机器学习算法反演近海海湾营养盐研究(以深圳湾为例)

作者:黄菁菁 发布日期:2021-09-27 阅读:795

       近日,我室研究生黄菁菁在Remote Sensing上发表了有关机器学习反演营养盐的相关论文,通讯记者为我室王迪峰研究员。      

       深圳湾是位于南海北部,北邻深圳,南毗香港的一个U型海湾。利用遥感技术,我们进行了深圳湾营养盐(主要是溶解性无机氮(DIN)和活性磷酸盐(PO4_P)、CDIN 和 CPO4_P)的反演,得到了 1988 年至 2020 年深圳湾营养物质浓度的变化。为了追溯湾内营养盐的来源,放大展开河流入湾口和生蚝养殖区的局部监测,得到河流是湾内营养盐的主要输入来源,生蚝养殖没有对深圳湾水质带来负面影像的结论。遥感数据具有空间覆盖大、时间序列长、成本低等优点。近30年来获得的营养盐浓度变化结果可以为深圳湾水质监测提供数据支持,为污染物溯源提供依据,也可以监测海湾治理相关工作的有效性。

image.png

1反演值与实测值散点图(Landsat-5)

image.png

2 无机氮反演结果

image.png

3 活性磷酸盐反演结果

image.png

4 深圳湾生蚝养殖排提取结果

       本文验证了机器学习方法结合Landsat系列卫星在沿海海湾水域养分反演中的可行性。将反向传播神经网络 (BPNN) 和支持向量机 (SVM) 模型应用于 Landsat-5 和 Landsat-8 卫星反演 CDIN 和 CPO4_P 这两个水质因子上,获得更高的反演精度。基于 Landsat-5 TM 的CDIN 和 CPO4_P 反演模型的 R2 值分别为 0.896 和 0.82。基于 Landsat-8 OLI 的CDIN 和 CPO4_P 模型的 R2 值分别为 0.66 和 0.80。比较现场实测数据的量级和变化趋势,确定两颗卫星的反演结果可用于连续分析。本文为后续利用机器学习方法和Landsat卫星对其他海湾的营养盐等非光学活性成分进行长时间序列的反演提供了思路。

引用:Huang J,Wang D,Gong F,Bai Y,He X. Changes in Nutrient Concentrations in Shenzhen Bay Detected Using Landsat Imagery between 1988 and 2020. Remote Sensing. 2021; 13(17):3469.

https://doi.org/10.3390/rs13173469


  • 卫星海洋环境动力学国家重点实验室

    © 2021卫星海洋环境动力学国家重点实验室 版权所有.
    浙ICP备10040255号-4      

  • 地址:杭州市保俶北路36号
    邮编:310012
  • 总机号码:+86-571-8196 3198
    传真:+86-571-8883 9374