基于TM影像的太湖夏季悬浮物和叶绿素浓度反演

一种水质分析方法：基于GOCI影像的东平湖叶绿素a浓度估算引言湖泊是重要的淡水资源存储地，在生态系统中起着至关重要的作用[1]，与经济、社会可持续发展以及人们的生活休戚相关[2]。

近年来，随着大量不合理的开发与污染物排放，湖泊水体水质受到严重污染，生态环境逐步恶化[3]。

叶绿素a浓度是反映水质状况的重要参数之一，与水体中藻类物质含量直接相关，对分析水体富营养化状况具有重要的参考意义。

目前叶绿素a浓度的获取手段包括采集水样室内化学分析、自动监测设备直接获取和遥感反演。

采集水样室内化学分析和自动监测设备直接获取水质浓度值，精度较高，应用较多，但是费用较高，而且监测站点数量有限，缺乏空间连续性，无法满足快速灵活、大面域监测的需求。

基于遥感手段的叶绿素a浓度监测由于不受地理位置和人为条件的限制，具有影像覆盖面积大，获取方便，费用低等优点，在一定程度上弥补了传统监测方法的不足[4]。

当水华爆发时，水质状况在短时间内急剧变化，而高时间分辨率的GOCI影像为水质动态监测研究提供了支撑[5]。

20世纪70年代末，航空遥感被广泛应用在浮游藻类的色素浓度研究中。

80年代中期，卫星遥感逐步应用到水质遥感监测中，主要的卫星数据有Landsat MSS、TM、ETM+、Landsat8、SPOT、Quickbird、MODIS、MERIS、SeaWIFS、GOCI等[4].目前水质遥感监测模型主要分为三类，分别是机理分析模型、半分析模型和经验模型。

机理分析模型是通过模拟辐射传输过程进行水质参数的提取，精度较高，但是涉及参数较多并且不易获取，应用较少；半分析模型是基于机理模型的基础上，对不易获取的参数进行经验或半经验化，使模型参数较易获取同时保持机理特性[6]；经验模型主要是利用统计分析方法建立实测值与反射率的经验关系模型，实现研究区叶绿素a浓度反演，模型简单，但不具有机理特性，移植性较差。

