渤海近岸浑浊水体GOCI影像神经网络大气校正研究
发布时间：2024-01-29 19:31
水色遥感是根据水体在可见光波段的吸收反射光谱特性与水色要素指标浓度之间的关系建立反演算法,探测水色参数；根据反演的水色参数数据进行大范围的水质监测,跟踪水体污染事件的动态发展过程,研究全球变化等。按照水体光学特性的不同可把水体划分为I类水体(case Ⅰ water)和Ⅱ类水体(case Ⅱ water)。大洋开阔水体是典型的I类水体,其水体光学特性主要由浮游植物及其伴生生物决定的,目前已有业务化、成熟的算法来反演水色要素浓度;Ⅱ类水体主要位于海岸带河口等受陆源物质影响较严重的区域,水体光学特性主要受悬浮物和黄色物质决定,复杂多变且具有区域性特点,其水色遥感参数的高精度反演是业务化应用的关键,也是水色遥感领域的重点和难点。 由于I类水体和Ⅱ类水体的光学特性存在明显差别,在Ⅱ类水体区域沿用I类水体的大气校正算法会导致气溶胶贡献值的高估,从而导致大气校正的失败。我国渤海地区在韩国的GOCI卫星覆盖之下,该区域有着质量较高的GOCI数据产品。但由于渤海近岸为高浑浊水体,利用GOCI官方数据处理软件GDPS采用的光谱匹配浑浊水体大气校正算法在该区域存在大面积大气校正处理失败的问题。针对此问题,...
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 水色遥感大气校正研究现状
1.2.2 BP神经网络算法的研究现状
1.3 研究的目的内容和组织结构
1.3.1 研究目的
1.3.2 研究内容
1.3.3 组织结构
1.4 研究方案
1.4.1 前期资料收集与整理
1.4.2 数据处理与分析
1.4.3 综合分析研究
2 MODIS和GOCI水色遥感大气校正理论基础
2.1 水色遥感辐射传输原理
2.1.1 水体的组分
2.1.2 Ⅰ类水体与Ⅱ类水体
2.1.3 水色遥感
2.1.4 水色遥感大气校正
2.2 MODIS数据的SWIR-NIR大气校正
2.2.1 MODIS中分辨率成像光谱仪数据
2.2.2 MODIS SWlR-NIR大气校正
2.3 GOCI影像标准业务化大气校正
2.3.1 GOCI数据
2.3.2 GOCI大气校正
3 COMS GOCI神经网络大气校正研究
3.1 研究区域概况
3.2 数据的来源与预处理
3.2.1 遥感影像数据
3.2.2 实际观测数据
3.3 神经网络大气校正处理
3.3.1 MODIS与GOCI典型数据信息采集
3.3.2 BP神经网络大气校正模型与处理
4 算法结果与讨论
4.1 神经网络大气校正空间分布结果分析
4.1.1 基于MODIS NIR-SWIR1240nm波段三种算法大气校正结果空间分布
4.1.2 基于MODIS NIR-SWIR1640nm波段三种算法大气校正结果空间分布
4.1.3 GOCIANN算法对GOCI标准算法和MODISNIR-SWIR改进结果分析
4.2 神经网络大气校正绝对精度分析
4.2.1 实测值与神经网络大气校正值相对误差分析
4.2.2 神经网络大气校正值与实测值数值分布与变化趋势分析
4.3 GOCI ANN1240NM与GOCI ANN1640NM大气校正结果的差异
4.3.1 GOCI ANN1240nm与GOCI ANN1640nm大气校正值相对误差分析
4.3.2 GOCI ANN1240nm与GOCI ANN1640nm大气校正结果比较
4.4 精度影响因素分析
4.4.1 误差分析
4.4.2 不确定性因素分析
5 结论与展望
5.1 结论
5.2 本文的特色与创新
5.3 问题与不足
5.3.1 多水色参数的使用
5.3.2 水色要素反演
5.3.3 高时空变异度水体光学特性现场同步观测
5.3.4 传感辐射特性和波段差异未予考虑
5.3.5 神经网络模型采样建模数据和输入影像数据季节差异
参考文献
个人简历
攻读学位期间发表的学术论文
致谢
本文编号：3888708
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 水色遥感大气校正研究现状
1.2.2 BP神经网络算法的研究现状
1.3 研究的目的内容和组织结构
1.3.1 研究目的
1.3.2 研究内容
1.3.3 组织结构
1.4 研究方案
1.4.1 前期资料收集与整理
1.4.2 数据处理与分析
1.4.3 综合分析研究
2 MODIS和GOCI水色遥感大气校正理论基础
2.1 水色遥感辐射传输原理
2.1.1 水体的组分
2.1.2 Ⅰ类水体与Ⅱ类水体
2.1.3 水色遥感
2.1.4 水色遥感大气校正
2.2 MODIS数据的SWIR-NIR大气校正
2.2.1 MODIS中分辨率成像光谱仪数据
2.2.2 MODIS SWlR-NIR大气校正
2.3 GOCI影像标准业务化大气校正
2.3.1 GOCI数据
2.3.2 GOCI大气校正
3 COMS GOCI神经网络大气校正研究
3.1 研究区域概况
3.2 数据的来源与预处理
3.2.1 遥感影像数据
3.2.2 实际观测数据
3.3 神经网络大气校正处理
3.3.1 MODIS与GOCI典型数据信息采集
3.3.2 BP神经网络大气校正模型与处理
4 算法结果与讨论
4.1 神经网络大气校正空间分布结果分析
4.1.1 基于MODIS NIR-SWIR1240nm波段三种算法大气校正结果空间分布
4.1.2 基于MODIS NIR-SWIR1640nm波段三种算法大气校正结果空间分布
4.1.3 GOCIANN算法对GOCI标准算法和MODISNIR-SWIR改进结果分析
4.2 神经网络大气校正绝对精度分析
4.2.1 实测值与神经网络大气校正值相对误差分析
4.2.2 神经网络大气校正值与实测值数值分布与变化趋势分析
4.3 GOCI ANN1240NM与GOCI ANN1640NM大气校正结果的差异
4.3.1 GOCI ANN1240nm与GOCI ANN1640nm大气校正值相对误差分析
4.3.2 GOCI ANN1240nm与GOCI ANN1640nm大气校正结果比较
4.4 精度影响因素分析
4.4.1 误差分析
4.4.2 不确定性因素分析
5 结论与展望
5.1 结论
5.2 本文的特色与创新
5.3 问题与不足
5.3.1 多水色参数的使用
5.3.2 水色要素反演
5.3.3 高时空变异度水体光学特性现场同步观测
5.3.4 传感辐射特性和波段差异未予考虑
5.3.5 神经网络模型采样建模数据和输入影像数据季节差异
参考文献
个人简历
攻读学位期间发表的学术论文
致谢
本文编号：3888708
本文链接：https://www.wllwen.com/wenshubaike/hetongwenben/3888708.html
