JP2004294380A - 水中分光照度からのクロロフィルａ鉛直分布の推定方法 - Google Patents
水中分光照度からのクロロフィルａ鉛直分布の推定方法 Download PDFInfo
- Publication number
- JP2004294380A JP2004294380A JP2003090341A JP2003090341A JP2004294380A JP 2004294380 A JP2004294380 A JP 2004294380A JP 2003090341 A JP2003090341 A JP 2003090341A JP 2003090341 A JP2003090341 A JP 2003090341A JP 2004294380 A JP2004294380 A JP 2004294380A
- Authority
- JP
- Japan
- Prior art keywords
- chlorophyll
- vertical distribution
- illuminance
- layer
- correlation
- 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.)
- Withdrawn
Links
Images
Landscapes
- Sampling And Sample Adjustment (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
【課題】自動モニタリングが可能であり、精度の高い水中分光照度からのクロロフィルａ鉛直分布の推定方法を提供する。
【解決手段】水中分光照度からのクロロフィルａ鉛直分布の推定方法において、水中の光の鉛直分布を分光的に測定できる測定器から、５バンドの光の照度消散係数を計算し、この照度消散係数の鉛直分布と、別に採水・化学処理して測定したクロロフィルａをニューラルネットワークシミュレーションを用いて比較し、相関関係を求め、この相関関係を用いて、自動観測される光の鉛直分布データからクロロフィルａの鉛直分布を算出する。
【選択図】 図１
【解決手段】水中分光照度からのクロロフィルａ鉛直分布の推定方法において、水中の光の鉛直分布を分光的に測定できる測定器から、５バンドの光の照度消散係数を計算し、この照度消散係数の鉛直分布と、別に採水・化学処理して測定したクロロフィルａをニューラルネットワークシミュレーションを用いて比較し、相関関係を求め、この相関関係を用いて、自動観測される光の鉛直分布データからクロロフィルａの鉛直分布を算出する。
【選択図】 図１
Description
【０００１】
【発明の属する技術分野】
本発明は、ニューラルネットワークを用いた水中分光照度からのクロロフィルａ鉛直分布の推定方法に関するものである。
【０００２】
【従来の技術】
近年、二酸化炭素量の増大による温暖化が指摘されるなど、地球規模での気候変動に注目が集まっている。気候の理解、変動の予測には、地球規模での熱エネルギー・物質の循環を正確に把握することが不可欠であるが、十分な知見があるとはいえないのが現状である。地球規模での物質循環を考えるとき、海洋の役割は非常に重要であり、海洋表層における光合成−二酸化炭素固定は地球全体の半分程度を担うと言われている。
【０００３】
しかし、それを正確に観測することは非常に困難である。現状での観測は、人工衛星の観測データからの推測と、採水・培養実験等で行われているが、人工衛星データからの推定には精度的に疑問が多く、採水・培養による観測では非常に多くの労力と専門知識・技術が必要になる。そこで、本願発明者らは、実際の海域において自動的にモニタリング観測を行う装置の開発を行っている。
【０００４】
ここで、関連する研究の状況について説明する。
【０００５】
クロロフィルａ、ひいては植物プランクトンの鉛直分布は非常に重要な情報であるが、採水・化学処理して観測する方法が既に確立されており、その方法が取られることが多い。採水せずに測定できる方法を探っている例としては、下記非特許文献１があるが、これはニューラルネットワークを用いた本発明とはかけ離れている。
【０００６】
また、ニューラルネットワークを用いてクロロフィル濃度を推定しようという試みは、非特許文献２によってなされているが、これは衛星観測用で、鉛直分布を求めるのでなく、広い範囲での水平分布を求めることを目的としており、本発明の特徴である照度消散係数は使用されていない。また、衛星で得られるデータからは、照度消散係数を求めることはできない。
【０００７】
【非特許文献１】