本文基于高时间频次的GOCI影像，研究半分析模型的叶绿素a浓度反演，对湖泊水质的动态监测和蓝藻水华的预报预警具有一定的应用价值。

基于HJ-1ACCD数据的湖泊叶绿素a浓度反演湖泊叶绿素a浓度是湖泊水质的重要指标，对于湖泊的生态环境和水体健康状态评估具有重要意义。

传统的湖泊叶绿素a浓度测定方法需要采集水样进行实验室分析，费时费力，且无法实时监测。

而遥感技术能够通过卫星遥感数据获取湖泊叶绿素a浓度分布情况，具有快速、准确、全面的优势。

HJ-1A星和HJ-1B星是我国自主研发的一对小型环境遥感卫星，搭载了多种传感器，包括HJ-1A星携带的环境监测成像仪（CCD）传感器。

该传感器工作在可见光波段，具有较高的空间分辨率和时间分辨率，适合用于湖泊叶绿素a浓度的反演。

湖泊叶绿素a浓度反演的基本原理是利用湖泊水体对太阳辐射的吸收和散射特性，推算出水体中叶绿素a的浓度。

HJ-1ACCD数据可以提供湖泊水体的表观反射率，进而反演出叶绿素a浓度的空间分布。

具体而言，湖泊叶绿素a浓度反演主要包括以下几个步骤：1. 数据预处理：包括大气校正、水体辐射校正等。

大气校正是将HJ-1ACCD数据中的大气影响去除，获得水体的表观反射率。

水体辐射校正是排除湖泊水体中各种非叶绿素色素的干扰，提取出叶绿素a对辐射的贡献。

2. 模型建立：根据已有的湖泊叶绿素a浓度测量数据和HJ-1ACCD数据，建立叶绿素a 浓度与表观反射率之间的关系模型。

常用的模型有线性回归模型、非线性回归模型等。

3. 反演计算：利用建立的模型，将水体的表观反射率代入模型进行计算，得到湖泊叶绿素a浓度的估计值。

根据需要可以进行插值和平滑处理，得到叶绿素a浓度的空间分布图像。

4. 验证和误差分析：将反演结果与实测数据进行对比，评估反演方法的准确性和可靠性。

分析误差来源，进一步优化反演方法和模型。

湖泊叶绿素a浓度反演基于HJ-1ACCD数据可提供湖泊水体叶绿素a浓度的空间分布情况，帮助提前发现和监测水体富营养化、蓝藻水华等问题，为湖泊水质管理和保护提供科学依据。

该方法还能够实现湖泊水质的实时监测和预警，为及时采取应对措施提供技术支持。

基于Landsat8影像反演洪湖叶绿素a浓度周志立;田文俊;梅新【期刊名称】《湖北大学学报（自然科学版）》【年(卷),期】2017(039)002【摘要】利用已有水质采样数据和相应的Landsat8影像数据,以洪湖为例,对洪湖叶绿素a(Chl-a)浓度进行反演研究,建立线性反演模型和支持向量回归机反演模型,为快速获取洪湖水体叶绿素a浓度提供新的技术方案.结果表明支持向量回归机反演模型在样本数较少的情况下也能得到较高的反演精度,并且具有结构风险较小的优点,拟合函数的判定系数达0.918,能有效评估湖泊水质,为洪湖水环境监测保护提供有力支持.%In order to provide a new technology that make fast acquisition of chlorophyll-a, two models: linear regression model and a support vector regression (SVR) model were established on the basis of the analysis of correlation between water quality sampling data and Landsat8 image.The results show that the support vector regression model can have high precision even with less samples,and has the advantage of minimum structure risk too.The SVR model coefficient of determination reaches 0.918,it can be used to evaluate lake water quality and represent powerful support for Honghu Lake water environmental protection.【总页数】5页(P212-216)【作者】周志立;田文俊;梅新【作者单位】湖北大学资源环境学院,湖北武汉 430062;湖北大学资源环境学院,湖北武汉 430062;湖北大学资源环境学院,湖北武汉 430062【正文语种】中文【中图分类】X832【相关文献】1.基于 ETM＋影像的千岛湖叶绿素a浓度卫星遥感反演研究 [J], 王莹;刘其根;冯权泷;龚建华;胡忠军;胡梦红2.基于环境一号卫星影像的内陆水体叶绿素α浓度遥感定量反演模型研究 [J], 潘梅娥;杨昆;洪亮3.基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演 [J], 潘鑫;杨子;杨英宝;孙怡璇;孙浦韬;李藤藤4.基于TM影像的博斯腾湖叶绿素a浓度反演研究 [J], 牛婷;文方;常梦迪;高洁;李蕴辉;程帆;杜姿影;陈晓斐5.基于OLI遥感影像的叶绿素a质量浓度反演研究 [J], 郑震因版权原因，仅展示原文概要，查看原文内容请购买。

基于GOCI数据的黄河口高悬浮物浓度海域的叶绿素a提取指数构建与浓度反演张曦元;万剑华;刘善伟;宋冬梅【期刊名称】《海洋技术学报》【年(卷),期】2022(41)1【摘要】高浓度悬浮物(TSM)的不透光性干扰了叶绿素(Chl-a)浓度的光谱量测,影响了Chl-a浓度的反演精度。

本文以黄河口近岸海域为研究对象,根据最大叶绿素指数(MCI)原理,针对GOCI数据构建叶绿素敏感指数(S_(chl))和悬浮物敏感指数(S_(TSM)),进一步构建了Chl-a提取指数(CEI)以削弱TSM对S_(chl)的影响。

采用2011-2018年采集的619组实测Chl-a浓度及同期的GOCI遥感反射率,基于随机森林算法对比多种指数构建的Chl-a浓度反演模型,结果显示:在不分区的情况下,采用CEI构建的Chl-a浓度反演模型的平均相对误差(MRE)为45.9%,其精度结果优于S_(chl)(MRE=49.76%)。

