反演结果的异同,分析了太湖叶绿素a分布特征及其成因.     

滇池流域生态环境动态变化研究

滇池流域经济的迅速发展和人口的急剧增长引起了流域土地覆盖的巨大变化，由此造成了严重的湖泊富营养化和水资源危机，根据1988，1995，2000年滇池流域的Landast TM/ETM影像数据，并结合滇池水质的监测结果，重点研究了流域土地覆盖动态变化过程及其对滇池湖泊生态环境的影响。     

基于环境一号卫星的太湖叶绿素a浓度提取

综合环境一号小卫星的CCD数据和同步地面水质监测数据,发现可见光红波段与近红外波段的波段组合与叶绿素a实测浓度存在较高相关性,并以此为基础建立了3个提取水体表层叶绿素a浓度的遥感信息模型.经验证分析,基于近红外波段与红波段比值的模型用于叶绿素a浓度反演提取的精度良好,RMSE达到了6.04mg/m3.将该模型应用于环境一号卫星CCD数据,生成了2009年5～12月共8幅太湖水体叶绿素a浓度分布图,并对其进行了时空分析,结果符合实际,并与以往的研究结果相一致.但模型不适用于水生植被覆盖较多区域叶绿素a浓度估算.     

滇池水体中透明度的遥感定量模型研究

研究利用滇池 1999年 4月 14日陆地卫星TM数据与准同步全湖面监测资料 ,对滇池全湖水体透明度与不同波段遥感值的关系进行了关联度分析 ,并据此建立了TM图像遥感透明度水质模型 ,该模型被成功地应用于滇池水体透明度的遥感动态监测。     

无锡市水环境的卫星遥感分析

利用计算机图像处理和多元统计方法处理了无锡市卫星遥感数据,形象直观地显示了无锡市水环境的宏观面貌,较好地反映了无锡水网主干河道的水质空间分布特征。研究表明,卫星遥感技术作为地面监测方法的一种有效补充,可提供丰富的遥感水质信息。     

基于Landsat 8影像估算新安江水库总悬浮物浓度

总悬浮物(total suspended matter,TSM)直接决定着水下光场分布,进而影响水体的初级生产力,其浓度也是水质和水环境评价的重要参数之一.本研究构建了基于Landsat 8影像数据的较为清洁的新安江水库TSM的遥感估算模型,并给出了该水体TSM浓度的空间分布特征.结果表明,对该水体TSM浓度较为敏感波段为Landsat 8第二、三和八波段,线性相关的决定系数分别为0.37、0.51和0.42.然而,以上任何一个波段都无法单独用于准确地提取该区TSM浓度,而利用以上3个波段构建的多元回归模型能够给出较为准确的估算结果,模型决定系数为0.92,平均相对误差为11%,均方根误差为0.16mg·L-1.新安江水库TSM浓度整体较低,变化范围为0.04~24.54 mg·L-1,平均浓度为2.19 mg·L-1.高浓度部分位于湖的边缘区以及一些湖湾枝杈,如:枫树岭水域、汾口水域、威坪水域、安阳水域、大墅水域、临岐水域等,主要是受入湖河流以及邻近水域采砂活动的影响.因此研究认为利用Landsat 8数据的3个波段,采用多元回归模型能够较好地估算较清洁水体的TSM浓度.     

用TM图象估算海表面叶绿素浓度的神经网络模型

叶绿素浓度是衡量海洋水体质量的重要参数之一。本文以大连湾为示范区于1999年5月10日进行了现场卫星同步实验，采用神经网络模型技术模拟了TM1、TM2两个波段的辐射亮度值与在该湾海域现场获得的叶绿素浓度数据之间的传递机理。结果表明，使用TM图象的两人可见光波段作为输入，采用两层神经网络结构能建立比多回归分析更高的海水表层叶绿素浓度模型。回归分析的相关系数为0.49，神经网络分析的相关系数为0.87.     

滇池水体中叶绿素A含量的遥感定量模型

本研究利用滇池1999年4月14日陆地卫星TM数据与准稿步全湖面监测资料，对滇池全湖水体叶绿素A含量与不同波段遥感值的关系进行了关联度分析，并据此建立了TM图像感叶绿素A水质模型，该模型被成功地应用于滇池水体叶绿素A的遥感动态监测。     

基于遥感技术的淋溪河流域生态环境质量现状研究

利用卫星数据监测生态环境质量的动态变化,是一种快速、有效评价生态环境质量的方法。文章运用遥感技术对淋溪河流域2005年的卫片进行遥感解译,依照《生态环境状况评价技术规范(试行)》有关要求,计算出该流域生态环境各项指数:生物丰度、植被覆盖指数、水网密度指数、环境质量指数均为最大值,土地退化指数28.27,生态环境状况指数85.65,表明该流域生态环境质量为优,生物丰度高,实施天然林保护工程对促进流域生态环境质量改善起到了重要作用。     

葫芦岛地区水体污染的卫星遥感监测示范研究

以葫芦岛地区为示范区域,采用卫星、地面、水体同步与准同步监测的方法,对示范区域水库水质和污染河段在研究主要污染物污染程度与波谱特性间的定量、半定量关系基础上,探索了水体污染卫星遥感监测中的关键技术,进而结合应用需求,建立宏观、快速的水体污染卫星遥感监测示范系统。对总体设计方案和技术指标、主要研究内容和方法、同步或准同步监测与分析做了简要阐述。     

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.