|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于遥感的内陆水体水质监测研究进展显示文摘从遥感数据、反演方法和水质参数三方面综述了水质遥感监测的研究进展,介绍了国内外常用遥感数据,对比了分析法、经验法、半经验法、机器学习和综合法五种反演方法的优缺点,总结了叶绿素a、悬浮物、有色可溶性有机物等光敏参数和化学需氧量、生化需氧量、总磷和总氮等非光敏参数的研究进展。目前内陆水体水质遥感监测在卫星传感器的针对性、反演算法的时空局限性、水质参数光谱特征的复杂性、大气校正的精确性和特殊类型水体的水质监测等方面还存在问题;指出未来水质遥感监测应围绕新型遥感数据、通用反演模型、不同光谱特征、精确大气校正和特殊水体分类等方面开展。 | 王波 黄津辉 郭宏伟 许旺 曾清怀 麦有全 祝晓瞳 田上 | 2022 | 水资源保护2022，38，3： | 22 |
| 2 | 基于梯度提升决策树算法的鄱阳湖水环境参数遥感反演显示文摘鄱阳湖是中国第一大淡水湖和国际重要湿地,对区域经济发展和生态文明建设都具有非常重要的作用。近年来受气候变化及流域经济发展影响,其水质持续逼近轻度富营养,局部水华发生风险较高。为保护鄱阳湖水生态环境,探索适用于鄱阳湖的大尺度水质遥感监测方法至关重要。文章以鄱阳湖为实验区域,结合2018年7月和2019年8月两次鄱阳湖丰水期的实测水质数据和'高分一号'卫星影像,基于梯度提升决策树算法构建水质参数反演模型,反演了高锰酸盐指数、总磷、总氮、透明度、叶绿素a、悬浮泥沙等6种水质参数。对反演算法的输入波段和参数配置进行了调试与优化,以均方根误差和决定系数作为精度评价指标,测试了该算法对各水质参数反演的精度和速度,结果表明,梯度提升决策树算法反演各水质参数的精度较高且速度较快,对多数水质参数反演的决定系数在0.8以上,具有实用价值,能够实现对内陆复杂水体水质的高精度遥感监测。 | 李怡静 孙晓敏 郭玉银 刘发根 周冠华 徐崇斌 刘亮 | 2020 | 航天返回与遥感2020，41，6： | 11 |
| 3 | 基于Softmax分类器的小春作物种植空间信息提取显示文摘[目的]使用浅层机器学习分类方法和多光谱遥感影像快速准确提取研究区小春作物(油菜、小麦)种植空间信息。[方法]选择研究区小春作物识别最佳时期的Sentinel 2A MSI多光谱影像,融合得到10 m分辨率影像,然后降尺度生成15、20、30 m分辨率影像,结合地面调查数据,建立油菜、小麦、林地、居民地、水体等典型地物感兴趣区,训练Softmax分类器,基于不同空间分辨率影像提取油菜、小麦种植空间信息。[结果]①基于Softmax分类器和10 m分辨率融合影像的小春作物分类总体精度为90.02%,Kappa系数为0.8344,其中油菜生产者精度和用户精度分别为93.14%、91.42%,小麦的分别为87.93%,98.09%;②Softmax法的小春作物分类精度随影像空间分辨率下降而降低,15、20、30 m分辨率影像的分类精度较10 m的分别下降9.80%、12.04%和13.04%,Kappa系数依次减少0.1538,0.1873和0.2088;③15、20、30 m分辨率影像的油菜分类精度较小麦的低,影响因素为油菜花期和种植地块破碎分散。[结论]Softmax分类器在10~30 m中高分辨率影像小春作物分类中具备较高的精度,可作为常规方法应用于业务化的作物监测工作。 | 蒋怡 黄平 董秀春 李宗南 王昕 魏来 邱金春 | 2019 | 西南农业学报2019，32，8： | 10 |
| 4 | 基于冠层光谱特征的长绒棉叶绿素含量估算显示文摘探索了利用高光谱技术估算长绒棉叶片叶绿素含量的可行性,并野外测定了长绒棉的光谱数据和叶绿素含量,对光谱数据进行求一阶微分和包络线去除处理,然后构建了4种常见的植被指数与3种优化光谱指数。根据相关性分析,利用支持向量机(SVM)回归模型估算长绒棉叶片叶绿素含量。结果表明,在530~560 nm、700~750 nm波段范围内,叶绿素含量与光谱反射率呈负相关,一阶微分光谱相关性通过0.01显著性水平检验波段数最多;基于一阶微分建立SVM估算长绒棉叶绿素含量模型,决定系数达到了0.72,均方根误差和相对误差分别为1.99、0.72,其预测精度高于植被指数和优化光谱指数构建的SVM模型。该研究结果可为快速检测长绒棉叶绿素含量提供参考。 | 安赛日丁·艾尔肯 买买提·沙吾提 李金朝 | 2022 | 激光与光电子学进展2022，59，5： | 5 |