Ｊａｓｍｉｎｅ ｅｔ．ａｌ（２００１）Ａｍｅｒｉｃａｎ Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ Ｓｏｃｉｅｔｙ
【非特許文献２】
田中、（２００１）ニューラルネットワークを用いた海色リモートセンシング用水中アルゴリズムの開発研究、博士論文 東海大学、ｐｐ．９６
【０００８】
【発明が解決しようとする課題】
海洋における光合成−基礎生産を考える上で、海洋における生産者、つまり、植物プランクトンの量を把握することは必要不可欠である。植物プランクトンの量、濃度は光合成色素（葉緑素）であるクロロフィルａ濃度で表すのが一般的である。現在、海表面におけるクロロフィルａは人工衛星によって観測できるが、上述したように、精度の面で多少問題もあり、なにより海表面の観測を行うのみなので海中の植物プランクトンの量に関しては全く分からない。
【０００９】
また、クロロフィルａ濃度を採水して化学処理・測定する方法については、多くの知見が既にあり、比較的容易に正確に測定できるが、この方法には人手が必要であり、自動モニタリング装置には採用できない。また、植物プランクトンが光合成を行うときに発する蛍光を測定する方法もあるが、精度の面で満足できない。
【００１０】
そこで、本発明は、上記状況に鑑みて、近年各方面で利用されているニューラルネットワークシミュレーションをこの問題に適用し、観測誤差の影響を軽減しつつ、比較的簡易に正確なクロロフィルａ濃度の推定ができる水中分光照度からのクロロフィルａ鉛直分布の推定方法を提供することを目的とする。
【００１１】
【課題を解決するための手段】
本発明は、上記目的を達成するために、
〔１〕水中分光照度からのクロロフィルａ鉛直分布の推定方法において、水中の光の鉛直分布を分光的に測定できる測定器から、複数バンドの光の照度消散係数を計算し、この照度消散係数の鉛直分布と、別に採水・化学処理して測定したクロロフィルａとをニューラルネットワークシミュレーションを用いて比較し、相関関係を求め、この相関関係を用いて、自動観測される光の鉛直分布データからクロロフィルａの鉛直分布を算出することを特徴とする。
【００１２】
〔２〕上記〔１〕記載の水中分光照度からのクロロフィルａ鉛直分布の推定方法において、前記複数バンドは短波長側の５バンドであることを特徴とする。
【００１３】
〔３〕上記〔１〕記載の水中分光照度からのクロロフィルａ鉛直分布の推定方法において、前記相関関係を求める相関関係式の設定おいて、中間層を第１層と第２層の２層とすることを特徴とする。
【００１４】
〔４〕上記〔３〕記載の水中分光照度からのクロロフィルａ鉛直分布の推定方法において、前記第１層が４０ニューロン、前記第２層が１２ニューロンとすることを特徴とする。
【００１５】
【発明の実施の形態】
以下、本発明の実施の形態について詳細に説明する。
【００１６】
まず、水中分光照度からのクロロフィルａ鉛直分布の推定原理について説明する。
【００１７】
まず予め、光の鉛直分布を自動モニタリング装置で計測し、また別に、その場でのクロロフィルａ鉛直分布を採水・化学処理して測定しておく。次に、短波長側５波、つまり、４１２，４４３，４９０，５２０，５６５（ｎｍ）の光について、その照度消散係数（光の減衰率）を求め、この照度消散係数の鉛直分布とクロロフィルａ鉛直分布の相関関係を、ニューラルネットワークを用いて求める。
【００１８】
次に、データセットの作成について説明する。
【００１９】
実際の海洋において、下向き照度（下向きの光の強さ）Ｅｄ（μＥ／ｍ２ ／ｓ）と、クロロフィルａを観測する。このクロロフィルａは蛍光分析法などでできるだけ正確に測定する。採水して化学処理、測定する以上、全ての水深で測定することは困難であるが、できるだけ多くの水深での値を測定する。下向き照度を鉛直０．５〜１ｍ毎程度に測定することで、同程度の空間（鉛直）分解能の照度消散係数を得ることができる。
【００２０】
Ｅｄ１ ＝Ｅｄ２ ×ｅｘｐ（−Ｋ×ｄｚ）
ここで、Ｅｄ１ ：ある水深における下向き照度（μＥ／ｍ２ ／ｓ）
Ｅｄ２ ：別の水深における下向き照度（μＥ／ｍ２ ／ｓ）
ｄｚ：Ｅｄ１ とＥｄ２ の水深の差（ｍ）
Ｋ：照度消散係数
このように、照度を直接利用するのではなく、照度の比ともいえる照度消散係数を用いることにより、観測誤差、特に測定器のキャリブレーションや器差による影響を小さくすることができる。
【００２１】
上記した方法で、ある水深におけるクロロフィルａ（蛍光分析法などで測定）と、その水深における照度消散係数、季節、水深、その他条件下でのデータを収集し、ニューラルネットワーク学習用データセットとする。本発明では、約２年分の観測を基に、７０００程のデータで構成されるデータセットを用意した。
