本科生毕业设计(论文)外文资料译文
( 2022 届)
论文题目 |
香港近岸海域悬浮颗粒物遥感定量反演 |
一、译文文本要求 1.外文译文不少于3000汉字; 2.外文译文本文格式参照论文正文规范(标题、字体、字号、图表、原文信息等); 3.外文原文资料信息列文末,对应于论文正文的参考文献部分,标题用“外文原文资料信息”,内容包括: 1)外文原文作者; 2)书名或论文题目; 3)外文原文来源: □出版社或刊物名称、出版时间或刊号、译文部分所在页码 □网页地址 二、外文原文资料(电子文本或数字化后的图片): 1.外文原文不少于10000印刷字符(图表等除外); 2.外文原文若是纸质的请数字化(图片)后粘贴于译文后的原文资料处,但装订时请用纸质原文复印件附于译文后。 |
指导教师意见: 指导教师签名: 年 月 日 |
一、外文资料译文:
评估沿海水质参数的经验和机器学习算法
摘 要
作为最脆弱的资源之一,沿海水域需要有效的监测计划。有效的沿海监测的关键因素之一是使用能够显著捕捉沿海水域时空变异性的遥感技术。近海水域的光学特性与有色溶解有机物(CDOM)、叶绿素-a(Chl-a)和悬浮固体(SS)浓度等成分密切相关,这些成分对沿海生态系统的生存至关重要,而且通常是相互独立的。因此,开发有效的遥感模型,根据近岸水域的光学特性估算这些重要的水体成分,对于成功的海岸监测项目是必不可少的。这项研究试图评估基于经验预测模型(EPM)和神经网络(NN)的算法在香港沿海地区估算Chl-a和SS浓度的性能。13年来的遥感数据被用来开发区域和本地模型,以分别估计整个香港水域和研究区域内每个水域的Chl-a和SS。由EPM和NN建立的区域模型估计Chl-a和SS的准确率分别为83%、93%、78%和97%,而本地模型估计Chl-a和SS的准确率分别为60-94%和81-94%。区域和局部神经网络模型均表现出比经验分析模型更好的性能。因此,本研究建议使用机器学习方法(即神经网络),在香港复杂的沿岸地区和其他类似的沿海环境中,更准确和有效地监测近岸水质参数(即Chl-a和SS浓度)。
关键词:沿海水体,水质建模,Landsat,HJ-1 A/B CCD
1. 引言
世界上超过一半的人口居住在海岸附近,这给沿海环境带来了了更大的压力[1]。填海造地和向沿海水域倾倒生活/工业废物处等人类活动严重恶化了沿海水质[2,3]。此外,海水的主要污染源是未经任何处理就流入海域的暴雨径流[4]。因此,迫切需要有效的沿海监测计划来保护和维护沿海生态系统。监测这些动态生态系统需要将实测数据与高时空分辨率的数据(如遥感数据)相结合[5]。遥感数据集提供了沿海地区的概观,能够测量不同光谱区域的上行辐射[6,7,8,9,10]。
近岸水域,特别是河口近岸水域,其性质是动态的,水体浊度多变。例如,香港沿海地区存在三种主要的水体类型,即东部地区的清水型、中部地区的中度浑浊水域和西部地区的高度浑浊水域。珠江将大量悬浮颗粒物带入香港西部海域,而东部海域由于与南海相邻,呈现为明显不同的清水型。为如此复杂的沿海环境开发的单一模型可能会带来很大的不确定性。因此,本研究针对该地区发现的每种水体类型,开发单独的水质参数(Water quality parameter,WQP)估计模型,可改善对沿海水参数的估计。先前的一项研究[11] 表明,在香港沿海地区存在五个在光学上存在不同的水域类别(图1)。不同的研究[4,12,13]已经揭示了叶绿素a(Chl-a)和悬浮固体(SS)在水生生态系统健康、旅游、航运和渔业中的作用,如果能对Chl-a和SS进行高精度估计,这些作用得到更加充分的体现。此外,对于复杂的水体,如南海,精确度变得更加重要,因为南海受到了大量污染物和珠江三角洲的暴雨径流的影响。
图 1. 香港环境保护署(环保署)的监测站以及[11].中定义的水质分区。
先前研究[14,15,16,17,18,19]已利用包括陆地卫星系列和HJ-1 A/B CCD在内的不同遥感数据在各种地理位置和环境条件下反演估计了沿海的水质参数。亦有研究基于遥感数据,在珠江三角洲和香港沿岸进行沿岸水体成分的反演。Zhang等人[20]使用Terra MODIS(中分辨率成像光谱仪-1000m)和MERIS(中分辨率成像光谱仪-300m)传感器反演Chl-a浓度。Xi和Zhang[21]利用MERIS图像开发了一个用于反演SS浓度的经验模型。他们利用MERIS的波段6和7反演并绘制了SS浓度(R2=0.75,RMSE=1.69 mg/L)。Tian等[22]基于中等空间分辨率(30m)的HJ-1 CCD数据反演得到香港后海湾地区的悬浮物浓度。