| 5 | 基于高光谱的油菜叶片SPAD值估测模型比较显示文摘【目的】比较基于高光谱参数的油菜叶片SPAD值估算模型效果。【方法】在分析光谱反射特征和光谱参数与SPAD值相关性的基础上,利用光谱特征参数优选并构建了偏最小二乘回归(PLSR)、传统反向传播神经网络(BPNN)、支持向量回归(SVR)和深度学习神经网络(DNN)等模型对叶片样本叶绿素SPAD值进行估测。【结果】①叶片原始光谱与叶片SPAD值在425~495 nm的蓝波、665~680 nm的红波区域呈现微弱正相关,与红边波段均呈现负相关,并在510~650 nm的绿、黄波段和690~735 nm的红边波段显著负相关;②与叶片SPAD值显著线性相关的SDb与SDy、CARI与MCARI、CI与NDVI705等三组光谱特征的组内参数具有一定的可替代性,而且有助于提高SPAD模型预测精度;③基于高光谱参数的深度学习DNN模型决定系数R2为0.93,RPD为3.92,具有较高的预测能力,SVR模型次之,PLSR和BPNN模型效果一般。【结论】油菜叶片光谱参数之间存在不同程度的相关性,基于机器学习的非线性估计模型具有较高的稳定性和预测能力,深度学习算法在油菜叶片叶绿素SPAD值估测方面具有更好的估测能力。 | 王克晓 周蕊 李波 欧毅 黄祥 虞豹 | 2021 | 福建农业学报2021，36，11： | 5 |
| 6 | 哈萨克斯坦北部小麦遥感估产方法研究显示文摘以哈萨克斯坦北部雨养耕作区为研究靶区,基于春小麦产量统计数据和遥感光谱指数,开展了春小麦估产最优预测时期及植被指数分析,采用回归分析、随机森林、支持向量机及双向循环神经网络模型估算春小麦产量,并对比分析了不同模型的模拟精度。结果表明:北哈萨克斯坦州、阿克莫拉州和库斯塔纳州2007-2016年春小麦估产的最佳预测时期为6月26日-8月5日,该时期是春小麦产量形成的关键时期。北哈萨克斯坦州春小麦估产最优植被指数为7月12日的绿度叶绿素指数(Green chlorophyll index,CI_(green)),阿克莫拉州春小麦估产最优植被指数为8月5日的绿度动态宽波段指数(Green wide dynamic range vegetation index,WDRVI_(green)),库斯塔纳州春小麦最优估产植被指数为7月12日的WDRVI_(green)。对比分析4种模型模拟春小麦产量的精度,在样本点较少的情况下,双向循环神经网络模型相比其他模型在估算哈萨克斯坦北部三州春小麦产量上精度较高;春小麦产量与植被净初级生产力NPP相关性分析结果显示,北哈萨克斯坦州、阿克莫拉州和库斯塔纳州决定系数R2在0.50以上面积占比分别为44%、94%和77%,表明上述估产模型可应用于哈萨克斯坦北部三州春小麦估产,尤其是阿克莫拉州和库斯塔纳州。 | 尹瀚民 古丽·加帕尔 于涛 Jeanine UMUHOZA 李旭 | 2022 | 干旱区地理2022，45，2： | 4 |
| 7 | 基于特征选择和机器学习的阳澄湖叶绿素a遥感反演研究显示文摘利用2016—2020年Sentinel-2多光谱遥感影像和同步实测叶绿素a浓度数据,提出了一种基于特征选择和机器学习的叶绿素a遥感反演方法,并应用于阳澄湖。结果表明,特征选择方法在反演模型的自变量选取上具有较好的应用效果,基于此建立的随机森林模型在阳澄湖叶绿素a反演上具有较优的验证精度;2016—2020年阳澄湖叶绿素a浓度总体呈上升趋势,2018年浓度有所降低;阳澄东湖叶绿素a浓度相对较低,叶绿素a浓度高值区集中分布于阳澄西湖中部和北部,入湖河道带来的营养盐可能是引起该区域叶绿素a浓度升高的主要原因。 | 吴志杰 董世元 何炜琪 郭忆 李花 卢仁杰 薛媛媛 | 2022 | 环境监测管理与技术2022，34，1： | 2 |
| 8 | 基于大数据分析技术的数据安全与机器学习显示文摘在数据时代背景下,信息数据安全问题是当前所要解决的难题之一。大数据分析技术在带来便利的同时,也存在一些安全问题。特别是在信息技术快速发展的背景下,我国战略资源也在不断增多,要想保证具体数据信息的安全性,要在大数据分析技术的基础上,对数据安全和机械学习的特点进行分析,从而有效解决数据安全等问题,保证大数据分析技术在社会发展中的有效应用。 | 王成 | 2020 | 新一代信息技术2020，3，19： | 1 |
