導航：安全管理網>> 安全論文>> 環境保護論文>>正文

積雪污染物含量高光譜遙感監測研究

文檔作者：湯旭光1’2，劉殿偉1，張柏1，杜嘉1，雷小春1’2，曾麗紅1’2，王遠東1一，宋開山¨ ，文檔來源：安全管理網a1．中國科學院東北地理與農業生態研究所 2．中國科學院研究生院		點擊數：	更新時間： 2025年05月10日
下載地址：點擊這里	文件大小： 264.55 KB 共4頁	文檔格式： PDF	下載點數： 1 點（VIP免費）

全屏查看

內容預覽 [文件共4頁]

本文件共4頁，如需編輯使用，請下載。

注：預覽效果可能會出現部分文字亂碼（如口口口）、內容顯示不全等問題，下載是正常的。

	文件大小：264.55 KB 共4頁文件格式：PDF 下載點數：1 點（VIP會員免費）

上一篇：基于粗糙集核優化的支持向量機在多組分污…

文本預覽

僅提取頁面文字內容，供快速閱讀使用。

第31卷，第5期2 0 I 1年5月光譜學與光譜分析Spectroscopy and Spectral AnalysisV01．31，No．5，ppl318—1321May，2011積雪污染物含量高光譜遙感監測研究湯旭光1’2，劉殿偉1，張 柏1，杜 嘉1，雷小春1’2，曾麗紅1’2，王遠東1一，宋開山¨1．中國科學院東北地理與農業生態研究所，吉林長春130012‘2．中國科學院研究生院，北京100049摘要積雪中的污染物含胃可以用來反映區域和全球范圍內人類活動對環境的污染．但是迄今為止，對大范圍或人類活動難以到達的地區進行積雪污染物含量時空監測的研究尚不多見。文章通過模擬大氣沉降實驗，應用光譜學技術分析了不同污染物含量對積雪反射光譜的影響，而后分別利用構建特征指數法、主成分分析法、BP神經網絡以及RBF神經網絡模型對積雪污染物含量預測，表明神經網絡模型結合高光譜遙感數據方法能夠較為準確地估算積雪污染物含量。關鍵詞高光譜遙感；積雪污染物含量；主成分分析；神經網絡中圖分類號：X87；TP79 文獻標識碼：A DOI：10．3964／j．issn．1000-0593(2011)05—1318-04引 言積雪在陸地表面分布廣泛，具有很高的反射率及強熱輻射和高絕熱性，直接影響著地面和大氣溫度、地表反射率和土壤濕度，進而影響地·氣系統的輻射平衡。是氣候系統的重要因子[1]。積雪由冰、空氣及濕雪所含水分構成，其中以冰粒為主。積雩光譜受很多因素的影響，包括雪粒徑、下墊面狀況、雪中所含雜質、雪水當鼉等【2J。目前對積雩的研究主要集中在雪深、雪粒徑及雪水當量方面，同時借助于遙感對積雪參數進行大范圍估測[2一]。而實際上，積雪不僅影響能量平衡和水循環，而且也能直接影響當地、區域以及全球環境范圍內的化學行為【4～。降雪在從空氣中清除粉塵等同體顆粒物方面具有重要的作用。降雪的過程就是污染物的濕沉降過程。另外，大氣污染物還可通過大氣干濕沉降作用到達積雪等地表環境介質中¨]。因此，積雩中保存的污染物含量可以用來反映區域和全球范圍內人類活動對環境的污染等[7_9]。有資料表明【l…，即使遠離人類污染源受人類活動污染最輕的南極地區，其積雪中也含有人為污染物。最新研究成果表明Ll¨，來自南亞的黑碳等污染物在青藏高原冰川的沉降加速了冰川的融化，對氣候環境帶來重大的影響。但迄今為止。對積雪污染物含量的時空變化研究尚不多見【3】，人為設點監測由于受采樣密度的限制。難以有效地反映大范圍積雪污染物含量的空問分布及其變化。相比設立人為監測點，遙感具有覆蓋范圍大、分辨率高、不受氣候和地理條件的限制、客觀真實地反映地物信息等優勢，可以用來快速監測全球和區域積雪污染物含量。本文擬通過模擬大氣沉降實驗，嘗試應用光譜學技術分析不同污染物含量對積雪反射光譜的影響。找出敏感波段并利用統計學方法構建積雪污染物含蕈特征指數，同時分析主成分光譜的生物學意義，并將其估算效果與神經網絡法進行比較以提高估算精度，為進一步結合大尺度遙感數據進行時空監測奠定基礎。1數據來源與處理1．1實驗設計模擬大氣沉降實驗在新雪表面使用一個直徑為55哪的模板圈定研究的區域，共設計了13個處理對象，通過人工控制施撤量來模擬大氣降塵，均勻撒在所要研究的積雪表面，l～10號樣點加入的粉塵依次為10，20 g一直到100 g，為加大對比。11和12號樣點加入的粉傘質量為150和200 g，另外包括一個自然雪。每次采集光譜后，對樣點使用直徑為5crn的圓柱形鐵桶及配套小鏟進行采樣。每個樣點取表層lCl-n積雪，及時使用精度為0．000 1 g的電子稱進行稱鶯，之后放入烤箱80℃下烘烤8 h，直到水分蒸f為止，再次稱重后計算積雪污染物含量(mg·cIn-2)．1．2光譜數據獲取及處理收稿日期：2010-06—23．修訂日期：2010-09—20基金項目：中國科學院知識創新工程項目(KZCX2一YW-QN305)和國家重點基礎研究發展計劃專題(2009C]M21103)資助作者簡介：湯旭光，1986年生，中國科學院東北地理與農業生態研究所博士研究生 e-mail：tan911100@163．