导航：安全管理网>> 安全论文>> 环境保护论文>>正文

积雪污染物含量高光谱遥感监测研究

文档作者：汤旭光1’2，刘殿伟1，张柏1，杜嘉1，雷小春1’2，曾丽红1’2，王远东1一，宋开山¨ ，文档来源：安全管理网a1．中国科学院东北地理与农业生态研究所 2．中国科学院研究生院		更新日期： 2025年05月10日	点击数：
下载地址：点击这里	文件大小： 264.55 KB 共4页	文档格式： PDF	下载点数： 1 点（VIP免费）

全屏查看

内容预览 [文件共4页]

本文件共4页，如需编辑使用，请下载。

注：预览效果可能会出现部分文字乱码（如口口口）、内容显示不全等问题，下载是正常的。

	文件大小：264.55 KB 共4页文件格式：PDF 下载点数：1 点（VIP会员免费）

下一篇：广州市城郊近地面PM2.5、PM10与臭氧污染…

上一篇：基于粗糙集核优化的支持向量机在多组分污…

文本预览

仅提取页面文字内容，供快速阅读使用。

第31卷，第5期2 0 I 1年5月光谱学与光谱分析Spectroscopy and Spectral AnalysisV01．31，No．5，ppl318—1321May，2011积雪污染物含量高光谱遥感监测研究汤旭光1’2，刘殿伟1，张 柏1，杜 嘉1，雷小春1’2，曾丽红1’2，王远东1一，宋开山¨1．中国科学院东北地理与农业生态研究所，吉林长春130012‘2．中国科学院研究生院，北京100049摘要积雪中的污染物含胃可以用来反映区域和全球范围内人类活动对环境的污染．但是迄今为止，对大范围或人类活动难以到达的地区进行积雪污染物含量时空监测的研究尚不多见。文章通过模拟大气沉降实验，应用光谱学技术分析了不同污染物含量对积雪反射光谱的影响，而后分别利用构建特征指数法、主成分分析法、BP神经网络以及RBF神经网络模型对积雪污染物含量预测，表明神经网络模型结合高光谱遥感数据方法能够较为准确地估算积雪污染物含量。关键词高光谱遥感；积雪污染物含量；主成分分析；神经网络中图分类号：X87；TP79 文献标识码：A DOI：10．3964／j．issn．1000-0593(2011)05—1318-04引 言积雪在陆地表面分布广泛，具有很高的反射率及强热辐射和高绝热性，直接影响着地面和大气温度、地表反射率和土壤湿度，进而影响地·气系统的辐射平衡。是气候系统的重要因子[1]。积雪由冰、空气及湿雪所含水分构成，其中以冰粒为主。积雩光谱受很多因素的影响，包括雪粒径、下垫面状况、雪中所含杂质、雪水当鼍等【2J。目前对积雩的研究主要集中在雪深、雪粒径及雪水当量方面，同时借助于遥感对积雪参数进行大范围估测[2一]。而实际上，积雪不仅影响能量平衡和水循环，而且也能直接影响当地、区域以及全球环境范围内的化学行为【4～。降雪在从空气中清除粉尘等同体颗粒物方面具有重要的作用。降雪的过程就是污染物的湿沉降过程。另外，大气污染物还可通过大气干湿沉降作用到达积雪等地表环境介质中¨]。因此，积雩中保存的污染物含量可以用来反映区域和全球范围内人类活动对环境的污染等[7_9]。有资料表明【l…，即使远离人类污染源受人类活动污染最轻的南极地区，其积雪中也含有人为污染物。最新研究成果表明Ll¨，来自南亚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，对气候环境带来重大的影响。但迄今为止。对积雪污染物含量的时空变化研究尚不多见【3】，人为设点监测由于受采样密度的限制。难以有效地反映大范围积雪污染物含量的空问分布及其变化。相比设立人为监测点，遥感具有覆盖范围大、分辨率高、不受气候和地理条件的限制、客观真实地反映地物信息等优势，可以用来快速监测全球和区域积雪污染物含量。本文拟通过模拟大气沉降实验，尝试应用光谱学技术分析不同污染物含量对积雪反射光谱的影响。找出敏感波段并利用统计学方法构建积雪污染物含蕈特征指数，同时分析主成分光谱的生物学意义，并将其估算效果与神经网络法进行比较以提高估算精度，为进一步结合大尺度遥感数据进行时空监测奠定基础。1数据来源与处理1．