| 9 | 突发性水污染事故预警体系建设综述显示文摘随着流域水污染事件的频发,突发性水污染事故预警平台的科学建设成为流域应急管理的重要内容。基于预警平台数据感知层、数据管理层、业务感知层的总体架构,综述了国内外突发性水污染事故预警平台的建设现状。从水质监测技术、突发事故预警模型、预警平台整体构建4个方面分析了近年来突发性水污染事故预警平台的研究进展与不足,以期为流域突发性水污染预警系统的建设提供参考。 | 杨慧慧 谢红玉 赵丁 苏智 贾滨洋 | 2022 | 环境监控与预警2022，14，1： | 1 |
| 10 | 人工智能在湖泊水情监测研究中的应用显示文摘随着信息技术的发展,人工智能(Artificial Intelligence)已被广泛应用到各个领域,随后问世的机器学习,推动了人工智能的大跨步发展。我国是一个水资源大国,改革开放以来,我国经济的快速发展和城镇化的快速推进,人们的生活和生产对湖泊水环境造成了很多不可逆的影响,湖泊面积萎缩,湖泊水资源污染,富营养化严重,有关湖泊水环境的研究成为国内外研究的热点,有必要对湖泊水资源质量监控做深入的研究,从根源保护湖泊水生态环境不受破坏。本文阐述了机器学习在各个领域的应用现状,介绍了湖泊水质和水温目前的研究现状,分析了遥感技术和人工智能手段在其探究领域的发展,指出机器学习方法已被广泛运用到湖泊水质的预测模型中,但在水温预测方面较为缺乏。 | 杨家莹 | 2021 | 南方农机2021，52，7： | 1 |
| 11 | 基于Metropolis准则的BP模型改进及在太湖Chl-a预测中的应用显示文摘水体富营养化及藻华暴发已成为湖泊治理中的主要问题,利用历史监测数据,采用BP神经网络对水体中叶绿素a(Chl-a)浓度进行预测,已成为藻华预警的主要手段。但该方法存在迭代速度慢、易陷入局部极值等局限性,导致产生拟合结果不优或预测误差较大等问题。利用Metropolis接受准则的全局寻优能力,将其与BP神经网络相结合构建MBP模型,并以太湖水体中Chl-a月均浓度为预测对象进行验证模拟。结果表明,基于2009—2016年太湖月平均相关水环境数据训练出的MBP模型,相较于传统BP神经网络具有以下特点:1)权值在迭代过程的初始阶段能更快地收敛于较优值,模型拟合效果与预测精度也有所提升;2)针对不同的数据情况(数据噪声与样本数量),MBP模型的平均预测误差较传统BP神经网络明显降低,具有较强的鲁棒性与稳定性。构建的MBP模型进一步拓展了传统BP神经网络在叶绿素a浓度预测模型中的应用。 | 冯家成 李勇 李娜 单雅洁 钱佳宁 | 2022 | 环境工程2022，40，1： | 1 |
| 12 | 基于环境减灾二号A/B卫星HSI数据的太湖叶绿素遥感监测研究显示文摘叶绿素a(Chl-a)是湖泊富营养化和初级生产力评价的关键指标。在传统地面观测受限于时空尺度的问题下,高光谱遥感为光学特性复杂的内陆湖泊监测提供了新的思路。文章针对环境减灾二号A/B卫星高光谱成像仪(HJ-2A/B HSI)数据的湖泊叶绿素定量监测能力问题,选择太湖为研究区域,结合地面同步观测数据和准同步的哨兵-2(Sentinel-2)卫星多光谱(MSI)数据,系统评估了HJ-2A/B HSI数据的遥感反射率数据质量,构建了太湖叶绿素HJ-2A/B HSI遥感反演模型。模型的平均绝对百分比误差(MAPE)为37.5%,均方根误差(RMSE)为0.0078 mg/L,HJ-2A/B HSI与Sentinel-2 MSI影像提取的叶绿素浓度整体空间趋势基本一致。结果表明:HJ-2 HSI可为内陆湖泊叶绿素及其它水质参数的遥感定量监测提供有效的数据支撑,并仍可在辐射数据质量、大气校正等方面进行进一步的优化,以满足水环境遥感业务化监测的应用需求。 | 殷守敬 周亚明 孟斌 王楠 李建 | 2022 | 航天器工程2022，31，3： | 1 |
| 13 | 基于最小二乘原理的太湖叶绿素a反演显示文摘针对太湖水质富营养化、水华现象时常发生且难以实时快速监测等问题,文中基于最小二乘原理的6种函数拟合模型(linear、quadratic、exponential、geometric、hyperbolic、logsquare),应用Landsat卫星影像的波段比值和归一化差值叶绿素a指数,结合同时期太湖实测叶绿素a浓度进行反演和验证,通过精度对比,筛选最佳拟合模型,并将模型应用于同季度2009年、2010年、2015年、2020年的4幅影像中进行太湖叶绿素a反演,对比分析太湖富营养化水域的时空变化特征。结果表明:应用最小二乘原理的quadratic函数模型,拟合遥感影像第4波段与第2波段反射率归一化差值和实测值的效果最佳,反演和验证的均定系数分别为0.883 3、0.827 9。2019年太湖水域严重富营养区域占比5.30%,所占面积为123.92 km^(2),其余均为富营养区域。模型应用于2010年、2015年、2020年进行反演可得严重富营养区域占比分别为6.38%、2.49%、4.60%,所占面积分别为149.16 km^(2)、58.19 km^(2)、107.49 km^(2),其余均为富营养区域。 | 苑春雨 刘昌华 | 2023 | 黑龙江工程学院学报2023，37，3： | 0 |
