>【附圖說明】
[0022] 附圖不意在按比例繪制。在附圖中，在各個(gè)圖中示出的每個(gè)相同或近似相同的組 成部分可以用相同的標(biāo)號表示。為了清晰起見，在每個(gè)圖中，并非每個(gè)組成部分均被標(biāo)記。 現(xiàn)在，將通過例子并參考附圖來描述本發(fā)明的各個(gè)方面的實(shí)施例，其中：
[0023] 圖1是巢湖藻類高斯垂向分布類型示意圖。
[0024] 圖2是藻類高斯垂向分布類型的水體表層遙感反射比光譜曲線示意圖。
[0025] 圖3是基于實(shí)測光譜的藻類垂向分布類型遙感決策樹示意圖。
[0026] 圖4是不同氣溶膠類型及其厚度條件下，R"與R J司的定量關(guān)系示意圖。
[0027] 圖5是基于MODIS的藻類垂向分布類型遙感決策樹示意圖。
[0028] 圖6是基于巢湖野外實(shí)測光譜數(shù)據(jù)模擬得到水體藻類垂向分布與實(shí)測藻類垂向 分布對比圖。
[0029] 前述圖示1-6中，作為英文形式表達(dá)的各坐標(biāo)、標(biāo)識或其他表示，均為本領(lǐng)域所公 知的，并不在本例中再做贅述。
【具體實(shí)施方式】
[0030] 為了更了解本發(fā)明的技術(shù)內(nèi)容，特舉具體實(shí)施例并配合所附圖式說明如下。
[0031] 在本公開中參照附圖來描述本發(fā)明的各方面，附圖中示出了許多說明的實(shí)施例。 本公開的實(shí)施例不必定意在包括本發(fā)明的所有方面。應(yīng)當(dāng)理解，上面介紹的多種構(gòu)思和 實(shí)施例，以及下面更加詳細(xì)地描述的那些構(gòu)思和實(shí)施方式可以以很多方式中任意一種來實(shí) 施，這是應(yīng)為本發(fā)明所公開的構(gòu)思和實(shí)施例并不限于任何實(shí)施方式。另外，本發(fā)明公開的一 些方面可以單獨(dú)使用，或者與本發(fā)明公開的其他方面的任何適當(dāng)組合來使用。
[0032] 本發(fā)明給予一種富營養(yǎng)化湖泊藻類高斯垂向分布結(jié)構(gòu)參數(shù)的MODIS遙感估算方 法，上述目的是這樣實(shí)現(xiàn)的：基于野外實(shí)測數(shù)據(jù)，綜合藻華識別指數(shù)NDBI及同步的外環(huán)境 因子風(fēng)速，確定藻類高斯垂向分布的函數(shù)表達(dá)式及其遙感識別方法；基于Hydrolight福射 傳輸模擬，構(gòu)建不同藻類高斯垂向分布的地面光譜數(shù)據(jù)庫；利用BP神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建基 于模擬數(shù)據(jù)的湖泊藻類高斯垂向分布結(jié)構(gòu)參數(shù)的遙感估算方法；通過模擬不同氣溶膠類型 及厚度、不同太陽高度角、衛(wèi)星觀測角及方位角，獲取地面模擬遙感反射比1?"與模擬的瑞 利散射矯正后R rc之間的定量關(guān)系；進(jìn)而將基于模擬光譜數(shù)據(jù)的藻類高斯垂向分布結(jié)構(gòu)參 數(shù)的估算算法推廣至經(jīng)過瑞利散射矯正的MODIS衛(wèi)星影像數(shù)據(jù)。基于該方法，可以準(zhǔn)確獲 取富營養(yǎng)化湖泊藻類高斯垂向分布的結(jié)構(gòu)參數(shù)，通過獲取高斯垂向分布條件下單元水柱內(nèi) 藻類總存量估算，即可得到全湖高斯垂向分布像元內(nèi)的藻類總存量，并最終為水利、環(huán)保等 部門的水資源管理、水環(huán)境保護(hù)的科學(xué)決策提供科技支撐。
[0033] 下面結(jié)合附圖1-6所示，示例性地說明前述方法的具體實(shí)現(xiàn)。
[0034] 1、藻類高斯垂向分布類型的遙感識別方法