【００２２】
次に、ニューラルネットワークは、任意のパラメータ間の相関関係を自動的に推定し、モデル化するシミュレーションである。複数の入力パラメータと複数の出力パラメータの相関を求めることが一般的で、入力と出力の間を繋ぐ中間パラメータを設定することも多い。
【００２３】
図１は本発明の実施例を示すニューラルネットワークモデルの相関関係模式図である。
【００２４】
この図において、１は入力層、２は第１の中間層、３は第２の中間層、４は出力層を示している。
【００２５】
入力層１が５バンドの照度消散係数であり、出力層４がクロロフィルａ濃度となる。中間層は第１の中間層２を４０ニューロン、第２の中間層３を１２ニューロンに設定した。
【００２６】
図２はその各ニューロンでの処理を示す図である。
【００２７】
この図において、１１は入力値ｕ，ｕ１ 〜ｕ５ （前階層の出力値）、１２は重み付け定数ω，ω１ 〜ω５ 、１３はニューロン値ｖ〔Σ（ｕ×ω）〕、１４は出力値：１／（１＋ｅ−ｖ）シグモイド関数をかけたものであり、次の層への入力値となる。
【００２８】
ニューロンは、前層のニューロンの出力値ｕ１１に重み付け定数ω１２を掛け合わせた値の総和であるニューロン値ｖ１３を持つ。第１の中間層２なら５つの、第２の中間層３なら４０個の、出力層４なら１２個の総和となる。このニューロン値ｖ１３をシグモイドと呼ばれる関数にかけたものが、このニューロンの出力値ｕ１４であり、次層への入力値となる。この関係式で求めた出力値と、採水・化学処理して測定したデータセット中のクロロフィルａの値を比較し、より一致するように重み付け定数ω１２（この場合６９２個ある）を最適化する。様々な季節、水深、光の量などの条件下でのデータセットで比較を繰り返し、すべてに対してよりよく一致するような重み付け定数ω１２を探す。これがニューラルネットワークの概念である。なお、ここでは約２年分のデータをもとに相関関係を求めている。
【００２９】
なお、ニューラルネットワークシミュレーションには、ドイツのＳｔｕｔｔｇａｒｔ大学にて開発されたＳＮＮＳ（Ｓｔｕｔｔｇａｒｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｓｉｍｕｌａｔｏｒ）Ｖｅｒ．４．２を使用している。
【００３０】
前述した相関関係を式の形にすると、次のようになる。
【００３１】
Ｖ１ ＝Σ５ ｉ＝１ 〔ｕ（１，ｉ）×ω（ｉ）〕 …（１）
ｕ（２，ｊ）＝１／〔１−ｅｘｐ（Ｖ１）〕 …（２）
Ｖ２ ＝Σ４０ ｊ＝１ 〔ｕ（２，ｊ）×ω（６）〕 …（３）
ｕ（３，ｋ）＝１／〔１−ｅｘｐ（Ｖ２）〕 …（４）
Ｖ３ ＝Σ１２ ｋ＝１ 〔ｕ（３，ｋ）×ω（７）〕 …（５）
ここで、ｕ（１，５）：入力値 照度消散係数５波長分
Ｖ３ ：出力値 クロロフィルａ推定値
ω：重み付け定数
本発明は、海洋基礎生産計測システムに搭載される光センサーからのデータをもとに、採水・化学処理等を行うことなく、高精度のクロロフィルａ、ひいては植物プランクトン生物量を推定することができる。
【００３２】
したがって、ニューラルネットワークシミュレーションを用いたことで、通常では検出が困難な相関関係を推定できる。これにより、自動モニタリング装置のデータから簡便に比較的精度良くクロロフィルａを推定できる。
【００３３】
図３は本発明の方法で推定したクロロフィルａ濃度と、採水・化学処理して実測したクロロフィルａ濃度を比較した図である。この図において、横軸は実測したクロロフィルａ濃度（ｍｇ／ｍ３ ）、縦軸は本発明により推定したクロロフィルａ濃度（ｍｇ／ｍ３ ）を示している。
【００３４】
ここで、サンプル数は４５とした結果、相関係数は０．８４となった。
【００３５】
上記したように、本発明の推定方法は、水中の光の鉛直分布を分光的に測定できる測定器から、５バンドの光の照度消散係数（光の減衰率）を計算し、この照度消散係数の鉛直分布と、別に採水・化学処理して測定したクロロフィルａをニューラルネットワークシミュレーションを用いて比較し、相関関係を求めた。この相関関係を用いて、自動観測される光の鉛直分布データからクロロフィルａの鉛直分布を算出する。
【００３６】
特に、本発明は、測定した水中照度から得られるいろいろなデータの中で、照度消散係数を用いたことで、クロロフィルａの推定が可能になったのであり、また、測定誤差の軽減を図ることができる。
【００３７】
また、ニューラルネットワークシミュレーションを用いてクロロフィルａの鉛直分布を推定するという方法は始めてであり、比較的簡易に正確な推定ができる。
【００３８】
なお、本発明は上記実施例に限定されるものではなく、本発明の趣旨に基づいて種々の変形が可能であり、これらを本発明の範囲から排除するものではない。
