下载文档原格式
基于光谱分层的浅海水深遥感反演方法1. 引言浅海水深是海洋环境的重要指标之一，它不仅影响着海洋生物的分布和生长，还对海洋工程和资源的开发利用具有重要意义。
准确快速地获取浅海水深信息对于海洋研究和利用具有重要意义。
传统的获取浅海水深信息的方法主要是通过水下测深仪进行地面观测，这种方法存在着工作效率低、成本高、受天气影响大等问题。
而基于光谱分层的浅海水深遥感反演方法则可以通过卫星遥感技术实现对海洋水深的快速准确获取，因此备受关注。
2. 基本原理在浅海水域中，水体的吸收、散射和反射作用对光的传播具有重要影响。
水深的不同会导致光在水体中的传播方式和路径发生变化，不同深度的水体对应着不同的光谱特征。
基于光谱分层的浅海水深遥感反演方法利用了这一原理，通过分析水体的光学特性，可以间接推算出水深信息。
3. 数据获取和处理为了实现基于光谱分层的浅海水深遥感反演，首先需要获取海洋的遥感图像数据。
目前，卫星遥感技术已经能够提供高分辨率、多光谱的遥感图像数据，这为浅海水深遥感反演提供了坚实的数据基础。
需要对获取的遥感图像数据进行预处理和特征提取，以获得水体的光学特性信息。
4. 算法模型基于光谱分层的浅海水深遥感反演方法主要依靠遥感图像的光学特性参数和数学模型进行水深反演。
目前，常用的算法模型包括改进的水深反演模型、颗粒摩尼模型等。
这些模型着重于分析水体的反射率、透明度等光学特性参数，通过建立水深与光学特性参数之间的定量关系，实现了对水深的定量估算。
5. 应用与展望基于光谱分层的浅海水深遥感反演方法已经被成功应用于浅海水深的遥感监测与研究中，并取得了一定的成果。
随着遥感技术的不断发展和完善，基于光谱分层的浅海水深遥感反演方法将进一步提高反演水体精度和时效性。
未来，我们可以期待该方法在海洋资源开发、海洋环境监测等领域发挥更大的作用。
6. 个人观点基于光谱分层的浅海水深遥感反演方法作为一种新兴的水深遥感技术，具有很大的应用潜力。
第30卷,第10期 光谱学与光谱分析Vol .30,No .10,pp2714-27182010年10月 Spectro sco py and Spectr al Analy sisO cto be r ,2010 高光谱传感器光谱性能参数反演与反射率恢复王天星,阎广建＊,任华忠,穆西晗北京师范大学地理学与遥感科学学院,遥感科学国家重点实验室,北京 100875摘 要 在轨高光谱传感器光谱性能参数的准确定标是数据定量应用的基本前提。
文章在前人基础上,综合优化算法,实现了在不需要实测地表反射率的情况下,同时反演高光谱传感器中心波长与半值波宽(fullwidth at half max imum ,F W HM )。
基于模拟数据的研究结果显示,该方法在光谱性能参数偏移5nm 时,中心波长反演误差小于0.1nm ,F WH M 误差小于0.7nm 。
将该方法应用于Hy perion 数据,结果显示,Hy pe -rio n 在V NI R 谱段存在明显的smile 效应,在整个CCD 阵列范围内,其中心波长的偏移量在-2～2nm 之间,F WH M 偏移在-0.2～0.5nm 之间;在SW IR 谱段smile 效应不明显,其中心波长偏移3nm 左右,FW HM 偏移在-2～-3nm 之间。
最后在光谱重定标基础上,对H yperio n 进行了大气校正,反演了不受大气及定标参数影响的地表反射率。
经光谱重定标,在大气吸收波段周围由光谱定标参数变化导致的反射率突变得到了抑制。
关键词 光谱定标;中心波长;半值波宽(F W HM );M O DT RA N ;Pow ell 算法;Hy perion 中图分类号:T P79 文献标识码:A D OI :10.3964/j .issn .1000-0593(2010)10-2714-05 收稿日期:2009-11-02,修订日期:2010-02-06 基金项目:国家自然科学基金项目(40871164),国家(973计划)项目(2007CB714402)和欧盟FP7计划项目(212921)资助 作者简介:王天星,1982年生,北京师范大学地理学与遥感科学学院博士研究生 e -mail :watixi @＊通讯联系人 e -mail :gjyan @bnu .edu .cn引 言 成像光谱技术在获取地物图像的同时可以获得象元连续的光谱数据,具有从光谱维和图像维识别地物的能力,由于其波段比较多,可以识别传统多光谱数据难以分辨的地物。