cola*通訊聯系人 e-mail：∞哪ks@neiga已配∞萬方數據第5期 光譜學與光譜分析 1319利用ASD FieldSpec高光譜儀測定積雪表層光譜反射率，光譜范圍為350～2 500 nlTl，視場角為25。，重采樣間隔為1衄，在每個樣點采集光譜之前都要進行白板標定，每個測試點采集10個光譜數據，取其平均值作為一個樣本的結果。所有觀測均選擇在晴朗無風天氣，測量時間為2009年11月17日至23日(期問無新降雪)，共安排了四次實驗，獲取68組有效數據。隨機分出46組作為訓練集，剩余22組數據留作驗證。每次測定時間在北京時間10：30～14：00之間(太陽高度角大于45。)，采集光譜數據時，探頭要保持垂直向下的狀態，探頭與雪表面相距0．1 m。為了降低光譜數據中的儀器和環境噪聲，在光譜分析軟件View Spec Pro 2．14中，采用五步滑動平均法進行光譜平滑處理。由于系統誤差的存在，樣本光譜數據在首尾兩端有較大噪聲，所以光譜分析時僅選取400 l 800 nin波段間光譜，且去除水汽吸收帶1 350 1 430 nm問的光譜。主成分分析通過SPssll．5實現，神經網絡模型在Matlab 7．0中通過算法實現，作圖通過Origin7．5軟件實現。2結果與分析2．1不同污染物含量對積雪光譜的影響分析圖1以11月19號采樣數據為例，分析了不同污染物含量對積霄光譜的影響，為rr對比需要，還加入了一條自然狀態下積雪的光譜曲線。自然狀態下，積雩在町見光波段反射率較高，而后隨著波長的增加反射率逐漸降低。隨著雪中污染物含量的增加。臟雩的反射率明顯降低，在可見光／近紅外波段光譜變化尤為顯著，在1．04和1．25弘m處形成明顯的吸收谷，在0．95和1．10弘m附近有較強的反射峰，反射率最大相差可達到0．6。盡管積雪污染物含雖差異較大，但所有光譜曲線波形旱現一致的趨勢，只是臟雪中污染物的光譜特性愈加明顯。對積雪污染物含茸與反射光譜進行相關性分析如圖2所示，在可見光／近紅外波段。積雷的反射率與污染物含量呈高度負相關，相關性最大可達0．83，而在短波紅外波段(1 438～1 800 nm)之間則呈現正相關，并且在1．49肚m處(吸收谷)達到最大，由此町見積雪污染物含鼉可以通過光譜信息來定茸反演。通過以上分析。本研究將主要從叮見光／近紅外波段選取0．4，0．95，1．04，1．10，1．25弘m，再加600 900 l 200 l 500 l 800Wavelength／rim№1 Snow spectral reflectance under differentcontamination eonemtration上短波紅外1．49“m處波長作為敏感波段，來探討定量反演污染物含量的可行性。1．O0．80．60．40．2OCorrelation between snow spectral reflectanceand contamination concentration2．2構建特征指數法對各個敏感波段及其組合與積雪污染物含量(snow contamination concentration，SCC)進行相關性統計分析后，本研究嘗試構建了積霄污染物含量差值指數SDI，當SDI為1．10和1．49腫波段反射率之差時，二者取得最佳的相關性。積雪污染物含量與SDI呈較好的對數關系，估算模型的確定性系數R2為0．795。如圖3所示，實測數據與SDI模瓔預測數據同樣取得較好的擬合效果，尺2可達到0．721，當積雪污染物含量小于20時，預測值分布較集中。只是相對實測值偏大，但當污染物含量大于20時，實測值與模擬值相對分散在I s l對角線附近，由于SDI變化對污染物含量的敏感性降低。影響了SDI估算積雪污染物含量的精度，整體來看，預測值均偏大。0 lo 20 30 40 50 60Measured SCCrig．3 Relationship between measuredSCC and prdicted SOC by SDI2．3主成分光譜提取及估算主成分分析是多元統計中一種重要的數據壓縮處理技術。在不丟失主要光譜信息的前提下，選擇數目較少的新變量替代原來較多的變量。可以解決高光譜波段過多、譜帶重疊的難題fl 2|。本文同時將這六個敏感波段作為變量進行偏相關系數檢驗。得知KMO檢驗值為0．680，根據Kaiser度量標準可以進行因子分析。數據處理結果表明，可見光／近紅外波段范圍內的5個波長在第1個因子上有較高的載荷，第1個因子主要解釋了這幾個波長的信息，這也與積雪污染2468On ：耄囂∞∞∞如加mOu窩口售一星加¨¨¨啦o8蠶8島盤萬方數據1320 光譜學與光譜分析 第31卷物含量與反射光譜相關性分析(圖2)中這幾個波長同時呈較高負相關性一致，因此可以解釋為可見光／近紅外因子；短波紅外波長1．49tnn在第2個因子上有較高的載倚。同理，第2個因子可以解釋為呈正相關的短波紅外因子。由表l可以看出，這兩個主成分保留了原有6個波長的97．956％的信息，基本可以代替原來的6個變量。利用上述兩個主成分對積雪污染物含量進行估算。