汉江中下游典型河段水环境遥感评价

被引：5

作者：

肖潇 ^{[1
,2
]}

徐坚 ^{[2
]}

赵登忠 ^{[2
]}

胡承芳 ^{[2
]}

汪朝辉 ^{[2
]}

程学军 ^{[2
]}

机构：

[1] 武汉大学资源环境与科学学院

[2] 长江科学院空间信息技术应用研究所

来源：

长江科学院院报 | 2016年 / 33卷 / 01期

基金：

国家软科学研究计划;

关键词：

汉江中下游; 典型河段; 水质评价; 神经网络; 多光谱数据; 遥感反演模型;

D O I：

暂无

中图分类号：

X87 [环境遥感]; X824 [水质评价];

学科分类号：

1404 ; 071012 ; 0713 ; 083002 ;

摘要：

选择汉江中下游典型河段作为研究区域,利用2012年春、夏、秋3季水质采样结果及HJ1A卫星CCD同步多光谱数据,建立了研究区总氮浓度BP神经网络反演模型,并根据反演结果对研究区进行水质状况评价。研究结果表明:基于弹性BP训练算法(启发式训练算法)的BP神经网络模型反演精度高,适用性强,可真实反映研究区总氮浓度在不同河段及不同季节中的变化情况,可较好地利用国产卫星数据开展流域水质评价工作。水质评价结果表明研究区在不同季节和不同区域水质差异较大,研究区春季总氮指标严重超标,夏、秋2季指标优于春季,下游指标优于上游。

引用

页码：31 / 37

页数：7

共 16 条

[1] 渤海陆源入海排污口的多尺度遥感监测分析 [J].

邬明权 ;

牛铮 ;

高帅 ;

许时光 ;

王李娟 .

地球信息科学学报, 2012, 14 (03) :405-410

[2] BP神经网络训练算法的分析与比较 [J].

陈明忠 .

科技广场, 2010, (03) :24-27

[3] 渭河水质遥感反演的人工神经网络模型研究 [J].

赵玉芹 ;

汪西莉 ;

蒋赛 .

遥感技术与应用, 2009, (01) :63-67

[4] 一种改进的BP神经网络算法及其应用 [J].

褚辉 ;

赖惠成 .

计算机仿真, 2007, (04) :75-77+111

[5] 基于TM数据的太湖叶绿素A浓度定量反演 [J].

吕恒 ;

江南 ;

罗潋葱 .

地理科学, 2006, (04) :4472-4476

[6] 我国河流综合水质标识指数评价方法研究 [J].

徐祖信 .

同济大学学报(自然科学版), 2005, (04) :482-488

[7] 用TM影像进行湖泊水色反演研究的人工神经网络模型 [J].

王建平 ;

程声通 ;

贾海峰 ;

王志石 ;

邓宇华 .

环境科学, 2003, (02) :73-76

[8] Water quality monitoring and assessment of an urban Mediterranean lake facilitated by remote sensing applications [J].

Markogianni, V. ;

Dimitriou, E. ;

Karaouzas, I. .

ENVIRONMENTAL MONITORING AND ASSESSMENT, 2014, 186 (08) :5009-5026

[9]

Water quality assessment at ?merli Dam using remote sensing techniques.[J]..Environmental Monitoring and Assessment.2007, 1

[10]

Application of an empirical neural network to surface water quality estimation in the Gulf of Finland using combined optical data and microwave data.[J].Yuanzhi Zhang;Jouni Pulliainen;Sampsa Koponen;Martti Hallikainen.Remote Sensing of Environment.2002, 2

← 1 2 →