基于CNN的水质反演我国河流湖泊众多，且随着整个国家工业化和城市化进程的不断加快，我国内陆水体水质状况持续恶化，出现了富营养化、水体面积萎缩等现象，因此监测内陆水体异常情况并做出正确的应对措施具有重要的战略意义。
水质参数是自然环境下影响水体光学性质的光学活性物质，包括叶绿素a、悬浮物和黄色物质，能够衡量水域富营养化程度和透明度。
水质参数所引起的水体光学性质变化反映在离水辐射的光谱信息上，通过处理和分析这些光谱特征，可以得到相应的水质参数浓度，从而实现水体监测。
高光谱数据是由相同场景下不同谱段的三维图像数据构成，包含了地表物体的空间维信息和数十至数百个连续窄波段光谱维信息，其光谱分辨率达到了纳米数量级。
随着高光谱遥感技术的不断发展，高光谱遥感被广泛地应用于水质监测领域，具有高精度、低成本、快速、大范围、周期性动态监测的特点，拥有良好的应用前景。
基于高光谱遥感数据反演水质参数的方法主要分为三类：经验或半经验模型，即直接或利用一部分参数的光学特性，建立遥感数据与水质参数浓度的定量经验模型，该方法简单便捷，但因限制于特定的水体和环境条件，通用性和适用性均受到较大限制；基于生物光学模型的分析方法，具有物理意义明确、通用性和反演精度高、可同时反演出多种水质参数等优点，但模型构建复杂；基于机器学习模型的方法与经验或半经验模型类似，均基于遥感数据和水质参数浓度的统计关系，常用方法有支持向量机模型、bp神经网络模型、偏最小二乘法等。
2019年有学者提出了基于卷积神经网络的水质反演方法，该方法用于利用二维卷积神经网络，输入一个具有一定宽度和高度的高光谱图像块，提取空间和光谱特征，输出水质参数的浓度，但这种方法在野外实测时需要利用地物光谱仪测量一定宽度和高度水体内每个点的光谱信息，且需要采集该水体块内每点的水样，化验分析得到其水质参数浓度，测量过程较为复杂繁琐且难以保证测量结果的精确性。
上述传统的水质参数反演方法通常需要计算波段或波段组合与水质参数浓度的相关系数，选取相关系数高的波段或波段组合以构建反演模型，但会损失部分波段信息，导致反演精度降低。
无人机水质遥感监测方法作者：朱熹刘黎明叶张林来源：《中国水运》2021年第07期摘要：面对高分辨率水质监测的需求，运用无人机多光谱传感器，本文提出了一种水质参数反演方法。
以上海市淀山湖和元荡为实验区，总磷、氨氮、高锰酸盐、溶解氧为待反演水质参数，构建相应的反演模型，基于国家标准得到水质类别。
实验结果显示，各水质参数相对误差均在30%以内，湖内的污染主要集中在细小分支和岸边。
关键词：无人机多光谱;水质监测;水质反演中图分类号：X832 文献标识码：A 文章编号：1006—7973（2021）07-0157-031引言水资源是我们赖以生存的重要资源[1]，然而人类活动对水环境的影响日趋严重。
传统检测方法主要以实验检测法为主，但是该方法需要大量的人力物力，且覆盖范围有限，需要新的手段相结合构建新的水质监测体系。
遥感由于其成本低，速度快，监测面积大等优点被广泛应用于水质监测，但是针对更小尺度上的河道，受限于卫星传感器的时空分辨率，卫星遥感反演的效果受限，此时无人机遥感的优势得以体现[7-8]。
无人机具有机动灵活、操作简便、时空分辨率高等优点，可以根据监测水域特征制定不同的检测方案，及时发现水质问题区域，对于微小水域的水质监测具有重要意义。
目前水質反演方法主要分析法，经验法[2-6]等。
分析法主要基于水体的光谱反射散射特性，建立在光学传输的理论基础之上，具有严密的物理逻辑推演过程，但是所需辅助数据众多，模型构建过程繁琐且具有一定的区域局限性。
而经验法建立在样本数据与光谱数据的统计关系之上，模型构建成本低，指定区域季节内精度较高，但采样难度高难以与卫星影像同步匹配[7-8]。
近些年来无人机的应用领域在不断拓展，其中有针对叶绿素相对含量反演，还有在水环境中应用于水土流失状况分析，但目前针对水质反演的研究还较少，基于此，本文以上海市青浦区金泽镇淀山湖部分区域为实验区，利用样本点、地面光谱仪、纵横无人机及K6多光谱相机构建DO（溶解氧）、CODMN（高锰酸盐指数）、TP（总磷）、TN（总氮）、NH3（氨氮）的遥感反演模型，并验证其精度。