为进一步验证CEI在高TSM浓度海域的精度,本文根据波谱斜率(R_(6)-R_(4))/(λ_(6)-λ_(4))将研究区分为Chl-a和TSM主导型水体后,分别构建Chl-a浓度反演模型,研究结果显示:Chl-a主导型水体采用S_(chl)构建的反演模型的MRE为35.81%,TSM主导型水体采用S_(chl)与CEI构建的反演模型的MRE分别为60.39%与36.74%,这也证实了在高TSM浓度海域,采用CEI能够有效削弱TSM对S_(chl)的干扰。

【总页数】10页(P20-29)【作者】张曦元;万剑华;刘善伟;宋冬梅【作者单位】中国石油大学(华东)海洋与空间信息学院【正文语种】中文【中图分类】P229;P753【相关文献】1.黄河口海域悬浮物浓度Landsat8 OLI分段线性反演2.黄河口海域水体光学特征与悬浮物浓度反演模型研究3.基于GOCI数据渤海湾叶绿素浓度反演算法的比较4.基于GOCI数据的暴雨后太湖水体叶绿素a浓度遥感反演研究5.基于GOCI数据的太湖叶绿素a浓度反演和蓝藻水华遥感监测因版权原因，仅展示原文概要，查看原文内容请购买。

题目泰州市溱潼湖水体叶绿素a浓度反演模型研究研究区域介绍选题背景技术路线野外实测、取水样、分析、建立流程图实验仪器介绍光谱特征值点和浓度对应表格方法比值法相关分析法回归分析线形等2、研究意义3、技术路线技术的目标研究方法实验模型建立模型检验实验的展望参考文献致谢第1章绪论1.1论文选题的背景及意义1.1.1 选题背景水是自然环境中一个重要的因子，水的质量直接关系到人类以及自然环境的生存与发展。

随着水体污染问题的日渐严重，水质监测成为社会经济可持续发展必须解决的重大问题。

而二类水体的水质与国民生产和人们的生活息息相关，因此，快捷准确的水质监测技术就显得尤为重要。

纵观历史，内陆湖泊水质监测大体上经历了早期人工直接监测和利用遥感间接监测两个阶段。

人工监测的方法是先采集水样，然后进行实验室分析，并根据分析数据采用单一参数评价指数法或多参数的综合评价法进行水质评价。

该方法虽然能对众多的水质指标做出精确的分析和评价，但是费时费力，经济效益低。

遥感水质监测技术的出现和发展，特别是水体反射率等理论在水质监测上的应用为水质的监测评价提供了新的机遇与选择。

这项技术的关键是建立水体组分浓度和遥感反射率之间的定量关系，分析各组分的水面光谱变化规律。

随着遥感技术的不断发展和对水质参数光谱特征及算法研究的不断深入，通过遥感可监测的水质参数种类逐渐增多，包括叶绿素a浓度、悬浮物浓度、黄色物质浓度等，反演精度也不断提高。

水面光谱变化规律的研究可以反映水质在空间和时间上的分布和变化情况，发现一些常规方法难以揭示的污染源和污染物迁移特征，具有监测范围广、速度快、成本低和便于进行长期动态监测的优势。

1.1.2 研究意义二类水体中，决定水体表面光谱反射率的三要素分别是：叶绿素、悬浮泥沙、黄色物质，所以遥感反射率主要受这三种成分的影响，无法获得单一成分的光谱特性。

