排序方式: 共有2条查询结果,搜索用时 42 毫秒
1
1.
面向GOCI数据的太湖总磷浓度反演及其日内变化研究 总被引:2,自引:1,他引:1
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. 相似文献
2.
基于数据同化的太湖叶绿素多模型协同反演 总被引:2,自引:1,他引:1
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. 相似文献
1