渤海近岸浑浊水体GOCI影像神经网络大气校正研究

摘要

水色遥感是根据水体在可见光波段的吸收反射光谱特性与水色要素指标浓度之间的关系建立反演算法，探测水色参数;根据反演的水色参数数据进行大范围的水质监测，跟踪水体污染事件的动态发展过程，研究全球变化等。按照水体光学特性的不同可把水体划分为Ⅰ类水体(caseⅠwater)和Ⅱ类水体(caseⅡwater)。大洋开阔水体是典型的Ⅰ类水体，其水体光学特性主要由浮游植物及其伴生生物决定的，目前已有业务化、成熟的算法来反演水色要素浓度;Ⅲ类水体主要位于海岸带河口等受陆源物质影响较严重的区域，水体光学特性主要受悬浮物和黄色物质决定，复杂多变且具有区域性特点，其水色遥感参数的高精度反演是业务化应用的关键，也是水色遥感领域的重点和难点。
　　由于Ⅰ类水体和Ⅱ类水体的光学特性存在明显差别，在Ⅱ类水体区域沿用Ⅰ类水体的大气校正算法会导致气溶胶贡献值的高估，从而导致大气校正的失败。我国渤海地区在韩国的GOCI卫星覆盖之下，该区域有着质量较高的GOCI数据产品。但由于渤海近岸为高浑浊水体，利用GOCI官方数据处理软件GDPS采用的光谱匹配浑浊水体大气校正算法在该区域存在大面积大气校正处理失败的问题。针对此问题，本研究拟以经过MODISNIR-SWIR大气校正所得的可见光近红外波段的气溶胶光学厚度、遥感反射率产品数据和GOCI的星上反射率数据为基础，用GOCI的TOA为输入与经过SWIR大气校正的MODIS数据为输出建立神经网络模型，进行渤海近岸浑浊水体GOCI影像的神经网络大气校正研究。并与实测数据和短波红外算法结果进行对比，以对该算法的精度做出评价。
　　主要的研究内容有:
　　(1)建立渤海近岸浑浊水体GOCI影像神经网络大气校正模型
　　利用Matlab的神经网络工具箱，以经过MODIS短波红外大气校正的遥感反射率(Rrs)数据和气溶胶光学厚度(AOD)数据为输出数据，以GOCI的星上反射率数据(TOA)为输入数据，通过选取合适的学习算法、训练参数，通过不断的学习与训练调整权值来使神经网络的输出值无限逼近参考的输出值，用以建立神经网络模型。神经网络模型建立之后，再以GOCI目标TOA输入到建好的神经网络模型中，模型输出的模拟值即为GOCI神经网络大气校正值。
　　(2)GOCI浑浊水体神经网络大气校正算法的验证
　　以现场实测数据为基础，结合同步的MODIS浑浊水体产品，对神经网络算法获取的遥感反射率和气溶胶光学厚度进行精度评价和误差分析，以检验本算法的稳定性。具体的验证分为两个部分:首先是在空间分布上的验证，分别运用MODISNIR-SWIR算法、GOCI标准算法和GOCI神经网络算法对三种不同波段数据分别进行处理，以验证神经网络大气校正算法在空间分布上的合理性;第二，在绝对精度上的验证，通过神经网络大气校正算法值与同步现场实测数据进行对比来对算法精度和稳定性进行评价。
　　验证结果表明:(1)在空间分布上，MODISNIR-SWIR算法、GOCI标准算法处理结果在很大区域范围内几乎没有有效数据，而GOCI神经网络算法有效值的空间分布更完全、更合理。可见，GOCI神经网络大气校正算法解决了另外两种算法在渤海近岸浑浊水体大气校正失效的问题。(2)在大气校正的绝对值上，选择基于1240&2130nm和1640&2130nm进行神经网络大气校正的结果与同步现场实测值进行比对分析;尽管实测值较校正值稍高，但它们的绝对值相差不大，并且实测值与GOCI神经网络大气校正值在波形分布和变化趋势上高度一致。
　　除此之外，还对基于MODIS两个短波红外波段(1240&2130nm波段和1640&2130nm)进行神经网络大气校正的结果进行空间分布和绝对值的对比，以检验两种算法哪个更适用于浑浊水体的大气校正。结果表明:基于1240&2130nm波段的处理结果的空间分布和绝对值的精度更高，分布更合理，更适用于浑浊水体的大气校正。
　　总的来说，通过神经网络大气校正算法，成功解决了GOCI标准算法和MODIS短波红外大气校正算法在渤海近岸浑浊水体失效问题和MODIS数据存在的严重条带问题，并证明了基于1240&2130nm近红外短波红外联合大气校正更适用于近岸Ⅱ类浑浊水体的大气校正。

目录

声明

摘要

图表索引

缩略语

1 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．2．1 水色遥感大气校正研究现状

1．2．2 BP神经网络算法的研究现状

1．3 研究的目的内容和组织结构

1．3．1 研究目的

1．3．2 研究内容

1．3．3 组织结构

1．4 研究方案

1．4．1 前期资料收集与整理

1．4．2 数据处理与分析

1．4．3 综合分析研究

2 MODIS和GOCI水色遥感大气校正理论基础

2．1 水色遥感辐射传输原理

2．1．1 水体的组分

2．1．2 Ⅰ类水体与Ⅱ类水体

2．1．3 水色遥感

2．1．4 水色遥感大气校正

2．2 MODIS数据的SWIR-NIR大气校正

2．2．1 MODIS中分辨率成像光谱仪数据

2．2．2 MODIS SWIR-NIR大气校正

2．3 GOCI影像标准业务化大气校正

2．3．1 GOCI数据

2．3．2 GOCI大气校正

3 COMS GOCI神经网络大气校正研究

3．1 研究区域概况

3．2 数据的来源与预处理

3．2．1 遥感影像数据

3．2．2 实际观测数据

3．3 神经网络大气校正处理

3．3．1 MODIS与GOCI典型数据信息采集

3．3．2 BP神经网络大气校正模型与处理

4 算法结果与讨论

4．1 神经网络大气校正空间分布结果分析

4．1．1 基于MODIS NIR-SWIR1240nm波段三种算法大气校正结果空间分布

4．1．2 基于MODIS NIR-SWIR1640nm波段三种算法大气校正结果空间分布

4．1．3 GOCIANN算法对GOCI标准算法和MODIS NIR-SWIR改进结果分析

4．2 神经网络大气校正绝对精度分析

4．2．1 实测值与神经网络大气校正值相对误差分析

4．2．2 神经网络大气校正值与实测值数值分布与变化趋势分析

4．3 GOCI ANN1240nm与GOCI ANN1640nm大气校正结果的差异

4．3．1 GOCI ANN1240nm与GOCI ANN1640nm大气校正值相对误差分析

4．3．2 GOCI ANN1240nm与GOCI ANN1640nm大气校正结果比较

4．4 精度影响因素分析

4．4．1 误差分析

4．4．2 不确定性因素分析

5 结论与展望

5．1 结论

5．2 本文的特色与创新

5．3 问题与不足

5．3．1 多水色参数的使用

5．3．2 水色要素反演

5．3．3 高时空变异度水体光学特性现场同步观测

5．3．4 传感辐射特性和波段差异未予考虑

5．3．5 神经网络模型采样建模数据和输入影像数据季节差异

参考文献

个人简历

攻读学位期间发表的学术论文

致谢