【００３９】
【発明の効果】
以上、詳細に説明したように、本発明によれば、ニューラルネットワークを用いて比較的簡易で正確なクロロフィルａの推定ができる。
【図面の簡単な説明】
【図１】本発明の実施例を示すニューラルネットワークモデルの相関関係模式図である。
【図２】図１で示した各ニューロンでの処理を示す図である。
【図３】本発明の方法で推定したクロロフィルａ濃度と、採水・化学処理して実測したクロロフィルａ濃度を比較した図である。
【符号の説明】
１ 入力層
２ 第１の中間層
３ 第２の中間層
４ 出力層
１１ 入力値ｕ，ｕ１ 〜ｕ５ （前階層の出力値）
１２ 重み付け定数ω，ω１ 〜ω５
１３ ニューロン値ｖ〔Σ（ｕ×ω）〕
１４ 出力値：１／（１＋ｅ−ｖ）シグモイド関数をかけたもの
【発明の属する技術分野】
本発明は、ニューラルネットワークを用いた水中分光照度からのクロロフィルａ鉛直分布の推定方法に関するものである。
【０００２】
【従来の技術】
近年、二酸化炭素量の増大による温暖化が指摘されるなど、地球規模での気候変動に注目が集まっている。気候の理解、変動の予測には、地球規模での熱エネルギー・物質の循環を正確に把握することが不可欠であるが、十分な知見があるとはいえないのが現状である。地球規模での物質循環を考えるとき、海洋の役割は非常に重要であり、海洋表層における光合成−二酸化炭素固定は地球全体の半分程度を担うと言われている。
【０００３】
しかし、それを正確に観測することは非常に困難である。現状での観測は、人工衛星の観測データからの推測と、採水・培養実験等で行われているが、人工衛星データからの推定には精度的に疑問が多く、採水・培養による観測では非常に多くの労力と専門知識・技術が必要になる。そこで、本願発明者らは、実際の海域において自動的にモニタリング観測を行う装置の開発を行っている。
【０００４】
ここで、関連する研究の状況について説明する。
【０００５】
クロロフィルａ、ひいては植物プランクトンの鉛直分布は非常に重要な情報であるが、採水・化学処理して観測する方法が既に確立されており、その方法が取られることが多い。採水せずに測定できる方法を探っている例としては、下記非特許文献１があるが、これはニューラルネットワークを用いた本発明とはかけ離れている。
【０００６】
また、ニューラルネットワークを用いてクロロフィル濃度を推定しようという試みは、非特許文献２によってなされているが、これは衛星観測用で、鉛直分布を求めるのでなく、広い範囲での水平分布を求めることを目的としており、本発明の特徴である照度消散係数は使用されていない。また、衛星で得られるデータからは、照度消散係数を求めることはできない。
【０００７】
【非特許文献１】
Ｊａｓｍｉｎｅ ｅｔ．ａｌ（２００１）Ａｍｅｒｉｃａｎ Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ Ｓｏｃｉｅｔｙ
【非特許文献２】
田中、（２００１）ニューラルネットワークを用いた海色リモートセンシング用水中アルゴリズムの開発研究、博士論文 東海大学、ｐｐ．９６
【０００８】
【発明が解決しようとする課題】
海洋における光合成−基礎生産を考える上で、海洋における生産者、つまり、植物プランクトンの量を把握することは必要不可欠である。植物プランクトンの量、濃度は光合成色素（葉緑素）であるクロロフィルａ濃度で表すのが一般的である。現在、海表面におけるクロロフィルａは人工衛星によって観測できるが、上述したように、精度の面で多少問題もあり、なにより海表面の観測を行うのみなので海中の植物プランクトンの量に関しては全く分からない。
【０００９】
また、クロロフィルａ濃度を採水して化学処理・測定する方法については、多くの知見が既にあり、比較的容易に正確に測定できるが、この方法には人手が必要であり、自動モニタリング装置には採用できない。また、植物プランクトンが光合成を行うときに発する蛍光を測定する方法もあるが、精度の面で満足できない。
【００１０】
そこで、本発明は、上記状況に鑑みて、近年各方面で利用されているニューラルネットワークシミュレーションをこの問題に適用し、観測誤差の影響を軽減しつつ、比較的簡易に正確なクロロフィルａ濃度の推定ができる水中分光照度からのクロロフィルａ鉛直分布の推定方法を提供することを目的とする。
【００１１】
【課題を解決するための手段】
本発明は、上記目的を達成するために、
〔１〕水中分光照度からのクロロフィルａ鉛直分布の推定方法において、水中の光の鉛直分布を分光的に測定できる測定器から、複数バンドの光の照度消散係数を計算し、この照度消散係数の鉛直分布と、別に採水・化学処理して測定したクロロフィルａとをニューラルネットワークシミュレーションを用いて比較し、相関関係を求め、この相関関係を用いて、自動観測される光の鉛直分布データからクロロフィルａの鉛直分布を算出することを特徴とする。