| 14 | 孝感澴东湖泊叶绿素浓度的遥感反演研究显示文摘以孝感市澴东湖为研究区,采集69个澴东湖水样,测定水体叶绿素a含量,利用相近时段的landsat 8 OLI影像与实测叶绿素a浓度数据,建立叶绿素a浓度定量反演模型,通过该模型预测整片湖水体中的叶绿素a浓度。结果表明:王母湖模型为[Chl-a]=48.507(B5/B4)-8.5165(R 2=0.652),野猪湖模型为[Chl-a]=23.779(B5/B4)-2.101(R 2=0.6941),童家湖模型为[Chl-a]=71.921(B5/B4)+1.0834(R 2=0.6652)。经检验,此模型结果较为理想,三者实测点与预测点的R 2分别为0.9117、0.9203、0.957,反演数据与实测数据相差不大。以王母湖、野猪湖、童家湖的遥感模型制作3个湖泊的叶绿素a浓度分布图与叶绿素a超标浓度分布图,结果显示出澴东湖泊叶绿素a浓度具体情况,其中王母湖、野猪湖超标面积较小,童家湖周边区域大面积超标。 | 孙新丰 池圣慧 王有宁 李嘉旭 | 2022 | 湖北工程学院学报2022，42，6： | 0 |
| 15 | 基于Sentinel-2卫星遥感影像的巢湖及南淝河叶绿素a浓度反演显示文摘叶绿素a是反映水生态环境污染状况的重要指标,定量反演叶绿素a浓度有助于及时监测水体营养状态变化,对富营养化水体治理具有重要意义。以巢湖及南淝河支流下游为研究区域,利用Sentinel-2卫星遥感数据源,构建其叶绿素a浓度反演模型,探究叶绿素a浓度的时空变化规律。结果显示,构建的深度神经网络(DNN)模型反演精度较高(R^(2)=0.96,MRE=31.62%,RMSE=24.4μg/L)。通过分析减少训练样本量对DNN模型精度的影响,发现训练样本较少时,模型仍具有较高的精度;根据其精度的敏感模型训练样本个数,将训练集按组等分,模型呈现较好的稳定性并具有一定的适用性。分析表明,研究区叶绿素a浓度在时间上呈现夏秋季上升、春冬季下降的规律,在空间上呈现湖区西高东低、局部近岸区分布较高的特点。 | 孙世举 徐浩 吴艳兰 吴鹏海 杨辉 | 2023 | 水生态学杂志2023，44，5： | 0 |
| 16 | Estimation of Chlorophyll-a Concentration in Lake Taihu from Gaofen-1 Wide-Field-of-View Data through a Machine Learning Trained Algorithm显示文摘Wide-field-of-view(WFV) imager that observes the earth environment with four solar reflective bands in a spatial resolution of 16 m is equipped on board Gaofen-1(GF-1) satellite. Chlorophyll-a(Chl-a) concentration in Lake Taihu, China from 2018 to 2019 is collected and collocated with GF-1 satellite data. This study develops a general and reliable estimation of Chl-a concentration from GF-1 WFV data under turbid inland water conditions. The collocated data are classified according to season and used in random forest(RF) regression to train models for retrieving the lake Chl-a concentration. A composite index is developed to select the most important variables in the models. The models trained