因此分析色素组分的水面光谱变化规律，进而分离开三种组分的光谱对水体组分的浓度反演精度意义重大。

夏季太湖叶绿素a浓度的高光谱数据监测模型韦玉春;黄家柱;李云梅;光洁【期刊名称】《遥感学报》【年(卷),期】2007(011)005【摘要】In this paper, a new hyperspectral data model that estimates chlorophyll-a concentration (Chla) in Taihu Lake of summer is proposed. The model was developed based on measurement in situ in July 2004,and was validated by hyperspectral data in August 2004. Water samples were collected by Wuxi Taihu Lake Environment Monitoring Station and covered the typical water areas. At each site, hyperspectral data were measured ten times by field spectroradiometer ASD FieldSpec, and were converted into remote sensing reflectance. Different band combinations were calculated and compared, and the normalized band index was selected because it is more explicable. The model built by data in July 2004 isChla(μg/L)=EXP(2.478+16.378*N66),where N66 is (R696-R661)/(R696+R661). Goodness-of-fit statistics of the model R2 is0.9051,and p＜0.0001. Compared with other models,this one is more stable,and is of less absolute error when used to estimate Chla in August 2004. The works in the paper also showed that hyperspectral data model can be used to estimate Chla by month in the summer of Taihu Lake.%本文依据2004年7月的实测数据构建了太湖夏季叶绿素a浓度的实测光谱数据估计模型,并使用2004年8月的数据对模型进行了验证.调查样点覆盖了太湖内的典型水域,水样数据由无锡太湖环境监测站采集.样点的光谱数据用ASD FieldSpec野外光谱仪获取,每个样点测量10次,测量结果被转换为遥感反射率.对不同的波段组合进行比较分析后,从可解释性出发,最终选择了归一化指数表达式作为最佳波段组合,所建立的模型为:Chla(μg/L)=EXP(2.478+16.378*N66),其中,N66为(R696-R661)/(R696+R661).模型的R2为0.9051,显著性p＜0.0001.与其他模型相比,本文的模型比较稳健,用于估计8月的叶绿素a浓度具有较小的绝对误差.本文的工作同时表明,在太湖的夏季相邻月份,可以使用实测光谱数据模型进行水体叶绿素a浓度的估计.【总页数】7页(P756-762)【作者】韦玉春;黄家柱;李云梅;光洁【作者单位】南京师范大学,虚拟地理环境教育部重点实验室,南京,210046;南京师范大学,虚拟地理环境教育部重点实验室,南京,210046;南京师范大学,虚拟地理环境教育部重点实验室,南京,210046;南京师范大学,虚拟地理环境教育部重点实验室,南京,210046【正文语种】中文【中图分类】TP79【相关文献】1.贵州百花湖叶绿素a高光谱监测模型研究 [J], 吴廷宽;贺中华;梁虹;向尚;杨世凡2.太湖水体藻类叶绿素浓度高光谱遥感监测研究 [J], 刘剋;黄家柱;张强3.应用水表面下辐照度比估测太湖夏季水体叶绿素a浓度 [J], 孙德勇;李云梅;乐成峰;龚绍琦;伍蓝4.基于TM影像的太湖夏季悬浮物和叶绿素a浓度反演 [J], 李云亮;张运林5.基于穷举法的鄱阳湖叶绿素a浓度高光谱反演模型与应用研究——以GF-5卫星AHSI数据为例 [J], 韦安娜;田礼乔;陈晓玲;余永明因版权原因，仅展示原文概要，查看原文内容请购买。