【００１２】
〔２〕上記〔１〕記載の水中分光照度からのクロロフィルａ鉛直分布の推定方法において、前記複数バンドは短波長側の５バンドであることを特徴とする。
【００１３】
〔３〕上記〔１〕記載の水中分光照度からのクロロフィルａ鉛直分布の推定方法において、前記相関関係を求める相関関係式の設定おいて、中間層を第１層と第２層の２層とすることを特徴とする。
【００１４】
〔４〕上記〔３〕記載の水中分光照度からのクロロフィルａ鉛直分布の推定方法において、前記第１層が４０ニューロン、前記第２層が１２ニューロンとすることを特徴とする。
【００１５】
【発明の実施の形態】
以下、本発明の実施の形態について詳細に説明する。
【００１６】
まず、水中分光照度からのクロロフィルａ鉛直分布の推定原理について説明する。
【００１７】
まず予め、光の鉛直分布を自動モニタリング装置で計測し、また別に、その場でのクロロフィルａ鉛直分布を採水・化学処理して測定しておく。次に、短波長側５波、つまり、４１２，４４３，４９０，５２０，５６５（ｎｍ）の光について、その照度消散係数（光の減衰率）を求め、この照度消散係数の鉛直分布とクロロフィルａ鉛直分布の相関関係を、ニューラルネットワークを用いて求める。
【００１８】
次に、データセットの作成について説明する。
【００１９】
実際の海洋において、下向き照度（下向きの光の強さ）Ｅｄ（μＥ／ｍ２ ／ｓ）と、クロロフィルａを観測する。このクロロフィルａは蛍光分析法などでできるだけ正確に測定する。採水して化学処理、測定する以上、全ての水深で測定することは困難であるが、できるだけ多くの水深での値を測定する。下向き照度を鉛直０．５〜１ｍ毎程度に測定することで、同程度の空間（鉛直）分解能の照度消散係数を得ることができる。
【００２０】
Ｅｄ１ ＝Ｅｄ２ ×ｅｘｐ（−Ｋ×ｄｚ）
ここで、Ｅｄ１ ：ある水深における下向き照度（μＥ／ｍ２ ／ｓ）
Ｅｄ２ ：別の水深における下向き照度（μＥ／ｍ２ ／ｓ）
ｄｚ：Ｅｄ１ とＥｄ２ の水深の差（ｍ）
Ｋ：照度消散係数
このように、照度を直接利用するのではなく、照度の比ともいえる照度消散係数を用いることにより、観測誤差、特に測定器のキャリブレーションや器差による影響を小さくすることができる。
【００２１】
上記した方法で、ある水深におけるクロロフィルａ（蛍光分析法などで測定）と、その水深における照度消散係数、季節、水深、その他条件下でのデータを収集し、ニューラルネットワーク学習用データセットとする。本発明では、約２年分の観測を基に、７０００程のデータで構成されるデータセットを用意した。
【００２２】
次に、ニューラルネットワークは、任意のパラメータ間の相関関係を自動的に推定し、モデル化するシミュレーションである。複数の入力パラメータと複数の出力パラメータの相関を求めることが一般的で、入力と出力の間を繋ぐ中間パラメータを設定することも多い。
【００２３】
図１は本発明の実施例を示すニューラルネットワークモデルの相関関係模式図である。
【００２４】
この図において、１は入力層、２は第１の中間層、３は第２の中間層、４は出力層を示している。
【００２５】
入力層１が５バンドの照度消散係数であり、出力層４がクロロフィルａ濃度となる。中間層は第１の中間層２を４０ニューロン、第２の中間層３を１２ニューロンに設定した。
【００２６】
図２はその各ニューロンでの処理を示す図である。
【００２７】
この図において、１１は入力値ｕ，ｕ１ 〜ｕ５ （前階層の出力値）、１２は重み付け定数ω，ω１ 〜ω５ 、１３はニューロン値ｖ〔Σ（ｕ×ω）〕、１４は出力値：１／（１＋ｅ−ｖ）シグモイド関数をかけたものであり、次の層への入力値となる。
【００２８】
ニューロンは、前層のニューロンの出力値ｕ１１に重み付け定数ω１２を掛け合わせた値の総和であるニューロン値ｖ１３を持つ。第１の中間層２なら５つの、第２の中間層３なら４０個の、出力層４なら１２個の総和となる。このニューロン値ｖ１３をシグモイドと呼ばれる関数にかけたものが、このニューロンの出力値ｕ１４であり、次層への入力値となる。この関係式で求めた出力値と、採水・化学処理して測定したデータセット中のクロロフィルａの値を比較し、より一致するように重み付け定数ω１２（この場合６９２個ある）を最適化する。様々な季節、水深、光の量などの条件下でのデータセットで比較を繰り返し、すべてに対してよりよく一致するような重み付け定数ω１２を探す。これがニューラルネットワークの概念である。なお、ここでは約２年分のデータをもとに相関関係を求めている。