Chen 等人[23,24]利用Landsat Thematic Mapper(TM)数据,根据香港和珠江三角洲水域的光学特性,将其划分为五个不同的类别。他们使用了最大似然(MLH)、神经网络(NN)和支持向量机(SVM)三种分类技术来识别水色的空间分布,发现了相似的光谱反射率空间模式,但所有分类技术的分类精度各不相同。在对光学上不同的水体类型进行分类时,他们在以下几个方面做了不精确的假设:(1)获取TM数据的实际反射率值方面,即使用基于图像的大气校正方法,而未对大气校正结果进行后续验证;(2)仅基于一幅TM影像进行分类,无法提取近岸水体的变化;(3)利用卫星反演的水质参数对分类技术进行训练/验证,即分别利用SeaWiFS(1.1 km)和AVHRR(1.1 km)影像反演Chl-a和SS浓度;(4)考虑到不同日期水的反射率是恒定的,且珠江三角洲的冲刷强度不大,影像数据与实测水质参数数据的时间差为3-12天(66%的数据)和14-23天(34%的数据)。然而,据报道,在浑浊的河口,水的性质可以在plusmn;24小时内变化[25]。
在这项研究中,我们旨在使用实测数据和遥感数据,通过经验预测和机器学习方法,在香港整个沿海地区和每个水域类别中,对两个最常用的水质参数,即Chl-a和SS浓度进行建模。经验方法较为简单,而机器学习方法则需要用户具备一定水平的专业知识,但计算速度快,可以处理大量数据[26]。因此,这项研究的结果不仅将使科学界受益,而且其对Chl-a和SS浓度的可靠有效估计能帮助决策者保护香港的沿海环境。
2. 数据
2.1. 遥感数据
本研究结合了Landsat-5 (L5) TM、Landsat-7 (L7) ETM 和HJ-1 CCD传感器的存档数据集。L5 TM和L7 ETM 分别于1984年3月和1999年4月发射。对于多光谱波段,两个传感器的空间分辨率均为30 m。2003年5月31日之后获取的所有ETM 场景都存在扫描线校正器故障,导致场景丢失22%[27]。HJ-1 A和HJ-1 B卫星于2008年9月发射,共搭载4个CCD相机。除了HJ-1 CCD的第一波段(B1 = 475 nm)比Landsat TM/ETM (B1 = 485 nm)宽10 nm外,其他三个波段是相同的(B2 = 560 nm,B3 = 660 nm和B4 = 830 nm)。四个CCD传感器的空间分辨率与Landsat TM/ETM 的前四个波段相匹配。HJ-1 CCD的侧向旋转(plusmn;30°)特性使其重访时间从16天缩短到48小时或更短[28],优于陆地卫星[28]。
本研究共使用了57景影像,其中包括4景L5 TM影像,23景L7 ETM 影像(2000年1月至2012年12月)和30景HJ-1 CCD影像(2008年9月至2012年12月)。不同年份和月份的影像能够调查研究区域内水质的变化,影像日期是根据现场水质数据的可用性和无云条件选择的。
2.2. 实测Chl-A和SS浓度数据
香港环境保护署(环保署)在一艘装有全球定位系统的科学船上监测香港近岸水域的水质。水样是在76个固定监测站(图 1)从三个深度采集的,即近水面(低于水面1米)、中层和靠近海床(高于海床1米)。样品收集在500mL Nalgene瓶中,冷藏运输,然后分析提取Chl-a和SS的浓度。Chl-a浓度由香港政府化验所根据美国公共卫生协会(APHA)的10200H2分光光度法采用GL-OR-34“内部”方法测定,而SS浓度则由香港政府化验所根据APHA 2540D称重法采用“内部”GL-PH-23方法测定[29]。从环保署水质参数数据库中检索了与Landsat TM、ETM 和HJ-1 CCD影像相匹配的Chl-a和SS浓度的实测数据(采用深度为近水面的数据)。将海洋水色数据与卫星数据相结合,形成一个单独的数据集,用于水质参数(Chl-a和SS浓度)的建模。表1提供了实测数据的描述性统计数据。
表 1. 实测数据的描述性统计.