分季节的太湖悬浮物遥感估测模型研究光洁;韦玉春;黄家柱;李云梅;闻建光;郭建平【期刊名称】《湖泊科学》【年(卷),期】2007(19)3【摘要】根据1996-2002年无锡太湖监测站的水质资料分析,太湖悬浮物具有季节性特征,因而分季节的悬浮物估测模型比单一的模型可能更加适合用来估测太湖全年的悬浮物浓度.在分析太湖水体光谱特征的基础上,根据太湖悬浮物的季节性分布特征,使用春夏秋冬四季的Landsat TM/ETM图像和准同步的水质采样数据,建立了太湖分季节的悬浮物估算模型.结果表明:估测因子(B2+B3)/(B2/B3)在春、秋、冬三季都能很好地估测出悬浮物的浓度(R2＞0.52).夏季由于叶绿素的干扰性较大,悬浮物的估测效果不理想.冬季的估测效果最好(R2=0.81),模型为lnSS=14.656×(B2+B3)/(B2/B3)+1.661,其中,ln SS表示悬浮物取自然对数后的值,B2、B3为TM/ETM图像经过6S大气校正、3×3低通滤波后第2、3波段的反射率值.【总页数】9页(P241-249)【作者】光洁;韦玉春;黄家柱;李云梅;闻建光;郭建平【作者单位】中国科学院遥感应用研究所遥感科学国家重点实验室,北京,100101;中国科学院研究生院,北京,100039;南京师范大学地理科学学院,南京,210097;南京师范大学地理科学学院,南京,210097;南京师范大学地理科学学院,南京,210097;中国科学院遥感应用研究所遥感科学国家重点实验室,北京,100101;中国科学院研究生院,北京,100039;中国科学院遥感应用研究所遥感科学国家重点实验室,北京,100101;中国科学院研究生院,北京,100039【正文语种】中文【中图分类】P3;TP7【相关文献】1.基于实测高光谱的太湖水体悬浮物浓度遥感估算研究 [J], 孙德勇;李云梅;王桥;乐成峰;黄昌春;施坤;王利珍2.基于分区的太湖叶绿素a遥感估测模型 [J], 王艳红;马荣华;邓正栋3.太湖秋季水体遥感反射比的简单经验估测模型 [J], 马荣华;宋庆君;唐军武;潘德炉4.基于MERIS数据的太湖悬浮物与叶绿素a遥感估算研究 [J], 张森;王得玉;邓颖;王明昊5.基于BP神经网络模型的太湖悬浮物浓度遥感定量提取研究 [J], 吕恒;李新国;曹凯因版权原因，仅展示原文概要，查看原文内容请购买。