【００２９】
なお、ニューラルネットワークシミュレーションには、ドイツのＳｔｕｔｔｇａｒｔ大学にて開発されたＳＮＮＳ（Ｓｔｕｔｔｇａｒｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｓｉｍｕｌａｔｏｒ）Ｖｅｒ．４．２を使用している。
【００３０】
前述した相関関係を式の形にすると、次のようになる。
【００３１】
Ｖ１ ＝Σ５ ｉ＝１ 〔ｕ（１，ｉ）×ω（ｉ）〕 …（１）
ｕ（２，ｊ）＝１／〔１−ｅｘｐ（Ｖ１）〕 …（２）
Ｖ２ ＝Σ４０ ｊ＝１ 〔ｕ（２，ｊ）×ω（６）〕 …（３）
ｕ（３，ｋ）＝１／〔１−ｅｘｐ（Ｖ２）〕 …（４）
Ｖ３ ＝Σ１２ ｋ＝１ 〔ｕ（３，ｋ）×ω（７）〕 …（５）
ここで、ｕ（１，５）：入力値 照度消散係数５波長分
Ｖ３ ：出力値 クロロフィルａ推定値
ω：重み付け定数
本発明は、海洋基礎生産計測システムに搭載される光センサーからのデータをもとに、採水・化学処理等を行うことなく、高精度のクロロフィルａ、ひいては植物プランクトン生物量を推定することができる。
【００３２】
したがって、ニューラルネットワークシミュレーションを用いたことで、通常では検出が困難な相関関係を推定できる。これにより、自動モニタリング装置のデータから簡便に比較的精度良くクロロフィルａを推定できる。
【００３３】
図３は本発明の方法で推定したクロロフィルａ濃度と、採水・化学処理して実測したクロロフィルａ濃度を比較した図である。この図において、横軸は実測したクロロフィルａ濃度（ｍｇ／ｍ３ ）、縦軸は本発明により推定したクロロフィルａ濃度（ｍｇ／ｍ３ ）を示している。
【００３４】
ここで、サンプル数は４５とした結果、相関係数は０．８４となった。
【００３５】
上記したように、本発明の推定方法は、水中の光の鉛直分布を分光的に測定できる測定器から、５バンドの光の照度消散係数（光の減衰率）を計算し、この照度消散係数の鉛直分布と、別に採水・化学処理して測定したクロロフィルａをニューラルネットワークシミュレーションを用いて比較し、相関関係を求めた。この相関関係を用いて、自動観測される光の鉛直分布データからクロロフィルａの鉛直分布を算出する。
【００３６】
特に、本発明は、測定した水中照度から得られるいろいろなデータの中で、照度消散係数を用いたことで、クロロフィルａの推定が可能になったのであり、また、測定誤差の軽減を図ることができる。
【００３７】
また、ニューラルネットワークシミュレーションを用いてクロロフィルａの鉛直分布を推定するという方法は始めてであり、比較的簡易に正確な推定ができる。
【００３８】
なお、本発明は上記実施例に限定されるものではなく、本発明の趣旨に基づいて種々の変形が可能であり、これらを本発明の範囲から排除するものではない。
【００３９】
【発明の効果】
以上、詳細に説明したように、本発明によれば、ニューラルネットワークを用いて比較的簡易で正確なクロロフィルａの推定ができる。
【図面の簡単な説明】
【図１】本発明の実施例を示すニューラルネットワークモデルの相関関係模式図である。
【図２】図１で示した各ニューロンでの処理を示す図である。
【図３】本発明の方法で推定したクロロフィルａ濃度と、採水・化学処理して実測したクロロフィルａ濃度を比較した図である。
【符号の説明】
１ 入力層
２ 第１の中間層
３ 第２の中間層
４ 出力層
１１ 入力値ｕ，ｕ１ 〜ｕ５ （前階層の出力値）
１２ 重み付け定数ω，ω１ 〜ω５
１３ ニューロン値ｖ〔Σ（ｕ×ω）〕
１４ 出力値：１／（１＋ｅ−ｖ）シグモイド関数をかけたもの
Claims (4)
- 水中の光の鉛直分布を分光的に測定できる測定器から、複数バンドの光の照度消散係数を計算し、該照度消散係数の鉛直分布と、別に採水・化学処理して測定したクロロフィルａとをニューラルネットワークシミュレーションを用いて比較し、相関関係を求め、該相関関係を用いて、自動観測される光の鉛直分布データからクロロフィルａの鉛直分布を算出することを特徴とする水中分光照度からのクロロフィルａ鉛直分布の推定方法。
- 請求項１記載の水中分光照度からのクロロフィルａ鉛直分布の推定方法において、前記複数バンドは短波長側の５バンドであることを特徴とする水中分光照度からのクロロフィルａ鉛直分布の推定方法。
- 請求項１記載の水中分光照度からのクロロフィルａ鉛直分布の推定方法において、前記相関関係を求める相関関係式の設定おいて、中間層を第１層と第２層の２層とすることを特徴とする水中分光照度からのクロロフィルａ鉛直分布の推定方法。
