基于软计算的海洋水色遥感反演

发布时间：2020-06-20 05:57

【摘要】：海洋水色遥感反演本质上是一种病态的(解的稳定性与唯一性不成立)、不确定的(难以或无法建立精确的物理和扰动模型)和非线性的问题,采用传统的建模和“正演+优化”两类反演方法常常难以取得较好的反演结果,尤其是对光学特性比较复杂的沿岸水体。传统建模方法中,分析或半分析方法的反演结果受理论、方程求解和参数测定等方面的诸多限制,而经验算法的主要困难则在于表观光学量与海水成分浓度之间的非线性关系,在缺乏先验知识的情况下,其统计关系式的获取常常依赖于对各种波段组合的大量试验,所建立的经验算法不具备全局性,而且容易造成信息的丢失。对传统的“正演+优化”方法而言,其中一个主要不足在于它所采用的局部优化方法,因为水色反演的目标函数是一个多峰的、不连续的函数,局部优化方法无法保证算法能收敛到全局最小,如果落入局部极值,反演结果可能很差,甚至没有物理意义。近年来发展起来的软计算信息处理方法可以克服上述传统海洋水色反演方法所遇到的困难。本文对此进行探讨,主要内容包括利用软计算中的两种建模和一种优化方法来实现海洋水色遥感反演。第一种建模方法为人工神经网络模型。应用SeaBAM 全球实测数据集,建立从遥感反射率反演海水叶绿素浓度的多层前馈神经网络模型。对多种快速学习算法进行试验比较,从中确立Levenberg-Marquardt 算法来训练网络。为提高算法的推广能力,将Bayes 正规化方法应用于网络的学习过程。反演结果显示,与NASA 所采用的SeaBAM 统计算法相比,神经网络模型的反演值在叶绿素浓度约小于0.03mg/m3的很小范围内有些偏高,在叶绿素浓度的其它区间精度较高,在二类海水区域则明显好于SeaBAM 统计算法。总体而言,神经网络模型的反演结果优于SeaBAM 统计算法。与经验统计算法相比,神经网络模型的好处是可以直接有效地利用各波段辐射所携带的海洋水色信息,可以在包括二类海水区域等各种环境条件下取得较好的反演结果,是一种具有普遍意义的叶绿素浓度反演方法。第二种建模方法为人工神经网络与模糊推理系统的一种融合模型——基于自适应网络的神经模糊系统(ANFIS)。这是一种在模糊模型中采用神经网络学习方法作为工具从而提高自适应性的一种新的建模方法。它也可作为一种具有普遍意义的遥感反演的非线性传递函数,同时又克服了神经网络模型在知识利用与表达、初始参数的选取、结构的自动辨识等方面所遇到的困难。反演结果表明,神经模糊系统的学习效率明显高于神经网络,总体反演精度可与采用Bayes 正规化和Levenberg-Marquardt 法训练的神经网络模型相比拟。反演结果以模糊规则表
【学位授予单位】：青岛海洋大学
【学位级别】：博士
【学位授予年份】：2001
【分类号】：P714.1
【图文】：

模型图,神经元结构,模型,偏置

一个非线性激活函数 f (也称为激励函数，激发函数或传递函数)，如阈值Sigmoid 函数和双曲正切函数等，它将神经元的输出幅度限制在一定范围内或(-1,1))。包括一个阈值kθ (或偏置项kkb = θ)。述神经元模型的数学描述为：∑== njijijiIx1ω θ()iiy = fI起见，可增加一维输入的维数，把偏置项θi也看作一个输入，此时上式变成∑==njijijIx0ω ,100= x=iiω θ

前馈网络

各神经元接受前一层输入，并将结果输出到下一层，没有反馈（图2.2）。前馈网络的结点（神经元）可分为两类，即输入单元和计算单元。每一计算单元可以有多个输入，但只有一个输出，其输出可以耦合到任意多个其它结点作为它们的输入。通常前馈网络可分为不同的层，第 i 的输入只与第 i-1 层的输出相连。输入输出层的结点可直接与外界相联，因此称为可见层，而中间层与外界无直接联系，通常称为隐含层。前馈网络主要功能是函数映射，因此在遥感研究中用于提取环境参数的主要为此类网络。图 2.2 前馈网络结构对反馈型网络而言，所有结点都是计算单元，同时可接受输入又可向外界输出。反馈网络按对能量函数极小点的利用可分为两类：其一，能量函数的所有极小点都起作用，主要用作各种联想存储器；其二，只利用全局极小点，主要用于求解最优化问题。这种网络的动态特性由非线性常微分方程组或差分方程组描述。人工神经网络具有向环境学习从而改善自身性能的能力。学习的本质在于神经元模型之间的可塑性连接，而如何调整连接权值构成不同的学习算法。人工神经网络按学习方式可分为有监督学习、无监督学习和再励学习三大类。监督学习又称为有教师学习，即根据已知输入输出样本集调节系统参数，如用于遥感参数反演的 BP 网络等。非监督学习又称为无教师学习，即训练数据集中只有输入而没有目标输出，学习系统完全按照环境数据的某些统计规律来调节自身参数或结构，以表示外部输入的某种固有特性，如自适应谐振理论(ART)等。再励学习又称强化学习，即外部环境只评价（奖或罚）系统的输出结果，学习系统通过强化那些受奖励的动作来?

【引证文献】