基于神经网络技术的多因子遥感水深反演研究

发布时间：2017-05-28 09:13

  本文关键词：基于神经网络技术的多因子遥感水深反演研究，由笔耕文化传播整理发布。

【摘要】：海洋遥感是目前科学研究的一个热点方向,水深是近岸海域重要的地形要素,发展发展快速、准确的浅海测深方法无论对于经济开发还是对于军事、国防都有十分重要的意义。遥感测深技术由来已久,但近岸海水相对浑浊,属于II类水体,利用可见光探测水深的精度依赖于建立合适的水深反演模型并考虑多种水质因子的影响。本文利用HJ-1A多光谱CCD和HSI高光谱数据遥感数据进行了基于BP人工神经网络技术、考虑了多个水色影响因子的浅海水深反演研究。本文以大连近岸海域为研究区,首先,分析了遥感反演水深的机理;其次,研究了影响多光谱遥感水深反演的各种因素,概括出主要的影响因素,即:悬浮泥沙与叶绿素a,并根据实测数据分别建立了悬沙因子和叶绿素因子模型;再次,利用SPSS建立了单波段线性回归模型,利用Matlab的神经网络工具箱分别编程直接构建了水深反演模型和在网络输入端加入悬沙参数因子与叶绿素参数因子再构建水深反演模型两种模型;最后,通过比较水深反演值和实测数据,对三种模型算法的性能进行了对比分析。本文研究结果表明,BP人工神经网络因其良好的自组织、自学习能力、非线性性等优势,构建水深反演模型精度明显优于线性的回归建模,而加入了水色影响因子后,水深反演的精度又得到进一步的提高。
【关键词】：水深反演 神经网络 悬浮泥沙 叶绿素
【学位授予单位】：中国石油大学(华东)
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：P229;P237
【目录】：

• 摘要4-5
• abstract5-9
• 第一章 绪论9-16
• 1.1 研究背景9
• 1.2 研究目的与意义9-10
• 1.3 国内外研究现状10-13
• 1.3.1 水深遥感探测研究现状10-12
• 1.3.2 水色遥感监测的研究现状12-13
• 1.3.3 研究现状分析13
• 1.4 论文主要研究内容13-14
• 1.5 论文的组织结构14-16
• 第二章 遥感水深反演概述16-24
• 2.1 遥感的理论基础16-19
• 2.1.1 遥感探测水深的基本原理16-17
• 2.1.2 理论模型和方法17-19
• 2.2 海水的光谱特性19-23
• 2.2.1 纯海水的光谱特征20
• 2.2.2 叶绿素a的光谱特征20-21
• 2.2.3 悬浮物的光谱特性21-22
• 2.2.4 海底特性22-23
• 2.3 小结23-24
• 第三章 数据准备与预处理24-35
• 3.1 研究区及实验数据介绍24-26
• 3.1.1 研究区概况24
• 3.1.2 数据来源24-26
• 3.2 HJ-1A/B卫星及其传感器介绍26-27
• 3.3 HJ-1 卫星数据预处理27-34
• 3.3.1 数据读取27-29
• 3.3.2 辐射定标29-30
• 3.3.3 FLAASH大气校正30-31
• 3.3.4 几何校正31-32
• 3.3.5 HSI高光谱影像镶嵌32-33
• 3.3.6 水陆分离33-34
• 3.4 小结34-35
• 第四章 数据处理及影响因子确定35-44
• 4.1 水深反演因子35-36
• 4.2 泥沙因子36-38
• 4.2.1 悬沙浓度与光谱反射率的相关分析37-38
• 4.2.2 泥沙参数模型确立38
• 4.3 叶绿素因子38-42
• 4.3.1 基于CCD多光谱数据构建叶绿素a反演模型39-40
• 4.3.2 基于HSI高光谱数据构建叶绿素a反演模型40-42
• 4.3.3 HSI与CCD模型精度比较42
• 4.4 海底底质42-43
• 4.5 小结43-44
• 第五章 基于人工神经网络的遥感水深反演44-55
• 5.1 人工神经网络简介44-46
• 5.2 Matlab下BP神经网络建模46-53
• 5.2.1 BP神经网络的设计47-49
• 5.2.2 数据预处理49-50
• 5.2.3 训练神经网络50-51
• 5.2.4 神经网络反演结果51-53
• 5.3 模型精度检验与对比分析53-54
• 5.3.1 模型精度检验指标53-54
• 5.3.2 模型精度对比分析54
• 5.4 小结54-55
• 结论与展望55-57
• 1 结论55
• 2 展望55-57
• 参考文献57-63
• 攻读硕士学位期间的主要研究成果63-64
• 致谢64

【相似文献】

中国期刊全文数据库 前10条

1 刘彩红;唐万梅;;基于组合神经网络的教师评价模型研究[J];重庆师范大学学报(自然科学版);2008年04期

2 钟义信;;神经网络:成就、问题与前景[J];科学;1992年02期

3 莫恭佑;;神经网络及其在英国的应用[J];国际科技交流;1992年03期

4 闵志;;神经网络:使计算机具有快速学习功能[J];国际科技交流;1992年03期

5 冯建峰,钱敏平;神经网络中的退火——非时齐情形[J];北京大学学报(自然科学版);1993年03期

6 唐功友;离散Hopfield神经网络的稳定性[J];青岛海洋大学学报;1994年S2期

7 靳蕃;;中国神经网络学术大会在西南交通大学隆重召开[J];学术动态报道;1996年04期

8 彭宏,张素;带有时滞的神经网络的稳定性[J];杭州大学学报(自然科学版);1997年04期

9 陈新,孙道恒,黄洪钟;结构分析有限元系统与神经网络[J];起重运输机械;1999年06期

10 成宇;神经网络是怎么搭建的?[J];百科知识;2005年16期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 曾U喺，

本文编号：402354