CN103970994B - 基于数据同化的内陆水体叶绿素浓度多模型协同反演方法 - Google Patents
基于数据同化的内陆水体叶绿素浓度多模型协同反演方法 Download PDFInfo
- Publication number
- CN103970994B CN103970994B CN201410185064.3A CN201410185064A CN103970994B CN 103970994 B CN103970994 B CN 103970994B CN 201410185064 A CN201410185064 A CN 201410185064A CN 103970994 B CN103970994 B CN 103970994B
- Authority
- CN
- China
- Prior art keywords
- model
- chlorophyll concentration
- inverting
- coordination
- models
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Abstract
本发明公开了一种基于数据同化的内陆水体叶绿素浓度多模型协同反演方法,具体步骤包括:S1:利用水体实测高光谱遥感反射率数据,结合实测叶绿素浓度,构建叶绿素浓度反演模型集;S2:针对每一个叶绿素浓度反演模型,将反演值与实测值在不同浓度等级上进行精度分析,建立不同模型在不同浓度等级上的模型误差查找表;S3:针对验证数据,利用已构建的叶绿素浓度反演模型集进行叶绿素浓度反演;S4:结合模型误差查找表,获取每个验证数据在不同反演模型中的模型误差;S5:利用数据同化方法,结合各反演模型的模型误差,最终获得最优反演值;S6:精度分析。本发明为内陆二类水体叶绿素浓度反演的多模型协同利用,提高反演精度提供了新的技术方法。
Description
技术领域
本发明属于遥感技术领域,具体涉及一种使用内陆水体高光谱遥感反射率数据,针对水体叶绿素浓度进行多反演模型协同反演的方法。
背景技术
相对于大洋水体而言,内陆湖泊的水色要素组成更为复杂,利用遥感手段和方法反演内陆湖泊叶绿素浓度面临更大的不确定性,至今还无法找到一个普适性强、精度高的反演模型。目前所建立的大量的经验模型、半经验模型以及分析模型,其模型的精度随着研究区域、时间、季节的变化而不同。即使是同一研究区的水体,其水体光学特性也可能存在差异,导致不同区域需要采用不同的模型。为了提高对叶绿素浓度的遥感反演精度,如何有效利用不同模型、数据的优势,克服和避免不同模型、数据的不足之处就成为了关键。
数据同化是根据一定的数学模式和优化标准,在考虑不同数据源的误差信息基础上,将不同空间、不同时间、采用不同手段获得的观测资料有机结合,进而得到一个更加逼近客观现实的“真值”。数据同化方法提供了将多模型、多数据融合的可能性,利用数据同化方法可以融合和吸收不同模型、数据的优势,克服和避免不同模型、数据的不足之处,从而达到最优的反演效果。
以上这些研究取得了一些成果,但是针对内陆高浑浊和富营养化的二类水体,在利用数据同化方法实现叶绿素浓度的多模型协同反演方面考虑还不足。
发明内容
针对内陆水体光学性质复杂的特点,国内外学者开发了大量叶绿素浓度反演模型,各类模型都具有其优点,同时也都有其局限性。鉴于此,本发明参照数据同化方法,构建多模型协同反演算法模型,有效融合和吸收不同模型、数据的优势,克服和避免不同模型、数据的不足之处,从而达到最优的反演效果。为提高叶绿素浓度的遥感反演精度提供了新的技术方法。
为了实现上述发明的目的,本发明所采取的技术方案为:
基于数据同化的内陆水体叶绿素浓度多模型协同反演方法,包括以下步骤:
S1:基于实测水体高光谱遥感反射率数据,结合实测叶绿素浓度,构建叶绿素浓度反演模型集;
S2:针对模型集中的每一个叶绿素浓度反演模型,将反演值与实测值分别在不同浓度等级上计算均方根误差RMSE,建立不同反演模型在不同浓度等级上的模型误差查找表;
S3:针对验证数据,利用已构建的叶绿素浓度反演模型集进行叶绿素浓度反演,获取各模型反演的叶绿素浓度值;
S4:将各模型反演所得的叶绿素浓度值,结合模型误差查找表,获取每个验证数据在不同反演模型中的模型误差;
S5:利用数据同化方法,结合各反演模型的模型误差,最终获得最优反演值;
S6:对多模型协同反演结果与实测叶绿素浓度进行精度分析,检验多模型协同反演效果。
所述步骤S1中构建叶绿素浓度反演模型集包括使用经验方法、半经验方法或分析方法构建适宜于太湖叶绿素浓度反演的多个反演模型。
所述步骤S2中不同浓度等级上的均方根误差RMSE即为反演模型在不同浓度等级上的模型误差。
所述步骤S2中均方根误差RMSE的计算表达式如下:
其中n是样本数,yi是测量值,yi'是反演值。
所述步骤S5中,基于数据同化的最优反演值表达式如下:
其中,xi为不同模型的叶绿素浓度反演值;Ri为不同模型的模型误差;xa为最优反演值。