17卷6期2008年12月自 然 灾 害 学 报J OURNAL OF NATURAL D I SASTERS Vo.l 17,No .6D ec .,2008收稿日期:2008-03-10; 修订日期:2008-07-13基金项目:国际科技合作计划项目(2007DF A20640);国家高技术研究发展计划项目(2007AA120306,2007AA120205,2006AA120102);国家自然科学基金资助项目(40671138)作者简介:周冠华(1976-),男,博士,主要从事环境遥感研究;通讯作者:李京,E-m ai:l liji ng @i res .cn文章编号:1004-4574(2008)06-0142-05基于半分析算法的太湖水质参数多光谱遥感反演周冠华1,2,李 京2,杨一鹏3,马荣华4,宫阿都1,2(1.北京师范大学资源学院,北京100875; 2.民政部/教育部减灾与应急管理研究院,北京100875;3.中国环境监测总站,北京100029;4.中国科学院南京地理与湖泊研究所,江苏南京210008)摘要:半分析算法基于固有光学特性数据,具有明确的物理意义,能同时反演多种水质参数,是水质遥感反演的趋势。
基于太湖实测的吸收系数与后向散射系数数据与L andsat/TM 数据,利用G ordon 半分析模型,对叶绿素a 、悬浮物与黄色物质进行了同步反演,并探讨了半分析算法适用于内陆水体多光谱遥感数据的潜力。
多水质参数同步反演方法为水环境综合分析提供了有利的技术手段。
关键词:水质遥感;半分析模型;TM;反演;太湖中图分类号:X 87 文献标识码:AM ultispectral re m ote sensing i nversion of quality para m eters ofwater i n Tai hu L ake based on se m -i analyticalm odelZ HOU Guan-hua 1,2,L I Jing 2,YANG Y -i peng 3,MA Rong -hua 4,GONG A-du 1,2(1.Coll ege ofR esources Science and T echnology ,B eiji ng Nor m alUn i vers i ty ,Beiji ng 100875,C h i na ; 2.A cade m y of D i sast er Redu cti on and Em ergency M anage m ent ,M i n i s try of C i vil Affairs /M i n istry of Edu cati on of Ch i na ,B eiji ng 100875,Ch i na ;3.Env i ronmen talM on itori ng C enter of C h i na ,B eiji ng 100029,Ch i n a ; 4.Nan ji ng In stitute ofG eography and L i m nology ,Ch i n ese Acade m y of Sciences ,N an ji ng 210008,C h i na)Abst ract :Se m -i ana l y tica l (SA )algorith m is based on inherent op tica lproperties ,possesses de fi n te physica l conno -tation ,and at sa m eti m e it can inverse variousw ater para m eters and is the deve l o ping trend o f re m o te sensing for w e -ter quality .In add iti o n to t h is ,SA m odel has the capacity to derive various bio -optica l para m e ters fro m a si n gle set of re m ote sensi n g reflectance data .I n t h is study ,the Gordon se m -i analytical bio -optica lm ode lw as applied to deter -m ine the concentration of chlorophy l-l a ,tota l suspended m atter and colored d i s so l v ed