[0035] 基于水體光學(xué)活性物質(zhì)（葉綠素 a、無機(jī)懸浮物、黃色物質(zhì)）的基本監(jiān)測原理，通過 野外實(shí)地監(jiān)測獲取水體中不同深度處藻類以及其他光學(xué)活性物質(zhì)的濃度，通過聚類分析得 到藻類垂向分布類型，以及與其他光學(xué)活性物質(zhì)垂向分布間的關(guān)系。
[0036] 本例中，利用野外垂向分層采樣器獲取藻類（葉綠素 a，Chla)在不同水層的濃 度分布情況，采用聚類分析的方法確定藻類垂向分布類型包括均一型（Typel)、高斯型 (Type2 ;圖1)、指數(shù)型（Type3)以及冪指數(shù)型（Type4)四類，而水體中的其它光學(xué)活性物質(zhì) (無機(jī)懸浮物和黃色物質(zhì)）則呈現(xiàn)均一型垂向分布。
[0037] 示例性地，前述的水體表層的光譜特征來自于巢湖野外實(shí)測的光譜數(shù)據(jù)1^，監(jiān)測 儀器為美國ASD公司的雙通道地面光譜監(jiān)測儀（350-1050nm)。
[0038] 如前所述，藻類垂向分布監(jiān)測深度包括0、10、20、40、70、100、150、200、250和 300cm共計(jì)9個(gè)不同深度的監(jiān)測數(shù)據(jù)。
[0039] 在獲取藻類垂向分布信息的同時(shí)，獲取水體表層的遙感信息（RJ以及周圍的環(huán) 境信息（離岸距離、風(fēng)速、水深等），通過相關(guān)性分析，確定基于水體表層遙感信息和風(fēng)速構(gòu) 建藻類垂向分布類型的遙感監(jiān)測決策分類樹。
[0040] 本例子中，對于一般水體，水體的遙感反射比與不同深度水體的固有光學(xué)屬性綜 合體現(xiàn)，不同的藻類垂向分布類型也會對水體表層的遙感反射比產(chǎn)生一定的影響。
[0041] 圖2示例性地表示了藻類高斯垂向分布類型對應(yīng)的水體表層遙感反射比光譜曲 線。
[0042] 由于藻華水體在綠光波段（570nm)有個(gè)反射峰以及在665nm的反射谷十分顯著， 因此可以利用這兩個(gè)特征來區(qū)分藻華水華和非藻華水體。根據(jù)此特點(diǎn)，本實(shí)施例中提出了 NDBI (Normalized difference bloom index)指數(shù)，表達(dá)如下：
[0043] NDBIRrs= (Rrs (550)-Rrs (675))/(Rrs (550)+Rrs (675)) (I)
[0044] 通過考察環(huán)境因素（離岸距離、風(fēng)速以及水深）對藻類垂向分布類型的影響發(fā)現(xiàn)， 只有風(fēng)速對藻類垂向分布類型產(chǎn)生顯著影響，因此，基于NDBI和風(fēng)速構(gòu)建基于實(shí)測光譜的 藻類垂向分布類型遙感分類決策樹，如圖3所示。
[0045] 當(dāng)NDBIfcs小于0. 24且風(fēng)速小于3. 5m/s時(shí)判定為高斯垂向分布類型。
[0046] 2、構(gòu)建藻類高斯垂向分布的地面光譜數(shù)據(jù)庫
[0047] 本文用HydroLight，基于不同的高斯垂向分布結(jié)構(gòu)參數(shù)組合C。、σ、H，批量模擬了 6740組數(shù)據(jù)形成地面光譜數(shù)據(jù)庫，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集。設(shè)定的C。范圍是5 :1 :40 μ g/L， H范圍是5 :5 :75yg/L，σ范圍是〇· I :〇· 1 :1!!1。辦(^〇1丨81^的輸出數(shù)據(jù)是肚8469、肚8555、 Rrs645 (分別指的是469、555、645nm波長的Rrs)。具體的變量設(shè)定如表1 :
[0048] 表1 HydroLight 輸入變量
