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。     

基于支持向量机的太湖梅梁湾叶绿素a浓度预测模型

以梅梁湾2010年4月至2011年12月的监测数据为基础,选取太阳总辐射、综合消光系数、水温、总无机氮、pH和当前的叶绿素a浓度等作为输入变量,以7d后的叶绿素a浓度作为输出变量,运用支持向量机(SVM)建立了针对"三号标"监测点的叶绿素a浓度预测模型,并进行了输入变量的敏感性分析.通过模拟值和实测值的对比分析发现,该模型能较好地预测7d后叶绿素a的浓度变化情况.模型输入变量的敏感性分析结果表明,当前的叶绿素a浓度是影响预测结果的最重要因子,然后依次为pH、太阳总辐射、综合消光系数、水温和总无机氮.     

查干湖叶绿素a浓度高光谱定量模型研究

叶绿素a含量能够在一定程度上反映水质状况,利用高光谱遥感可获得叶绿素a的诊断性光谱特性,较好解决了常规遥感中出现的问题.利用野外高光谱仪在查干湖进行了反射光谱测量和同步水质采样分析,通过分析水体叶绿素a浓度与其高光谱反射特征之间的相关关系,尝试采用多种半经验算法建立叶绿素a高光谱定量模型.结果表明:单波段光谱反射率与叶绿素a浓度的相关系数较小,不宜用于估算叶绿素a浓度,反射率比值法和一阶微分法与叶绿素a线性相关程度都比较高,决定系数分别为0.71和0.48,而且其显著水平p<0.01,皆可以用于叶绿素a的定量遥感,但反射率比值算法模拟效果好于一阶微分算法.这为今后利用星载高光谱传感器在查干湖进行叶绿素a浓度大面积遥感反演提供了研究基础.     

基于神经网络的城市内湖水华预警综合建模方法研究

针对城市内湖水华产生过程存在复杂性、时变性、不确定性等特点,运用内集-外集、粗糙集约简和RBF神经网络模型,通过水华藻生物量阈值界定、风险概率计算、预警等级划分、预警因子识别和神经网络预测模型的研究,提出一种城市内湖水华预警综合建模方法.以天津清净湖为例,利用p H值、水温等12项水质指标监测数据,确定清净湖水华的叶绿素a浓度阈值为70.98?g/L,依据水华风险概率划分5个水华预警等级,并确定水温、溶解氧、高锰酸盐指数和TDS为水华预警因子.利用RBF神经网络技术构建清净湖水华预警模型,验证结果显示,模型预测精度达85.7%,表明该方法能较好地用于城市内湖水华预警模型构建.     

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.     

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.     

基于GF1_WFV的千岛湖水体叶绿素a浓度时空变化

基于高分一号（GF-1）遥感影像以及水体实测样点数据,运用波段对数组合,以千岛湖为研究对象,构建和择优了叶绿素a浓度反演模型,对2013~2019年千岛湖区域水体叶绿素a浓度值进行了估算,并利用变异系数、Mann-Kendall显著性检验模型、Theil-Sen趋势分析模型对其时空变化特征进行了分析.研究表明,基于波段对数组合的反演模型可用于千岛湖清洁水体叶绿素a浓度值的反演（R²=0.8976）;年际变化分析发现,在研究期限内,千岛湖水体叶绿素a浓度平均值维持在较低水平,近94%的水体像元叶绿素a浓度小于3.65μg/L,水质较佳;时空动态分析进一步发现,千岛湖水体叶绿素a浓度值大都经历了较为微小的波动变化,其中,有超过67%的水体像元浓度值呈现出微小的增长趋势,在分布上也呈现出一定的空间格局形态.     

基于GF1_WFV的千岛湖水体叶绿素a浓度时空变化

基于高分一号（GF-1）遥感影像以及水体实测样点数据,运用波段对数组合,以千岛湖为研究对象,构建和择优了叶绿素a浓度反演模型,对2013~2019年千岛湖区域水体叶绿素a浓度值进行了估算,并利用变异系数、Mann-Kendall显著性检验模型、Theil-Sen趋势分析模型对其时空变化特征进行了分析.研究表明,基于波段对数组合的反演模型可用于千岛湖清洁水体叶绿素a浓度值的反演（R²=0.8976）;年际变化分析发现,在研究期限内,千岛湖水体叶绿素a浓度平均值维持在较低水平,近94%的水体像元叶绿素a浓度小于3.65μg/L,水质较佳;时空动态分析进一步发现,千岛湖水体叶绿素a浓度值大都经历了较为微小的波动变化,其中,有超过67%的水体像元浓度值呈现出微小的增长趋势,在分布上也呈现出一定的空间格局形态.     

基于变量重要性评分-随机森林的溶解氧预测模型——以深圳湾为例

运用Pearson相关性分析,变量重要性评分和随机森林方法构建了溶解氧（DO）实时预测模型,并以深圳湾为例采用浮标资料预测1,3,6和12h的溶解氧.模型预测结果表明,模型最优的输入条件为pH值,水温,叶绿素a,氧化还原电位和蓝绿藻5个水质指标,1h预报的相关系数在0.9以上,6h预报结果一定程度上可以满足工程要求,但对低溶解氧事件的预报必须在3h以内.     

面向GF-1WFV数据的闽江下游叶绿素a反演模型研究

叶绿素a浓度是可直接遥感反演的重要水质参数之一,常用来评价水体的富营养化程度.为建立适合于闽江下游叶绿素a浓度的反演模型,利用地面采样数据,结合GF-1 WFV光谱响应函数,选用多元回归、BP神经网络和随机森林方法,构建了叶绿素a浓度反演模型;并根据验证数据与实测值之间的决定系数(R~2)、均方根误差(RMSE)和平均相对误差对模型反演结果进行了比较.结果发现,随机森林模型的R~2为0.895,RMSE为1.994 mg·m~(-3),平均相对误差为11.502%,是3种模型中最优的.为了评估模型的性能,进一步比较了WFV影像像元反射率反演的叶绿素a浓度值与相应的实测值.结果表明,随机森林模型同样具有较高的精度,其R~2为0.709,RMSE为3.540 mg·m~(-3),平均相对误差为25.616%.本研究可为闽江下游水环境的监测提供一定的理论依据和技术参考.