m atter (CDOM )i n inland w ater body by usi n g o fLandsat/TM data .The potential of app lication of S A algorith m to m uli-t spectral re m ote sens -i n g o f i n land w ater body w as d iscussed .The analyses i m p lies that t h e perfor m ance depends on the qua lity of t h e i n -put i n herent optical pr operties and the kno w ledge o f the m ode l para m eters .K ey W ords :w ater quality re m ote sensi n g ;se m -i ana l y tica lm ode;l T M;i n versi o n ;Ta i h u Lake目前,水质参数遥感反演主要以经验算法与半分析算法为主,其中经验算法是基于遥感波段数据与地面实测水质参数的相关性进行统计分析,选择最优波段或波段组合来反演水质参数。
高光谱遥感的应用赵艳福 张灵凯（江西理工大学建筑与测绘工程学院，江西 赣州 ３４１０００）摘要：高光谱遥感技术是20世纪末发展起来具有“图谱合一”特点的全新遥感技术。
本文主要对高光谱遥感的特点进行介绍，并着重阐述高光谱遥感在农业、内陆水体水质、及地矿研究三个方面的应用。
关键字：高光谱；遥感；应用１ 高光谱遥感的特点高光谱分辨率遥感（Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ）：用很窄１０－２λ而连续的光谱通道对地物持续遥感成像的技术。
在可见光到短波红外波段其光谱分辨率高达纳米（ｎｍ）数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上而且各光谱通道间往往是连续的，因此高光谱遥感又通常被称为成像光谱遥感。
高光谱遥感的显著特点包括三个方面：（１）高光谱分辨率；传统的多光谱传感器只有几个波段，且光谱分辨率一般都大于１００ｎｍ，而高光谱遥感器的波段数多至几十到几百个，且光谱分辨率都是纳米级，一般是１０～２０ｎｍ，（２）图谱合一；高光谱遥感获取的数据中包含了空间、辐射、光谱三种重要信息，（３）光谱通道多，可在某一光谱波段范围内连续成像；正是得益于高光谱分辨率、多光谱波段的特点，成像光谱仪能够获得地物在一定范围内连续的，精细的光谱曲线。
２高光谱遥感的应用2.1 高光谱遥感在农业方面的应用高光谱遥感在农业中的应用主要包括：（１）对不同农作物进行识别和分类；（２）对农作作物的叶绿素等生物物理参数进行估算；（３）对农作物长势的监测；（４）对农作物产量的评估［１］。
黄双萍［２］等采用偏最小二乘法（ＰＬＳ）和支持向量回归法（ＳＶＲ），在使用高光谱仪采集的反射光谱进行各种形式预处理的基础上，对柑橘叶片的磷含量进行建模和预测。
模型分别在校正集和测试集上进行评估，取得最佳模型决定系数分别为０．９０５和０．８８１，均方误差分别为 ０．００５和０．００４，平均相对误差分别为０．０２６４和０．０３１２。
研究表明：利用高光谱数据 进行磷含量的建模预测是可行的。
基于深度学习的高光谱图像水质反演模型
基于深度学习的高光谱图像水质反演模型是使用深度学习技术来对高光谱图像中的水质参数进行预测和反演的模型。
该模型通过训练来学习高光谱图像中的特征和水质参数之间的关系，并利用这种关系来对新的高光谱图像进行水质参数预测。
深度学习模型通常使用卷积神经网络（CNN）或递归神经网络（RNN）等结构进行建模。
它们将高光谱图像作为输入，经过多层的隐藏层进行特征提取和表示学习，最后通过输出层得到水质参数的预测结果。
该模型的训练通常需要大量的高光谱图像和相应的水质参数数据集。
在训练过程中，通过优化算法对模型参数进行调整，使得模型能够更接近真实的水质参数分布。
训练好的模型可以应用于新的高光谱图像，输入图像后即可输出对应的水质参数预测结果。
需要注意的是，该模型的准确性和性能受到训练数据质量和数量的影响。
因此，在应用该模型进行水质反演时，需要选择合适的训练样本和模型结构，并进行充分的验证和测试以确保结果的可靠性。