[0050] 3、構(gòu)建基于模擬數(shù)據(jù)庫的湖泊藻類高斯垂向分布結(jié)構(gòu)參數(shù)的估算方法
[0051] 利用BP神經(jīng)網(wǎng)絡(luò)模型，以HydroLight模擬的數(shù)據(jù)作為訓(xùn)練集，其中表層葉綠素 a 濃度和Rrs469、Rrs555、Rrs645作為輸入，C。、h和σ作為輸出。
[0052] 具體的神經(jīng)網(wǎng)絡(luò)選擇步驟如下：
[0053] 步驟1 :確定訓(xùn)練集與驗(yàn)證集并輸入到matlab的"工作區(qū)"；
[0054] 步驟2 :多次測試，確定隱含層的層數(shù)和節(jié)點(diǎn)數(shù)，找到均方誤差（MSE，Mean Squared Error)最小網(wǎng)絡(luò)；
[0055] 步驟3 :編寫批量處理程序，反復(fù)訓(xùn)練以及驗(yàn)證，處理5000次，選擇驗(yàn)證效果最好 的網(wǎng)絡(luò)并保存為mat文件。
[0056] 其中，步驟3中的驗(yàn)證效果以均方誤差和相關(guān)系數(shù)為評價(jià)標(biāo)準(zhǔn)。
[0057] 數(shù)理統(tǒng)計(jì)中均方誤差是指參數(shù)估計(jì)值與參數(shù)真值之差平方的期望值，是衡量"平 均誤差"的一種較方便的方法，可以評價(jià)數(shù)據(jù)的變化程度，MSE的值越小，說明預(yù)測模型描述 實(shí)驗(yàn)數(shù)據(jù)具有更好的精確度。計(jì)算公式如下：
[0059] 其中testi是第i個(gè)測試值，predictedi是第i個(gè)ANN模擬值。
[0060] 相關(guān)系數(shù)（Correlation coefficient)是用以反映變量之間相關(guān)關(guān)系密切程度的 統(tǒng)計(jì)指標(biāo)。相關(guān)系數(shù)R計(jì)算公式如下：
[0061]
[0062] 本文采用的網(wǎng)絡(luò)構(gòu)建函數(shù)是newff，函數(shù)newff的功能是建立一個(gè)可訓(xùn)練的前饋 網(wǎng)絡(luò)。newff函數(shù)的格式如下：
[0063] net = newff (P, T, [S1S2. . . SN], {TF1TF2. . . TFN}, BTF, BLF, PF) (4)
[0064] 式（4)中，P為輸入矩陣，T為目標(biāo)矩陣，Si是第i層隱含層的節(jié)點(diǎn)個(gè)數(shù)，TFi是第 i層的傳遞函數(shù)，BTF是訓(xùn)練函數(shù)，BLF是權(quán)值/閾值學(xué)習(xí)函數(shù)，PF是性能函數(shù)。
[0065] 4、獲取地面監(jiān)測遙感反射比（RJ與模擬的瑞利散射矯正后艮。之間的定量關(guān)系
[0066] 為了確定基于將基于地面Rrs數(shù)據(jù)得到的遙感估算方法推廣至MODIS衛(wèi)星遙感影 像，考察巢湖地區(qū)在不同氣溶膠類型及厚度、不同太陽高度角、衛(wèi)星觀測角以及方位角對地 面監(jiān)測的遙感反射比與模擬的瑞利散射矯正后的1^之間的定量關(guān)系的影響，并通過模擬 數(shù)據(jù)確定兩者之間的定量轉(zhuǎn)換關(guān)系。
[0067] 本例中，要將基于地面光譜數(shù)據(jù)得到藻類高斯垂向分布結(jié)構(gòu)參數(shù)的MODIS遙感估 算方法推廣至衛(wèi)星影像數(shù)據(jù)，大氣矯正不可忽略。但是目前仍然缺乏針對高渾濁水體有效 的精確大氣矯正算法，本實(shí)施例中采用MODIS影像的瑞利散射矯正，也就是通過這種矯正， 大氣層頂?shù)墓鈱W(xué)信息去除了瑞利散射的影響，依然包含著氣溶膠信息以及衛(wèi)星觀測信息。<