结合温度因子估算太湖叶绿素a含量的神经网络模型
The neural network model for estimation of chlorophyll-a with water temperature in Lake Taihu
查看参考文献19篇
|
文摘
|
神经网络方法估算复杂水体水质参数的优越性已经得到证实.基于太湖水体实测叶绿素a浓度,利用MODIS 250m影像和反演得到的水温数据建立了估算太湖水体叶绿素a含量的两个单隐层BP神经网络模型:NN1模型不含温度因子、NN2模型包含温度因子,采用Levenberg-Marquardt算法训练网络,利用初期终止方法提岛网络泛化能力,均取得了较高估算精度,其中包含温度因了的反演模型精度稍有提高,但不显著. |
|
其他语种文摘
|
The advantage of neural network method for estimating water quality parameters of complex water body has been approved. Using in-situ measurement data of chlorophyll-a concentration, imageries of MODIS 250m and retrieval model of water temperature, we develop two single-hidden-layer BP neural network models for estimating chlorophyll-a in Lake Taihu: Model NN1 without temperature input and Model NN2 with temperature input. The training method is used by Levenberg-Marquardt algorithm, and the early-stage determinationin the modeling is used to improve generalization. The results show that: the estimation precision of the two models is high, in which the estimation precision of neural network input with temperature has been improved although the test is not significant. |
|
来源
|
湖泊科学
,2009,21(2):193-198 【核心库】
|
|
DOI
|
10.18307/2009.0206
|
|
关键词
|
叶绿素a
;
BP神经网络
;
MODIS
;
水温
;
太湖
|
|
地址
|
中国科学院南京地理与湖泊研究所, 江苏, 南京, 210008
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
1003-5427 |
|
学科
|
海洋学 |
|
基金
|
国家自然科学基金
;
国家科技支撑计划项目
|
|
文献收藏号
|
CSCD:3593187
|
参考文献 共
19
共1页
|
|
1.
李素菊. 巢湖浮游植物叶绿素含量与反射光谱特征的关系.
湖泊科学,2002,14(3):228-223
|
CSCD被引
89
次
|
|
|
|
|
2.
马荣华. 应用实测光谱估测太湖梅梁湾附近水体叶绿素浓度.
遥感学报,2005,9(1):78-86
|
CSCD被引
50
次
|
|
|
|
|
3.
Luoheng H. Estimating ehlorophyll-a concentration using first-derivative spectra in coastal water.
International Journal of Remote Sensing,2005,26(13):5235-5244
|
CSCD被引
1
次
|
|
|
|
|
4.
段洪涛. 长春市南湖叶绿素a浓度高光谱估测模型研究.
水科学进展,2006,17(3):323-328
|
CSCD被引
11
次
|
|
|
|
|
5.
马荣华. 太湖水色遥感中叶绿素和悬浮物的高光谱分析.
中国遥感应用协会2005年年会论文集,2005:236-245
|
CSCD被引
2
次
|
|
|
|
|
6.
Keiner LE. A Neural Network Model for Estimation Sea Surface Chlorophyll and Sediments from Thematic Mapper Imagery.
Remote Sensing of Environment,1998,66(2):153-165
|
CSCD被引
45
次
|
|
|
|
|
7.
Sehiller H. Neural network for emulation of an inverse model-operational derivation of Case Ⅱ water properties from MERIS data.
International Journal of Remote Sensing,1999,20(9):1735-1746
|
CSCD被引
1
次
|
|
|
|
|
8.
Zhang Y. Application of empirical neural network to ehlorophyll-a estimation in coastal water using optosensors.
IEEE SENSORS JOURNAL,2003,3(4):376-382
|
CSCD被引
3
次
|
|
|
|
|
9.
张亭禄. 基于人工神经网络的一类水域叶绿素-a浓度反演方法.
遥感学报,2002,6(1):40-44
|
CSCD被引
14
次
|
|
|
|
|
10.
唐军武. 黄东海二类水体三要素浓度反演的神经网络模型.
高技术通讯,2005,15(3):83-88
|
CSCD被引
10
次
|
|
|
|
|
11.
陈宁炜. 太湖梅梁湾藻类及相关环境因子逐步回归统计和蓝藻水华的初步预测.
湖泊科学,2001,13(1):63-71
|
CSCD被引
1
次
|
|
|
|
|
12.
刘元波. 太湖北部梅梁湾水域水质因子聚类.
湖泊科学,1997,9(3):255-260
|
CSCD被引
9
次
|
|
|
|
|
13.
李国砚. MODIS影像的大气校正及在太湖蓝藻监测中的应用.
湖泊科学,2008,20(2):160-166
|
CSCD被引
31
次
|
|
|
|
|
14.
覃志豪. 农业旱灾监测中的地表温度遥感反演方法--以MODIS数据为例.
自然灾害学报,2005,14(4):64-71
|
CSCD被引
98
次
|
|
|
|
|
15.
高懋芳. 用MODIS数据反演地表温度的基本参数估计方法.
干旱区研究,2007,24(1):113-119
|
CSCD被引
34
次
|
|
|
|
|
16.
韩力群.
人工神经网络教程,2006:65-65
|
CSCD被引
1
次
|
|
|
|
|
17.
Cuneyt K. Case studies on the use of neural networks in eutrophication modeling.
Ecological Modelling,2000,134:145-152
|
CSCD被引
2
次
|
|
|
|
|
18.
MA RH. Bio-optieal model with optimal parameter suitable for Lake Taihu in water colour remote sensing.
International Journal of Remote Sensing,2006,27(19):4305-4328
|
CSCD被引
1
次
|
|
|
|
|
19.
马荣华. 太湖草型湖区底质对遥感反射比的贡献.
遥感学报,2008,13(3):483-489
|
CSCD被引
7
次
|
|
|
|
|
了解气象卫星更多信息，请访问