[发明专利]一种富营养化湖泊藻类高斯垂向分布结构参数的MODIS遥感估算方法

权利要求书

1.一种富营养化湖泊藻类高斯垂向分布结构参数的MODIS遥感估算方法，其特征在于，包括以下步骤：

1）藻类高斯垂向分布类型的遥感识别方法及其函数表达

基于野外实测数据，综合藻华识别指数NDBI及同步的外环境因子风速，确定藻类高斯垂向分布的函数表达式，基于决策树构建遥感识别方法，其中前述野外实测数据包括叶绿素a垂向分布和水体表面光谱；

所述的高斯垂向分布的函数表达式如下：

其中Z_max=0；

2）构建藻类高斯垂向分布的地面光谱数据库

设置不同的高斯垂向分布的结构参数组合C₀、σ、h，基于Hydrolight辐射传输模拟，构建不同藻类高斯垂向分布的地面光谱数据库；

基于不同的高斯垂向分布结构参数组合C₀、σ、h，批量模拟6740组数据形成地面光谱数据库，作为神经网络的训练集；设定的C₀范围是5：1：40μg/L，h范围是5：5：75μg/L，σ范围是0.1：0.1：1m；HydroLight输入变量包括太阳高度角、风速、SPIM无机悬浮颗粒物、a_g(440)藻类颗粒物吸收系数和光谱斜率S_g；Hydrolight的输出数据是Rrs469、Rrs555、Rrs645，即469、555、645nm波长的Rrs；

3）构建湖泊藻类高斯垂向分布结构参数的估算方法

利用BP神经网络模型，基于Hydrolight辐射传输模拟数据，构建湖泊藻类高斯垂向分布结构参数（C₀、σ、h）的估算方法；

利用BP神经网络模型，以HydroLight模拟的数据作为训练集，其中表层叶绿素a浓度和Rrs469、Rrs555、Rrs645作为输入，C₀、h和σ作为输出；

神经网络选择步骤如下：

步骤1：确定训练集与验证集并输入到matlab的工作区；

步骤2：多次测试，确定隐含层的层数和节点数，找到均方误差最小网络；

步骤3：编写批量处理程序，反复训练以及验证，处理5000次，选择验证效果最好的网络并保存为mat文件；

其中，步骤3中的验证效果以均方误差和相关系数为评价标准；

采用的网络构建函数是newff，newff 函数的格式如下：

net ＝ newff(P,T,[S1S2...SN],{TF1TF2...TFN},BTF,BLF,PF)

式中，P为输入矩阵，T为目标矩阵，Si是第i层隐含层的节点个数，TFi是第i层的传递函数，BTF是训练函数，BLF是权值/阈值学习函数，PF是性能函数；

4）获取Hydrolight模拟遥感反射比R_rs与模拟的瑞利散射矫正后的反射率R_rc之间的定量关系

基于巢湖地区在不同气溶胶类型及厚度、不同太阳高度角、卫星观测角以及方位角对地面监测的遥感反射比R_rs与模拟的瑞利散射矫正后的反射率R_rc之间的定量关系的影响，并通过模拟数据确定两者之间的定量转换关系；

5）构建藻类高斯垂向分布结构参数的MODIS遥感估算方法

基于前述步骤和方法，将基于模拟光谱数据的藻类高斯垂向分布结构参数的估算算法推广至经过瑞利散射矫正的MODIS卫星影像数据，基于该方法，准确获取富营养化湖泊藻类高斯垂向分布的结构参数，通过获取藻类高斯垂向分布条件下单元水柱内藻类总存量估算，即可得到全湖高斯垂向分布像元内的藻类总存量。

2.根据权利要求1所述的富营养化湖泊藻类高斯垂向分布结构参数的MODIS遥感估算方法，其特征在于，所述步骤1）中，前述的水体表层的光谱特征来自于巢湖野外实测的光谱数据R_rs，监测仪器为美国ASD公司的双通道地面光谱监测仪。

3.根据权利要求1所述的富营养化湖泊藻类高斯垂向分布结构参数的MODIS遥感估算方法，其特征在于，所述步骤1）中，藻类垂向分布监测包括0、10、20、40、70、100、150、200、250和300cm共计9个不同深度的监测数据。