結果如下式y=4．598+5．366fl+42．726fz，R2—0．763，sig．一0．000，F=48．161式中Y代表積雪污染物含量，，I和，2分別為主成分分析得到的可見光／近紅外因子和短波紅外因子，Sig．表示模瓔顯著水平，F為F檢驗值。利用剩余樣本對建立的模型進行驗證，如圖4所示，驗證模型的R2達到0．746，模型預測值與實測值相對密集分布在1；l對角線兩側，只是個別預測值仍偏大。總體來看，主成分分析方法估算積雪污染物含量可以取得較為穩定的估算結果。O lO 20 30 40 50 ∞MeasurⅨl SCC蹲4 RelatioBshio betwem m翰suredSCC andⅣ刪SOC byPCAreflectance from PcA2．4積雪污染物含量的神經網絡估算神經網絡算法兇其在數據擬合與分類中良好的預測性及實用性廣泛應用到各個領域[1 2。。因此本文將嘗試分別采用BP神經網絡與RBF徑向基神經網絡，將這6個變量同時作為輸入矢量來預測積雪污染物含量的變化。估算過程均在Madab中通過算法實現，BP神經網絡訓練函數采用Trainhn，本文通過多次試驗表明網絡目標誤差為0．01，隱藏層神經元為15，訓練次數達5 778次時可以得到較好的估算結果，對剩余樣本進行預測，結果如圖5，實測積雪污染物含量與預測值R2達0．829。對于RBF神經網絡，經過多次試驗表明，當誤差目標為0．01，SPREAD為0．1時可以取得較好的結果，驗證結果如圖6，實測積雪污染物含最與預測值殿達0．780。兩種神經網絡估算模型都取得了較好的效果。2．5三種模型估算結果比較對比圖3～圖6可看出。構建特征指數法、主成分分析法以及神經網絡法在估算積雪污染物含量時都取得了較好的效果，后兩者尤佳，驗證點實測值與預測值分布于1。1對角線附近，一致性較好。主成分分析法由于囊括了更多的波譜信息，驗證確定性系數R2達0．746，優于指數法的估算效果。但是構建指數法操作更直接、簡單易行，尤其在快速反演大區域積雪污染物含量時更有優勢。BP神經網絡及RBF神經網絡模型驗證R2分別達0．829和0．780，相對于傳統的統計學方法都有非常明顯的提高，說明對于復雜的非線性映射問題，BP神經網絡技術更有效。O lO 20 30 40 50 60Measurod Scc№5 RelationsiⅡo I七tween m翰sured SCC刪ortUe衄l SCC by BP-NNO lO 20 30 40 50 ∞Mmsured Scc —留6風Iht刪p ktwem m嘣叫訓SCC珊一lm拯tM SOC by RBP-NN3結果與討論本文通過模擬大氣沉降實驗，對不同污染程度的積雩進行高光譜數據和積雪污染物含量的同步獲取，應用光譜學技術分析了不同污染物含量對積雪反射光譜的影響，并找出相應的敏感波段，分別利用構建特征指數法、主成分分析法、BP神經網絡以及RBF神經網絡模型對積雪污染物含量預測分析表明．高光譜遙感方法能夠較為準確地估算積雪污染物含量。為進一步結合大尺度遙感數據進行時空監測奠定了基礎。利用統計學方法對敏感波段及其組合進行分析，建立了反演積雪污染物含茸的特征指數．估算模型簡單易行。但由于缺乏物理基礎難以解釋說明，需要進一步驗證，因此在使∞卯柏如加mOUU∞pall。qpalII_∞如∞如加mOUU∞口Su—蛋∞卯∞如∞m0UuIS罾u_口2山萬方數據第5期 光譜學與光譜分析 1321用過程中需要注意其時空局限性。將各敏感波段同時作為輸入變量進行主成分光譜信息提取，相對特征指數法能進一步提高估算效果。不同污染物含量引起的積雪反射光譜的變化通過構建神經網絡模型可以很好的估算，證明r神經網絡模型塒非線性問題的求解、擬合以及預測所具有的優勢和潛力。在所構建[1][2][3][4][5][6][7][8][9]Elo][11][12]的模型中，BP神經網絡取得了優于RCF神經網絡的估算效果，確定性系數R2分別達0．829和0．780。本研究所進行的模擬大氣沉降實驗。作為對積雩污染物含量遙感監測的一種探索，儀考慮了降塵這一污染性物質，實際自然狀況下將會較為復雜，需要進一步研究驗證。WANG Xing，ZHANG Qiang．GUO Ni。et al(王興，張強，郭鈮，等)．Arid Meteorolog(干旱氣象)，2007，25(2)l 29．Jennifer E A。Alan R G。Gary B H．et a1．Remote Sensing of Environment，2003，86：216．uANG Shun-lin，FAN Wen-jie(梁順林，范聞捷)．Quantity Remote Sensing(定量遙感)．Beijing：Science Press(北京：科學出版社)，2009．105．LIChuan-jin，LIZhong-qin，LIYue-fang．et al(李傳金，李忠勤。李月芳，等)．ScienceinChinaD(中國科學D輯)。2007，37(5)：676．