本发明针对内陆水体,构建一种针对实测高光谱遥感反射率数据的叶绿素浓度多模型协同反演方法。该方法能提高利用高光谱遥感反射率数据反演内陆湖泊水环境参数的精度,并为光学性质复杂的内陆二类水体多模型协同利用提供了新的技术方法。
附图说明
图1是本发明方法的流程图。
图2是2006年太湖野外采样点分布图。
图3是2007年太湖野外采样点分布图。
图4是2008年太湖野外采样点分布图。
图5是2009年太湖野外采样点分布图。
图6是不同反演模型在不同浓度等级上的模型误差图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述。
以2006~2009年4次太湖野外实测水体高光谱遥感反射率为数据源,按照本发明进行太湖叶绿素浓度多模型协同反演,给出本发明一个实施例,进一步详细说明本发明。
S1:基于地面实测水体高光谱遥感反射率数据,结合实测叶绿素浓度,构建叶绿素浓度反演模型集;
获取同步的野外实测水体高光谱遥感反射率数据与叶绿素浓度数据,采用经验方法、半经验方法或分析方法构建适宜于太湖的叶绿素浓度反演模型集。通过模型对比分析,最终遴选出6个反演效果较好的太湖叶绿素a浓度遥感估算反演模型,分别为:波段比值模型、三波段模型、四波段模型、Dall'Olmo模型、Gitelson模型和徐京萍模型。
S2:针对每一个叶绿素浓度反演模型,将反演值与实测值分别在不同浓度等级上计算均方根误差(RMSE),建立不同模型在不同浓度等级上的模型误差查找表;
为了避免使用统一的权值对模型的不确定性表达失真的情况,将叶绿素浓度按照浓度进行等级分类,将每类的集合均方根误差(RMSE)作为该模型在此浓度等级上的模型误差。将本次建模数据分为11组,浓度等级分别为0-10μg/L,10-20μg/L,20-30μg/L,30-40μg/L,40-50μg/L,50-60μg/L,60-70μg/L,70-80μg/L,80-90μg/L,90-100μg/L,>100μg/L。进而,针对每组样点数据,进行RMSE的统计计算,以此作为模型在该浓度等级上的模型误差,进而建立模型误差查找表。本实施例中各反演模型在上述不同浓度等级上的模型误差结果见附图6。
S3:针对验证数据,利用已构建的叶绿素浓度反演模型集进行叶绿素浓度反演;
针对验证数据,利用所述S1已构建好的6个叶绿素浓度反演模型分别进行叶绿素浓度的反演估算。
S4:结合所述S2构建的模型误差查找表,获取每个验证数据在不同反演模型中的模型误差;
将验证数据反演所得的叶绿素浓度反演值,依据模型误差查找表,分别获取在不同模型下的模型误差。
S5:利用基于数据同化的最优反演值表达式,结合各反演模型的模型误差,最终获得最优反演值;
多模型协同反演具体步骤如下:
S51:针对验证数据,利用已构建的叶绿素浓度反演模型集计算各模型反演的叶绿素浓度值;
S52:将各模型反演所得的叶绿素浓度值,依据模型误差查找表,计算各验证数据的反演模型误差;
S53:基于数据同化的太湖叶绿素浓度多模型协同反演估算表达式如下:
其中,xi为不同模型的叶绿素浓度反演值;Ri为不同模型的模型误差;xa为最优反演值。
S6:精度分析;
将多模型协同反演结果与实测叶绿素浓度进行精度评价,采用均方根误差(RMSE)和平均绝对百分比误差(MAPE)进行评价,表达式如下:
其中n是样本数,yi是测量值,yi'是估计值。
Claims (5)
1.基于数据同化的内陆水体叶绿素浓度多模型协同反演方法,其特征在于,包括以下步骤:
S1:基于地面实测水体高光谱遥感反射率数据,结合实测叶绿素浓度,构建叶绿素浓度反演模型集;
S2:针对模型集中的每一个叶绿素浓度反演模型,将反演值与实测值分别在不同浓度等级上计算均方根误差RMSE,建立不同反演模型在不同浓度等级上的模型误差查找表;
S3:针对地面实测水体高光谱遥感反射率数据,利用已构建的叶绿素浓度反演模型集进行叶绿素浓度反演,获取各模型反演的叶绿素浓度值;
S4:将各模型反演所得的叶绿素浓度值,结合模型误差查找表,获取每个验证数据在不同反演模型中的模型误差;
S5:利用数据同化方法,结合各反演模型的模型误差,最终获得最优反演值;
S6:对多模型协同反演结果与实测叶绿素浓度进行精度分析,检验多模型协同反演效果。
2.如权利要求1所述的基于数据同化的内陆水体叶绿素浓度多模型协同反演方法,其特征在于,步骤S1中构建叶绿素浓度反演模型集包括使用经验方法、半经验方法或分析方法构建适宜于研究区域叶绿素浓度反演的多个反演模型。
3.如权利要求1所述的基于数据同化的内陆水体叶绿素浓度多模型协同反演方法,其特征在于,步骤S2中不同浓度等级上的均方根误差RMSE即为反演模型在不同浓度等级上的模型误差。
4.如权利要求1所述的基于数据同化的内陆水体叶绿素浓度多模型协同反演方法,其特征在于,步骤S2中均方根误差RMSE的计算表达式如下:
其中n是样本数,yi是测量值,y′i是反演值。
5.如权利要求1所述的基于数据同化的内陆水体叶绿素浓度多模型协同反演方法,其特征在于,步骤S5中,基于数据同化方法的最优反演值表达式如下:
其中,xi为不同模型的叶绿素浓度反演值;Ri为不同模型的模型误差;xa为最优反演值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410185064.3A CN103970994B (zh) | 2014-05-05 | 2014-05-05 | 基于数据同化的内陆水体叶绿素浓度多模型协同反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410185064.3A CN103970994B (zh) | 2014-05-05 | 2014-05-05 | 基于数据同化的内陆水体叶绿素浓度多模型协同反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103970994A CN103970994A (zh) | 2014-08-06 |
CN103970994B true CN103970994B (zh) | 2016-09-14 |
Family
ID=51240482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410185064.3A Expired - Fee Related CN103970994B (zh) | 2014-05-05 | 2014-05-05 | 基于数据同化的内陆水体叶绿素浓度多模型协同反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103970994B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107421895A (zh) * | 2017-06-30 | 2017-12-01 | 中国水利水电科学研究院 | 一种多波段优化组合的水质参数浓度反演方法和装置 |
CN107271405A (zh) * | 2017-06-30 | 2017-10-20 | 中国水利水电科学研究院 | 一种多模型协同的水质参数浓度反演方法和装置 |
CN107941713A (zh) * | 2017-10-17 | 2018-04-20 | 河海大学 | 一种基于耦合作物模型同化光谱反射率的水稻估产方法 |
CN109738397B (zh) * | 2018-11-30 | 2021-03-30 | 南京师范大学 | 一种基于olci传感器的内陆湖泊水体陆源腐殖质浓度遥感估算方法 |
CN109799199B (zh) * | 2018-12-26 | 2021-07-13 | 环境保护部卫星环境应用中心 | 一种叶绿素a浓度的协同反演方法 |
CN110082349B (zh) * | 2019-02-01 | 2021-11-02 | 南京师范大学 | 一种基于olci的内陆富营养化湖泊水体蓝藻生物量比例遥感估算方法 |
CN111504915B (zh) * | 2020-04-27 | 2023-07-04 | 中国科学技术大学先进技术研究院 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
CN112526098A (zh) * | 2020-12-04 | 2021-03-19 | 广东省科学院广州地理研究所 | 一种基于连续小波系数的二类水体叶绿素a浓度反演方法 |
CN112710614B (zh) * | 2020-12-18 | 2021-10-22 | 江苏省苏力环境科技有限责任公司 | 用于生态环保的多源卫星数据处理方法、系统及存储介质 |
CN113159167B (zh) * | 2021-04-19 | 2023-03-03 | 福州大学 | 基于内陆不同类型水体的叶绿素a反演方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477036A (zh) * | 2009-01-13 | 2009-07-08 | 中国科学院遥感应用研究所 | 基于分段协同模型的内陆水体叶绿素a浓度遥感监测方法 |
CN102200576A (zh) * | 2011-03-10 | 2011-09-28 | 王桥 | 叶绿素a浓度反演方法及系统 |
-
2014
- 2014-05-05 CN CN201410185064.3A patent/CN103970994B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477036A (zh) * | 2009-01-13 | 2009-07-08 | 中国科学院遥感应用研究所 | 基于分段协同模型的内陆水体叶绿素a浓度遥感监测方法 |
CN102200576A (zh) * | 2011-03-10 | 2011-09-28 | 王桥 | 叶绿素a浓度反演方法及系统 |
Non-Patent Citations (2)
Title |
---|