基于HJ-1ACCD数据的湖泊叶绿素a浓度反演湖泊是地球上重要的淡水资源，叶绿素a浓度是湖泊水质的重要指标之一。

利用卫星遥感数据进行湖泊叶绿素a浓度的反演，可以实现对大范围湖泊水质的监测和评估，对于湖泊环境管理具有重要的意义。

本文将介绍基于HJ-1ACCD数据的湖泊叶绿素a浓度反演研究。

1. 研究背景湖泊是淡水资源的重要蓄水库，但受到人类活动和自然因素的影响，湖泊水质普遍面临着恶化的问题。

叶绿素a是湖泊中浮游植物的主要色素，其浓度可以反映湖泊的营养状态和水质状况。

对于叶绿素a浓度的监测和评估具有重要的意义，可以为湖泊的环境管理和保护提供科学依据。

传统的湖泊水质监测方法主要依靠定点取样和实地分析，由于湖泊的面积广阔和复杂性，这种方法存在取样点有限、时空分辨率不高等局限性。

而卫星遥感技术能够实现对大范围湖泊的监测，并具有较高的时空分辨率和覆盖范围，因此成为湖泊水质监测的重要手段。

2. HJ-1ACCD数据简介HJ-1ACCD是中国环境遥感卫星的一种载荷，具有较高的光谱分辨率和较好的辐射校正精度，适合于湖泊水质参数的遥感反演。

其辐射范围包括可见光和近红外光谱段，能够有效获取湖泊水体的光学特征参数。

HJ-1ACCD数据具有较高的时空分辨率，可实现对湖泊水体的连续监测和观测。

由于其具有较好的辐射校正精度，因此适合于湖泊叶绿素a浓度的反演研究。

3. 湖泊叶绿素a浓度反演方法湖泊叶绿素a浓度的反演主要基于遥感数据和反演模型。

利用HJ-1ACCD数据获取湖泊水体的光学特征参数，如反射率、吸收系数等，然后根据这些参数构建叶绿素a浓度的反演模型，并通过模型反演获取湖泊的叶绿素a浓度信息。

在构建叶绿素a浓度的反演模型时，需要考虑到湖泊水体的光学特征和颗粒物的影响。

在实际应用中，常常采用基于光学特征的经验模型或基于统计方法的经验模型来进行叶绿素a浓度的反演，同时结合地面取样数据进行验证和修正，以提高模型的准确性和适用性。

基于HJ-1ACCD数据的湖泊叶绿素a浓度反演湖泊叶绿素a浓度是湖泊水体中叶绿素a的含量，是评价湖泊水质和水环境生态状态的重要指标之一。

精确地测量湖泊叶绿素a浓度对于湖泊水质监测和生态环境保护具有重要意义。

传统的测量方法需要大量的时间和人力资源，而遥感技术能够提供高效、快速、经济的叶绿素a浓度反演方法。

HJ-1ACCD是中国自主研发的一颗小卫星，具有高灵敏度和较高空间分辨率的遥感能力。

它搭载的颜色旋转云雾差异器（ACCD）传感器，可获取水域中的多光谱遥感数据。

利用HJ-1ACCD数据进行湖泊叶绿素a浓度反演的关键是建立反演模型。

湖泊叶绿素a浓度与水体的光学特性有关，主要通过测量水体的反射光谱来推测叶绿素a的浓度。

在利用HJ-1ACCD数据进行反演时，首先需要进行大气矫正，去除大气影响。

然后根据湖泊水体的光谱特性建立反演模型，通常采用光谱比值模型、光谱指数模型或统计模型。

光谱比值模型是通过计算不同波段的反射率之间的比值来估算叶绿素a浓度。

常用的光谱比值包括蓝绿波段比值（B/G）、蓝红波段比值（B/R）等。

这种模型简单易用，但对光谱的选择较为敏感，并且对大尺度湖泊的反演效果较差。

光谱指数模型是通过计算不同波段的反射率之间的差异来估算叶绿素a浓度。

常用的光谱指数有NDVI（Normalized Difference Vegetation Index）、RVI（Ratio Vegetation Index）等。

这种模型相对于光谱比值模型来说更加稳定，但需要根据不同湖泊的特性选择合适的光谱指数。

统计模型是利用多变量统计方法建立叶绿素a浓度与多个光谱波段之间的关系。

常用的统计模型包括多元线性回归模型、支持向量回归模型等。

这种模型具有较高的准确性和稳定性，但需要较多的样本数据进行建模和验证。

除了反演模型的建立，还需要进行准确的地面观测和采样，获取湖泊叶绿素a浓度的实际数据，用于反演模型的校正和验证。

在利用HJ-1ACCD数据进行湖泊叶绿素a浓度反演时，需要根据特定的湖泊特征选择适合的反演模型，并进行准确的大气矫正和地面观测，以提高反演精度和可靠性。

利用MERIS产品数据反演太湖叶绿素a浓度研究宋瑜;宋晓东;郭照冰;周慧平;江洪【期刊名称】《遥感信息》【年(卷),期】2009(000)004【摘要】第三代水色传感器MERIS的荧光通道的合理设置为荧光遥感法的应用提供了广阔的发展前景.利用MERIS数据、同步地面光谱和水质监测数据,分别通过基线荧光高度(FLH)、归一化荧光高度(NFH)和最大叶绿素指数(MCI)建立了太湖叶绿素a浓度的荧光遥感估算模型.结果表明:MERIS荧光参数中最大叶绿素指数(McI)较基线荧光高度(FLH)更适合太湖水体叶绿素a浓度的反演;归一化荧光高度(NFH)与实测叶绿素a浓度间的拟合效果最好.最后选取NFH进行MERlS荧光遥感模型的太湖叶绿素a浓度的反演,其结果客观地反映了太湖水体叶绿素a浓度的空间分布格局.【总页数】6页(P19-24)【作者】宋瑜;宋晓东;郭照冰;周慧平;江洪【作者单位】中国科学院城市环境研究所,厦门,361021;中国科学院城市环境研究所,厦门,361021;环境科学与工程学院,南京信息工程大学,南京,210044;环保部南京环境科学研究所,南京,311300;国际地球系统科学研究所,南京大学,南京,210093;国际空间生态与生态系统生态研究中心,浙江林学院,杭州,311300【正文语种】中文【中图分类】TP751【相关文献】1.基于MERIS遥感图像的太湖叶绿素浓度反演 [J], 王根深;王得玉2.浑浊Ⅱ类水体叶绿素a浓度遥感反演(Ⅱ):MERIS遥感数据的应用 [J], 姜广甲;周琳;马荣华;段洪涛;尚琳琳;饶加旺;赵晨露3.MERIS遥感图像的太湖叶绿素浓度反演研究 [J], 朱江山;王得玉4.基于MERIS数据的太湖叶绿素浓度的反演研究 [J], 田园;王得玉5.基于GOCI数据的暴雨后太湖水体叶绿素a浓度遥感反演研究 [J], 徐祎凡;陈黎明;陈炼钢;李云梅;金秋;胡腾飞因版权原因，仅展示原文概要，查看原文内容请购买。

