基于GOCI数据的霾天气气溶胶辐射强迫的日内变化——以长江三角洲为例

以长江三角洲（以下简称长三角）为研究区,基于2017年10~12月内共16d 94景的晴空静止卫星GOCI L1B图像和6S模型,采用深蓝算法反演长三角地区气溶胶光学厚度（AOD）,并利用2个实测站数据进行验证.再通过反演得到的AOD结果进一步模拟计算该区域地表和大气层顶的气溶胶直接辐射效应（ADRE）,并结合典型的雾霾天气进行分析.结果表明：利用GOCI数据反演的AOD具有较高拟合精度,北辰楼站点拟合相关性R²为0.68,太湖站点为0.67.空间上,由于气溶胶存在制冷效应,AOD和地表面、大气层顶气溶胶直接辐射强度均呈现出显著的线性关系.时间上,由于气溶胶扩散和风向等因素,早上和下午辐射效应强度较高,中午较低.其中10：00和11：00影像可以较好地模拟日均ADRE的特征,利用ADRE日内变化成功捕捉到一次雾霾爆发并消失的现象,对气象部门监测近地表气温和分析灰霾的形成等具有重要意义.     

面向GOCI数据的太湖总磷浓度反演及其日内变化研究

总磷浓度是水质评价的一个重要指标,是水体富营养化、蓝藻水华暴发的重要影响因素,遥感技术具有范围广、时效高的优势,利用卫星遥感监测总磷浓度,对于水质和富营养化的研究有着重要意义.利用2013~2014年3次地面实验数据,构建了基于GOCI影像的总磷反演模型,为了检验模型的适用性,选取2014年春、夏、秋、冬各1日GOCI影像,对太湖总磷浓度的日内变化进行分析.结果表明,利用GOCI数据8个波段的波段组合作为变量,进行逐步回归分析所建立的模型具有较高的反演精度,模型的决定系数为0.898,平均绝对误差百分比为14.296%,均方根误差为0.026 mg·L~(-1).同时,利用地面实测样点与同步卫星影像对模型进行了精度分析,2014年8月5日和2014年10月24日同步影像的验证精度分别为:平均绝对误差百分比为33.642%和22.551%,均方根误差为0.076 mg·L~(-1)和0.028 mg·L~(-1).对4个季节中4 d的30幅影像对比分析表明,不同季节总磷浓度的绝对含量存在差异,但是,总磷浓度的时空分布及从早晨到下午的差异性存在相似性.从空间分布上看,梅梁湾、竺山湾、贡湖湾及西南部沿岸小梅港、长兜港总磷浓度长期偏高,各个区域的总磷浓度变化受到风向、风速等因素的影响;从时间变化上看,早上总磷浓度最高,随后逐渐降低,反映了总磷浓度受到温度和光照影响的效果.     

基于机器学习遥感算法的大型漂浮藻面积提取方法研究

采用基于机器学习的多层感知机算法,利用GOCI(Geostationary Ocean Color Imager)传感器获取的瑞利校正反射率数据,对东中国海大型漂浮藻进行遥感自动识别,采用线性混合像元分解来计算大型漂浮藻的覆盖面积,并利用膨胀和侵蚀法进行大型漂浮藻的分布面积计算。利用L8/OLI(Landsat 8/Operational Land Imager)高空间分辨率资料进行验证,结果表明,基于机器学习遥感算法针对GOCI提取的大型漂浮藻覆盖面积,与L8/OLI结果十分接近,R2达到0. 959,平均绝对误差和平均相对误差分别为39. 32 km2和18. 15%。     

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.     

一种基于GOCI数据的叶绿素a浓度三波段估算模型

以标准三波段算法为基础,构建了适用于GOCI影像数据的叶绿素a浓度三波段估算模型.并以三峡水库、巢湖、洞庭湖和太湖水体的289组实测叶绿素a浓度以及光谱数据作为基础,模拟了GOCI影像和MERIS影像波段,率定了模型参数,并与MERIS三波段算法和目前常用的GOCI波段比值算法进行了对比分析,最终用GOCI影像数据进行了独立数据验证.结果表明:1对目前的数据集,680 nm处和660 nm处的色素颗粒物吸收系数具有相对固定的比例关系,比值为1.351;2 GOCI三波段模型在模型率定中,得到与MERIS三波段模型近似的效果,线性拟合的决定系数为0.809,略低于MERIS三波段模型的0.820,但明显优于GOCI比值模型(0.450),有效避免了GOCI波段比值模型中在叶绿素a浓度低值区出现的"扩散"现象,体现出较好的普适性;3通过验证数据集中平均相对误差和均方根误差两个误差指标的对比,发现GOCI三波段模型误差表现与建模数据一致,与MERIS数据接近,明显优于GOCI波段比值模型;4通过GOCI影像的同步验证,发现GOCI波段比值算法会对太湖叶绿素a浓度产生明显的低估,且难以体现叶绿素a浓度空间变异.GOCI三波段算法效果相对较好.相比于目前常用的波段比值算法,GOCI三波段算法具有更高的稳定性和精度,有较强的应用潜力.     

基于GOCI影像的太湖水体漫衰减系数遥感反演

漫衰减系数是水体光学中的一个重要参数.采用2006~2009年的太湖野外实测数据,分析了太湖水体漫衰减系数光谱特性及其影响因子,在此基础上,结合GOCI传感器数据,分别构建漫衰减系数经验模型和半分析模型,寻找适合GOCI影像的太湖漫衰减系数反演模型,并分析太湖水体漫衰减系数的时空变化特征.结果表明:1太湖水体漫衰减系数主要受非色素颗粒物吸收主导,以GOCI第4、5、7波段构建的多元线性模型反演漫衰减系数,效果最好;2太湖水体漫衰减系数值域主要分布在0~15 m-1,大体可以分为3个等级,低值区:0~4 m-1,中值区:4~8 m-1,高值区:8~15 m-1,部分高值区高于15 m-1;3太湖水体漫衰减系数存在一定时空差异性,从空间上来说,太湖水体漫衰减系数呈现一定的梯度性,从东部到西部逐渐变高;从时间上来说,早上太湖漫衰减系数相对较高,从上午到下午,大体上呈现逐渐降低的趋势.