华中师范大学学报（自然科学版）
華中師範大學學報（自然科學版）
화중사범대학학보（자연과학판）
JOURNAL OF CENTRAL CHINA NORMAL UNIVERSITY(NATURAL SCIENCES)
2014年
5期
737-742
,共6页
何报寅%张文%乔晓景%苏振华
何報寅%張文%喬曉景%囌振華
하보인%장문%교효경%소진화
悬浮物%遥感反演模型%广义回归神经网络%BP神经网络%长江中游
懸浮物%遙感反縯模型%廣義迴歸神經網絡%BP神經網絡%長江中遊
현부물%요감반연모형%엄의회귀신경망락%BP신경망락%장강중유
suspended sediment concentration (SSC)%Remote Sensing retrieval model%GRNN%BPNN%the middle reaches of the Yangtze River
遥感反演是监测水体表层悬浮物浓度的有效手段之一.广义回归神经网络(GRNN)较其它神经网络具有更强的非线性拟合能力,在小样本情况下有更好的推广性能,适用于遥感反演模型.使用长江中游城陵矶段HJ-1B CCD2遥感影像结合实地同步采样数据分别建立悬浮物GRNN及BP神经网络(BPNN)遥感反演模型,分析对比模型的精度,并使用GRNN模型预测了区域水体悬浮物分布信息.结果表明,相对于BPNN模型,GRNN模型具有较强的非线性拟合能力和较高的反演精度;长江干流的悬浮泥沙浓度总体上明显小于洞庭湖,这主要是三峡工程下泄泥沙大幅减少造成的;洞庭湖浑浊的湖水汇入长江后,在城陵矶至洪湖之间形成明显的混合带;而洞庭湖湖口悬浮物浓度明显高于其他湖区,这可能是该区域采砂活动的强烈扰动引起的.
遙感反縯是鑑測水體錶層懸浮物濃度的有效手段之一.廣義迴歸神經網絡(GRNN)較其它神經網絡具有更彊的非線性擬閤能力,在小樣本情況下有更好的推廣性能,適用于遙感反縯模型.使用長江中遊城陵磯段HJ-1B CCD2遙感影像結閤實地同步採樣數據分彆建立懸浮物GRNN及BP神經網絡(BPNN)遙感反縯模型,分析對比模型的精度,併使用GRNN模型預測瞭區域水體懸浮物分佈信息.結果錶明,相對于BPNN模型,GRNN模型具有較彊的非線性擬閤能力和較高的反縯精度;長江榦流的懸浮泥沙濃度總體上明顯小于洞庭湖,這主要是三峽工程下洩泥沙大幅減少造成的;洞庭湖渾濁的湖水彙入長江後,在城陵磯至洪湖之間形成明顯的混閤帶;而洞庭湖湖口懸浮物濃度明顯高于其他湖區,這可能是該區域採砂活動的彊烈擾動引起的.
요감반연시감측수체표층현부물농도적유효수단지일.엄의회귀신경망락(GRNN)교기타신경망락구유경강적비선성의합능력,재소양본정황하유경호적추엄성능,괄용우요감반연모형.사용장강중유성릉기단HJ-1B CCD2요감영상결합실지동보채양수거분별건립현부물GRNN급BP신경망락(BPNN)요감반연모형,분석대비모형적정도,병사용GRNN모형예측료구역수체현부물분포신식.결과표명,상대우BPNN모형,GRNN모형구유교강적비선성의합능력화교고적반연정도;장강간류적현부니사농도총체상명현소우동정호,저주요시삼협공정하설니사대폭감소조성적;동정호혼탁적호수회입장강후,재성릉기지홍호지간형성명현적혼합대;이동정호호구현부물농도명현고우기타호구,저가능시해구역채사활동적강렬우동인기적.