基于Sentinel -2卫星影像的太湖水质监测□刘新平管佳闫保银◎ I _____________________________________________________________________________________工作研免I一、 研究区域及数据源1. 研究区域本文的研究区域选取了太湖。

太湖横跨江苏、浙江两省，东西 南北四个方向分别瀕临苏州、宜兴、湖州和无锡3据介绍，太湖湖 泊面积约2427.8平方千米，水域面积约2338.1平方千米，湖岸线 全长约393.2千米。

太湖的西南侧为丘陵山地，东侧为平原及水 网。

近年来，太湖正面临着围湖造田造地、有害渔具使用、工业废 水排放、生活污水排放等多重人为因素影响，太湖水质明显下降， 越来越多的研究投入到水质研究及水污染治理上。

2. 数据源本文研究数据选取的是2019年1月、5月、8月和12月的哨 兵2A 卫星影像，即表征太湖四个时相的数据。

哨兵2A (Sen - tinel -2A )是高分辨率多光谱成像卫星，携带一枚多光谱成像仪 (MSI ),拥有13个谱段，从可见光到近红外再到短波红外,空间分 辨率从10m 到60m ,能实现全面的陆地海洋监测，对于监测农业、 林业种植、土地覆盖变化、水体污染情况以及自然灾害等具有重 要意义。

数据下载地址(https ://scihub .copemicus .eu /dhus/#/home )。

二、 研究方法1. 研究技术路线研究技术路线主要包括资料收集、预处理、水体边界提取及 水质反演分析等。

2. 水体边界提取利用ENVI 5.3软件对Sentinel -2A 卫星数据进行辐射定标和 大气校正预处理后，最终获取2019年四个时相的太湖区域遥感 影像数据。

为了减少其他地物对水质反演的影响,需要对影像区 域内水体之外的区域进行掩膜,继而提高后续的工作效率。

目前基于遥感影像的水体边界提取方法较多，有单波段法、 水体指数法等，其基本原理大都是利用水体和其他地物在波段区 间存在明显的反射差异。

用TM图象估算海表面叶绿素浓度的神经网络模型
赵冬至;曲元;张丰收;赵玲;丛丕福
【期刊名称】《海洋环境科学》
【年(卷),期】2001(20)1
【摘要】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TM 1、TM 2两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图象的两个可见光波段作为输入 ,采用两层神经网络结构能建立比多元回归分析精度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。

【总页数】6页(P16-21)
【关键词】TM图像;叶绿素浓度;神经网络;模型;海洋水体质量
【作者】赵冬至;曲元;张丰收;赵玲;丛丕福
【作者单位】国家海洋环境监测中心;大连海事大学环境科学与工程学院
【正文语种】中文
【中图分类】X87;X834
【相关文献】
1.基于TM影像的乌梁素海叶绿素a浓度反演 [J], 张丽华;戴学芳;包玉海;武捷春;于长水
2.结合温度因子估算太湖叶绿素a含量的神经网络模型 [J], 孔维娟;马荣华;段洪涛
3.应用Landsat TM影像估算渤海叶绿素a和总悬浮物浓度 [J], 邬明权;韩松;赵永清;牛铮
4.利用BP神经网络模型对太湖水体叶绿素a含量的估算 [J], 王雪莲;宋玉芝;孔繁璠;王宇佳
5.应用TM数据估算沿岸海水表层叶绿素浓度模型研究 [J], 陈楚群;施平
因版权原因，仅展示原文概要，查看原文内容请购买。