地理科学
地理科學
지이과학
SCIENTIA GEOGRAPHICA SINICA
2006年
4期
472-476
,共5页
太湖%叶绿素A浓度%遥感%定量反演%神经网络模型
太湖%葉綠素A濃度%遙感%定量反縯%神經網絡模型
태호%협록소A농도%요감%정량반연%신경망락모형
利用TM(ETM)数据与准实时地面采样数据,建立太湖叶绿素浓度反演模型.结果表明,TM3/(TM1+TM4)与叶绿素A浓度的相关性最好,并以此建立了太湖叶绿素A浓度线性反演模型,但反演精度并不高,因此,建立了一个两层BP神经网络模型反演太湖的叶绿素A浓度,结果表明,神经网络模型的反演精度远高于线性反演模型,16个测试样本表明,神经网络模型反演的相对误差小于30%的有15个点,占总测试样本93.75%,而线性反演模型反演相对误差在30%以下的仅有3个点,这表明对于太湖这样一个光谱特征复杂的二类水体,可以利用神经网络模型反演水质参数.
利用TM(ETM)數據與準實時地麵採樣數據,建立太湖葉綠素濃度反縯模型.結果錶明,TM3/(TM1+TM4)與葉綠素A濃度的相關性最好,併以此建立瞭太湖葉綠素A濃度線性反縯模型,但反縯精度併不高,因此,建立瞭一箇兩層BP神經網絡模型反縯太湖的葉綠素A濃度,結果錶明,神經網絡模型的反縯精度遠高于線性反縯模型,16箇測試樣本錶明,神經網絡模型反縯的相對誤差小于30%的有15箇點,佔總測試樣本93.75%,而線性反縯模型反縯相對誤差在30%以下的僅有3箇點,這錶明對于太湖這樣一箇光譜特徵複雜的二類水體,可以利用神經網絡模型反縯水質參數.
이용TM(ETM)수거여준실시지면채양수거,건립태호협록소농도반연모형.결과표명,TM3/(TM1+TM4)여협록소A농도적상관성최호,병이차건립료태호협록소A농도선성반연모형,단반연정도병불고,인차,건립료일개량층BP신경망락모형반연태호적협록소A농도,결과표명,신경망락모형적반연정도원고우선성반연모형,16개측시양본표명,신경망락모형반연적상대오차소우30%적유15개점,점총측시양본93.75%,이선성반연모형반연상대오차재30%이하적부유3개점,저표명대우태호저양일개광보특정복잡적이류수체,가이이용신경망락모형반연수질삼수.