LI Quan-lian，wU Xiao-bo(李全蓮，武小波)．Earth and Environmen．t(地球與環境)．2008，36(1)：8．Macdonald R W，Barrie I．A。Bidleman T F．Science of the Total Environment，2000，254：93．Higuchi K．Nagoshi八IAHS PubL，1975，118：95．Xiao CD．Qin D H，Yao T D，et aL Bull EnvirorL Contain．Toxieol。2001，66(6)：691．WANG Feng，ZHU Tong，XU Bai—qing，et al(王峰，朱彤，徐柏青。等)．．Science in China D(中國科學D輯)2007．37(5)：670．ZENG Yin-xin，ZHENG Tian-ling(曾胤新。鄭天凌)．Chinese Journal of Polar Research(極地研究)，2008，20(3)：64．Xu Baiqing，Cao Junji，Hansen James．et aL Proceedings of the National Academy Sciences，USA，2009，106：22114．LIU Zlmn-y'u，WANG Da-cheng，LI 130。et al(劉占宇。王大成，李渡．等)．Joural of Infrared and Millimeter Waves(紅外與毫米波學報)。2009，28(5)：342．Research on Hyperspectral Remote Sensing in Monitoring SnowContamination ConcentrationTANG XtrguangI～，LIU Dian-weil，ZHANG Bail，DU Jial，LEI Xiao-chunI～，ZENG Li-hovlgl～。WANG Yuan-don91～。S()NG Kai-shanI。1．Northeast Institute of Geography and Agricultural Ecology，Chinese Academy of Sciences，Changchun 130012，China2．Graduate University of Chinese Academy of Sciences，Beijing 100049，ChinaAbstract Contaminants in the srKlw can be used to reflect regional and glohal environmental pollution caused by humanactivities．However，80 far，the research on space-time monitoting of snow contamination concentration for awide range or areasdifficult for human tO reach is very scarce．In the present paper，based on the simulated atmospheric deposition experiments，thespectroscopy technique method was applied tO analyze the effect of different contamination concentration on the snow reflectancespectra．Then an evaluation of snow contamination concentration(SCC)retrieval methods was conducted using characteristicindex method(SDI)，principal component analysis(PCA)，BP neural network and RBF neural network method，and theestimate effects of four methods were compared．The results showed that the neural network model combined with hyperspectralremote sensing data could estimate the SCC wellKeywords Hyperspectral remote sensing,Snow contamination concentration；PCA；Neural network*Corresponding author(Received Jm 23，2010；accepted Sep．20，2010)

網友評論 more

環境保護論文最新內容

05-10