for each season show a better performance than the model trained by using the whole year data in terms of the coefficient of determination(R^(2)) between retrievals and observations. Specifically, the R2 values in spring, summer, autumn, and winter are 0.88, 0.88, 0.94, and 0.74, respectively;whereas that using the whole year data is only 0.71. The Chl-a concentration in Lake Taihu exhibits an obvious seasonal change with the highest in summer, followed by autumn and spring, and the lowest in winter. The Chl-a concentration also displays an obvious spatial variation with season. A high concentration occurs mainly in the northwest of the lake. The temporal and spatial changes of Chl-a concentration are almost consistent with the changes in the areas and times of cyanobacteria blooms based on Moderate Resolution Imaging Spectroradiometer(MODIS) data. The proposed algorithm can be operated without a priori knowledge on atmospheric conditions and water quality. Our study also demonstrates that GF-1 data are increasingly valuable for monitoring the Chl-a concentration of inland water bodies in China at a high spatial resolution. | Xin HANG Yachun LI Xinyi LI Meng XU Liangxiao SUN | 2022 | Journal of Meteorological Research2022，36，1： | 0 |
| 17 | 基于Sentinel-2影像的横山水库叶绿素a反演算法研究显示文摘针对横山水库叶绿素a参数仅采用固定站点监测,而无本地化的遥感反演算法的现状,基于Sentinel-2遥感影像和自动站点监测数据,运用相关分析法选取最佳反演波段,以此建立经验模型、BP神经网络模型和随机森林模型3种反演方法。结果表明:不同波段组合中,B8、B5/B4、(B5-B4)/(B5+B4)与自动站点监测的叶绿素a浓度值相关系数最大;构建的随机森林模型平均绝对误差1.09、均方根误差1.335、决定系数0.94,均优于另外两种模型,更加适合基于Sentinel-2影像的横山水库叶绿素a浓度反演。 | 李小勇 黄鹏 孙武 范春波 游林 | 2023 | 水利科学与寒区工程2023，6，11： | 0 |
| 18 | 基于光谱特征的闽江干流叶绿素a遥感反演显示文摘城乡化发展与基础设施建设滞后之间矛盾的深入导致面源污染和工业废水排放对于闽江水质造成了一定影响,因而对闽江叶绿素a进行实时监测及污染物迁移动态监测,是闽江水质治理的关键步骤。文章基于四年实测光谱及水质数据,通过闽江干流实测水体光谱特征分析以及遥感影像敏感波段分析,确定了闽江干流丰、枯水期叶绿素a光谱特征存在差异,并利用多元回归及机器学习分别构建了丰、枯水期闽江干流叶绿素a浓度反演模型,通过精度验证确定了丰、枯水期叶绿素a的最佳遥感反演模型。 | 武爽 冯险峰 陈点点 陈振 陈芸芝 | 2022 | 遥感信息2022，37，3： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员