- 請求項３記載の水中分光照度からのクロロフィルａ鉛直分布の推定方法において、前記第１層が４０ニューロン、前記第２層が１２ニューロンとすることを特徴とする水中分光照度からのクロロフィルａ鉛直分布の推定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003090341A JP2004294380A (ja) | 2003-03-28 | 2003-03-28 | 水中分光照度からのクロロフィルａ鉛直分布の推定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003090341A JP2004294380A (ja) | 2003-03-28 | 2003-03-28 | 水中分光照度からのクロロフィルａ鉛直分布の推定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2004294380A true JP2004294380A (ja) | 2004-10-21 |
Family
ID=33403990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003090341A Withdrawn JP2004294380A (ja) | 2003-03-28 | 2003-03-28 | 水中分光照度からのクロロフィルａ鉛直分布の推定方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2004294380A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
| CN104569306A (zh) * | 2014-12-24 | 2015-04-29 | 中国科学院重庆绿色智能技术研究院 | 一种预判藻类种群演替和水华的方法 |
| CN115615936A (zh) * | 2022-12-05 | 2023-01-17 | 中关村睿宸卫星创新应用研究院 | 基于多源卫星数据计算内陆水域最大叶绿素指数的方法 |
-
2003
- 2003-03-28 JP JP2003090341A patent/JP2004294380A/ja not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
| CN104569306A (zh) * | 2014-12-24 | 2015-04-29 | 中国科学院重庆绿色智能技术研究院 | 一种预判藻类种群演替和水华的方法 |
| CN115615936A (zh) * | 2022-12-05 | 2023-01-17 | 中关村睿宸卫星创新应用研究院 | 基于多源卫星数据计算内陆水域最大叶绿素指数的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Brewin et al. | Regional ocean-colour chlorophyll algorithms for the Red Sea | |
| CN105303030B (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 | |
| KR20170112404A (ko) | 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 | |
| Varunan et al. | A model for estimating size-fractioned phytoplankton absorption coefficients in coastal and oceanic waters from satellite data | |
| Denis et al. | Microphytobenthic production estimated by in situ oxygen microprofiling: short-term dynamics and carbon budget implications | |
| Tiwari et al. | An optical algorithm to estimate downwelling diffuse attenuation coefficient in the Red Sea | |
| Espinosa-Calderon et al. | Description of photosynthesis measurement methods in green plants involving optical techniques, advantages and limitations | |