变量 |
最大值 |
最小值 |
中值 |
平均值 |
标准差 |
Chl-a (mu;g/L) |
13.00 |
0.30 |
1.90 |
2.98 |
2.84 |
SS (mg/L) |
56.00 |
0.50 |
4.40 |
5.73 |
6.07 |
3. 方法
3.1. 影像预处理
Landsat TM/ETM 数据已由USGS处理为标准地形校正的1T级数据。Level 1T产品通过结合地面控制点(GCP)和数字高程模型(DEM)实现几何精校正。从中国资源卫星数据与应用中心(CRESDA)获取的HJ-1 CCD影像未进行几何校正。因此,所有HJ-1 CCD影像都以Landsat TM/ETM 影像为参考进行了几何校正。与Landsat TM/ETM 影像(185公里)相比,HJ-1 CCD影像具有较宽的幅宽(360公里),因此在几何校正之前,所有的HJ-1 CCD影像都以研究区域(即香港)进行裁剪,以缩短处理时间并节省磁盘空间。
在参考Landsat TM/ETM 图像获得足够数量的GCP(25到50个)后,对HJ-1 CCD图像进行几何校正,平均RMSE为1像素。为了最大限度地减少几何校正过程中图像重采样造成的光谱信息损失,采用了最近邻重采样方法。几何校正后,对图像进行进一步处理,转换成标准辐射比例尺。对于陆地卫星TM和ETM 传感器,使用公式(1)将DN值转换为大气层顶部(TOA)辐射()[27]。
(1) |
式中,
(2) |
||
(3) |
式中,
= 波段的星上光谱辐射度/TOA辐射度 (W/(m2 sr mu;m));
= 波段的量化校准像素值 (DN);
= 对应的最小量化校准像素值 (DN);
= 对应的最大量化校准像素值 (DN);
= 波段的光谱传感器辐射度,定标为 (W/(m2 sr mu;m));
= 波段的光谱传感器辐射度,定标为 (W/(m2 sr mu;m))。
对于HJ-1CCD传感器,公式(4)(在图像的元数据文件中给出)用于将
剩余内容已隐藏,支付完成后下载完整资料
英语原文共 10 页,剩余内容已隐藏,支付完成后下载完整资料
资料编号:[596477],资料为PDF文档或Word文档,PDF文档可免费转换为Word
课题毕业论文、外文翻译、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
您可能感兴趣的文章
- 基于ArcGIS的叶面积指数演示系统开发研究开题报告
- 长三角与珠三角人口老龄化时空变化对比研究开题报告
- 广西漓江流域植被净初级生产力时空变化及其影响因素变化响应分析开题报告
- 高分一号可见近红外谱段交叉辐射定标研究开题报告
- 基于GPS数据挖掘的深圳市公交专用车道评价分析开题报告
- 面向对象与基于像元的土地分类方法分析——以武汉市为例文献综述
- 基于云端的监测细粒度空气质量知识发现系统外文翻译资料
- 绘制县级流动模式变化图在美国应对COVID-19中的应用外文翻译资料
- 中国反贫困(旅游扶贫)在GIS上的空间分布格局及其影响因素研究外文翻译资料
- 谁更快乐?基于地理众包人脸的全球⼈类情感时空分析外文翻译资料