《面向二類水體葉綠素a濃度遙感反演的光譜純化研究》是依託南京師範大學，由韋玉春擔任項目負責人的面上項目。
基本介紹
- 中文名：面向二類水體葉綠素a濃度遙感反演的光譜純化研究
- 項目類別：面上項目
- 項目負責人：韋玉春
- 依託單位：南京師範大學
項目摘要,結題摘要,
項目摘要
光譜純化指利用指定的純組分光譜對混合光譜進行濾波-校正-變換-分離的數學處理獲得組分光譜的方法和流程，用來降低同物異譜的機率，改進遙感反演的精度。 葉綠素a濃度是水體生物量的主要指標，與水體初級生產力和碳循環密切相關。項目借鑑實驗室化學分析中的純化概念，針對二類水體生物-光學性質的複雜性、葉綠素a濃度遙感反演和監測對模型穩健性和精度的要求，選擇太湖為典型研究區，開展如下研究：（1）典型濃度梯度下懸浮物組分和浮游植物的光學性質及其對水體光譜的貢獻和對水體葉綠素a濃度反演的影響；（2）二類水體中葉綠素a組分的純譜的特徵提取和識別；（3）水體光譜純化算法、流程和基於光譜純化處理的水體葉綠素a濃度反演模型。研究成果不僅可為二類水體水色指標的遙感反演和監測提供基礎支撐和方法支持，而且可為高光譜遙感數據處理和遙感信息提取提供新方法，對於植被遙感和大氣遙感也具有重要的參考價值。
結題摘要
水體中的葉綠素a濃度(Chla)是評估水體富營養化的重要指標。基於遙感手段開展大型水體的Chla的反演估計，是水色遙感中的重要內容。項目以太湖為研究區，提出光譜純化處理，結合其他的方法來改進Chla的遙感估計精度。 基於多期數據集建立反演模型並進行模型驗證。數據集劃分方式為：（1）混合所有調查數據，隨機抽取2/3建模，1/3驗證。（2）使用2016年前的數據建模，2016年及其後的數據進行驗證。使用3波段半分析模型作為參考。項目內容和結論如下。 （1）純譜的提取 選擇確定4個光譜特徵提取了面向渾濁水體Chla遙感估計的純譜。對比分類與回歸決策樹、反向傳播神經網路、支持向量機、袋裝決策樹(BT)、加權K近鄰（WKNN）和模糊模式識別（FPR）方法，表明FPR、BT和WKNN建立的模型對水體光譜中的純譜識別具有高的查準率。 （2）散射的校正 以Rrs(705)/Rrs(670)為判據，以1.6為閾值，把水體劃分為浮游藻類控制的水體和懸浮泥沙控制的水體兩個類別。對比確定了水體後向散射的估計方法並進行了散射去除，按照類別建立了比值模型並進行了對比驗證，表明散射校正後的模型具有更好的性能，精度可提高5%，且誤差的分布更有規律。 （3）Chla遙感估計模型的構建 考慮藻類顆粒物的散射影響，構建了秋季太湖水體的4波段的半分析模型並進行了對比驗證。考慮水體時間和空間的差異性，建立了不同分區的Chla估計模型，獲得了更高的估計精度，模型驗證RMSE為11.5ug/L，高於比值、三波段和四波段模型（RMSE大於16.8ug/L）。基於人工配比的混合實驗和野外數據建立了光譜分解反演模型並進行了驗證。建立了考慮環境因素的非線性模型和等級判別模型。對比確定了適用於光譜降噪的光譜非負矩陣分解方法，驗證了其對模型的精度影響，降低了高濃度樣點的估計誤差。 總體上看，所建立模型的精度提高了1-10%。光譜散射校正、降噪和光譜分解可提高3-5%的精度，考慮不同分區、附加環境因素、非線性建模可提高5-10%的精度。綜合光譜預處理、光譜組合、建模方法、考慮環境因子能夠有效的提高可套用的Chla遙感估計精度。