| Stanev et al. | The synergy of data from profiling floats, machine learning and numerical modeling: Case of the Black Sea euphotic zone | |
| JP2004294380A (ja) | 水中分光照度からのクロロフィルａ鉛直分布の推定方法 | |
| D'Alimonte et al. | A statistical index of bio-optical seawater types | |
| Dhakal et al. | Prediction of Egg's Freshness Using Backward Propagation Neural Network | |
| Sun et al. | Understanding optical absorption associated with phytoplanktonic groups in the marginal seas | |
| Lama et al. | Bulk Drag Predictions of Riparian Arundo donax Stands through UAV-Acquired Multispectral Images. Water 2021, 13, 1333 | |
| Petit | Developement and exploitation of new approaches for observation of phytoplankton community composition from BGC-Argo floats in open ocean | |
| Scardi | Neuronal network models of phytoplankton primary production | |
| Ioannou et al. | Neural network approach for the derivation of chlorophyll concentration from ocean color | |
| Yoshikawa et al. | Long-term monitoring of primary production in coastal waters by an improved natural fluorescence method | |
| Greenwood et al. | Seasonal and interannual variation of the phytoplankton and copepod dynamics in Liverpool Bay | |
| Zibordi et al. | Requirements and strategies for in situ radiometry in support of satellite ocean color | |
| Riha et al. | Remote sensing of cyanobacteria and green algae in the Baltic Sea | |
| Vervald et al. | Simultaneous determination of temperature and salinity of natural waters by Raman spectra using artificial neural networks data analysis | |
| CN108596379A (zh) | 一种预测陆地生态系统植物群落覆被的技术与装置 | |
| Zhanga et al. | Study on Dynamic Model of Marine Ecosystem Based on Chlorophyll Concentration Distribution | |
| Zhou et al. | Detection of chlorophyll content of rice leaves by chlorophyll fluorescence spectrum based on PCA-ANN | |
| Lakesh et al. | Spectral signatures identifying instrument on spectroscopic measurement technique for water quality monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20060606 |