Estimation of Chlorophyll a Concentration Using NIR/Red Bands of MERIS and Classification Procedure in Inland Turbid Water;Yunmei Li et al.;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20120331;第50卷(第3期);第988-997页 * |
基于集合均方根滤波的太湖叶绿素a浓度估算与预测;李渊 等;《环境科学》;20130131;第34卷(第1期);第61-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103970994A (zh) | 2014-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103970994B (zh) | 基于数据同化的内陆水体叶绿素浓度多模型协同反演方法 | |
Jenkins et al. | Water mass analysis for the US GEOTRACES (GA03) North Atlantic sections | |
Esper et al. | Quaternary surface water temperature estimations: New diatom transfer functions for the Southern Ocean | |
Telford et al. | Mismatch between the depth habitat of planktonic foraminifera and the calibration depth of SST transfer functions may bias reconstructions | |
CN105913017A (zh) | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 | |
CN102819047B (zh) | 获得地下水与天然植被系统的关系的方法及系统 | |
CN102682335B (zh) | 精确确定区域对流层延迟的神经网络方法 | |
CN102636632A (zh) | 围垦地土壤重金属污染综合评价图生成方法 | |
CN103279636B (zh) | 一种确定树木年龄的方法 | |
Tchilibou et al. | Spectral signatures of the tropical Pacific dynamics from model and altimetry: a focus on the meso-/submesoscale range | |
CN101718775A (zh) | 围垦地土壤中重金属含量的空间变异分布图生成方法 | |
CN102004856A (zh) | 高频观测资料实时数据的快速集合卡曼滤波同化方法 | |
CN105303030A (zh) | 一种富营养化湖泊藻类高斯垂向分布结构参数的modis遥感估算方法 | |
CN107064068A (zh) | 一种浑浊水体颗粒有机碳浓度的遥感反演方法 | |
CN107462535A (zh) | 一种基于高斯多峰拟合的光谱解析算法 | |
CN104182647A (zh) | 获得土壤水分特征曲线Van Genchten模型参数的方法 | |
CN105046046A (zh) | 一种集合卡尔曼滤波局地化方法 | |
CN108267725A (zh) | 多波长激光雷达的co2浓度分层反演方法及系统 | |
CN106940290A (zh) | 基于高光谱数据的水库水体氨氮含量估算方法 | |
Park et al. | Improvement of satellite-based estimation of gross primary production through optimization of meteorological parameters and high resolution land cover information at regional scale over East Asia | |
CN104794324A (zh) | 一种利用3d角规的森林小班皆伐造材方法 | |
CN101587196A (zh) | 一种城市热岛强度统计预报方法及其装置 | |
CN115266648A (zh) | 一种二类水体固有光学参数优化模拟方法 | |
CN104123450B (zh) | 一种提高二甲基硫产量校准精度的方法 | |
CN105136095B (zh) | 一种树干任意点形状指数的测定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160914 Termination date: 20170505 |