论文部分内容阅读
海洋悬浮物浓度是非常重要的水质参数之一，海水中悬浮物含量的多少直接影响水体透明度、浑浊度、水色等光学性质，同时，其与海洋温度、海水盐度和海面风场等海洋理化性质密切相关，因此，海洋悬浮物遥感反演研究是海洋水质监测的重要手段之一，意义重大。本文利用实测的悬浮物浓度数据和准同步的光学数据（TM影像）及雷达数据（Radarsat-2影像），获取光学特征因子和雷达特征因子，从而建立了基于支持向量机的海洋悬浮物浓度遥感反演模型，具体步骤如下所述：（1）数据准备及预处理。在进行研究之前，对TM影像进行几何校正、大气校正等预处理，消除大气干扰；对Radarsat-2影像进行滤波处理和掩模处理，消除斑点噪声。（2）通过对TM影像各波段及波段组合的光谱反射率与悬浮物浓度的相关分析，选取TM2、TM3和（TM2+TM3）/（TM2/TM3）为悬浮物的光学特征因子，在此基础上，得到悬浮物浓度的光学反演模型为y=0.002x~2-0.01x-0.65，其中x为TM3。（3）利用Radarsat-2影像四种极化方式下的后向散射系数建立反演模型，通过分析，选择HH和VV为悬浮物的雷达特征因子，并得到悬浮物浓度的雷达反演模型为y=-0.01x~2+0.03x+9.68，其中x为HH。（4）通过对支持向量机输入参数、核函数和内部参数的研究，得到本研究最优的SVM反演模型是以VV、HH、（TM2+TM3）/（TM2/TM3）、TM2、TM3为输入参数，以RBF核函数为核函数，内部参数C=100，σ~2=0.1时建立的SVM模型。通过上述研究，得到以下结论:（1）海洋悬浮物与TM各波段光谱反射率以及Radarsat-2四种极化下的后向散射系数呈正相关。（2）使用单一数据的光学模型和雷达模型精度低于结合光学数据和雷达数据的线性回归模型和SVM反演模型。这是因为单纯的光学遥感和雷达遥感都有自身无法克服的缺点，而结合两者可以达到互补的优势。（3）在结合方法上，SVM要优于简单的多元线性回归分析。SVM能够很好的解决小样本、非线性、高维数等问题，这些特点正好适合海洋悬浮物浓度的反演复杂性。