1实验设计模拟大气沉降实验在新雪表面使用一个直径为55哪的模板圈定研究的区域，共设计了13个处理对象，通过人工控制施撤量来模拟大气降尘，均匀撒在所要研究的积雪表面，l～10号样点加入的粉尘依次为10，20 g一直到100 g，为加大对比。11和12号样点加入的粉伞质量为150和200 g，另外包括一个自然雪。每次采集光谱后，对样点使用直径为5crn的圆柱形铁桶及配套小铲进行采样。每个样点取表层lCl-n积雪，及时使用精度为0．000 1 g的电子称进行称莺，之后放入烤箱80℃下烘烤8 h，直到水分蒸f为止，再次称重后计算积雪污染物含量(mg·cIn-2)．1．2光谱数据获取及处理收稿日期：2010-06—23．修订日期：2010-09—20基金项目：中国科学院知识创新工程项目(KZCX2一YW-QN305)和国家重点基础研究发展计划专题(2009C]M21103)资助作者简介：汤旭光，1986年生，中国科学院东北地理与农业生态研究所博士研究生 e-mail：tan911100@163．cola*通讯联系人 e-mail：∞哪ks@neiga已配∞万方数据第5期 光谱学与光谱分析 1319利用ASD FieldSpec高光谱仪测定积雪表层光谱反射率，光谱范围为350～2 500 nlTl，视场角为25。，重采样间隔为1衄，在每个样点采集光谱之前都要进行白板标定，每个测试点采集10个光谱数据，取其平均值作为一个样本的结果。所有观测均选择在晴朗无风天气，测量时间为2009年11月17日至23日(期问无新降雪)，共安排了四次实验，获取68组有效数据。随机分出46组作为训练集，剩余22组数据留作验证。每次测定时间在北京时间10：30～14：00之间(太阳高度角大于45。)，采集光谱数据时，探头要保持垂直向下的状态，探头与雪表面相距0．1 m。为了降低光谱数据中的仪器和环境噪声，在光谱分析软件View Spec Pro 2．14中，采用五步滑动平均法进行光谱平滑处理。由于系统误差的存在，样本光谱数据在首尾两端有较大噪声，所以光谱分析时仅选取400 l 800 nin波段间光谱，且去除水汽吸收带1 350 1 430 nm问的光谱。主成分分析通过SPssll．5实现，神经网络模型在Matlab 7．0中通过算法实现，作图通过Origin7．5软件实现。2结果与分析2．1不同污染物含量对积雪光谱的影响分析图1以11月19号采样数据为例，分析了不同污染物含量对积霄光谱的影响，为rr对比需要，还加入了一条自然状态下积雪的光谱曲线。自然状态下，积雩在町见光波段反射率较高，而后随着波长的增加反射率逐渐降低。随着雪中污染物含量的增加。脏雩的反射率明显降低，在可见光／近红外波段光谱变化尤为显著，在1．04和1．25弘m处形成明显的吸收谷，在0．95和1．10弘m附近有较强的反射峰，反射率最大相差可达到0．6。尽管积雪污染物含虽差异较大，但所有光谱曲线波形旱现一致的趋势，只是脏雪中污染物的光谱特性愈加明显。对积雪污染物含茸与反射光谱进行相关性分析如图2所示，在可见光／近红外波段。积雷的反射率与污染物含量呈高度负相关，相关性最大可达0．83，而在短波红外波段(1 438～1 800 nm)之间则呈现正相关，并且在1．49肚m处(吸收谷)达到最大，由此町见积雪污染物含鼍可以通过光谱信息来定茸反演。通过以上分析。本研究将主要从叮见光／近红外波段选取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上短波红外1．49“m处波长作为敏感波段，来探讨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构建特征指数法对各个敏感波段及其组合与积雪污染物含量(snow contamination concentration，SCC)进行相关性统计分析后，本研究尝试构建了积霄污染物含量差值指数SDI，当SDI为1．10和1．49肿波段反射率之差时，二者取得最佳的相关性。积雪污染物含量与SDI呈较好的对数关系，估算模型的确定性系数R2为0．795。如图3所示，实测数据与SDI模璎预测数据同样取得较好的拟合效果，尺2可达到0．721，当积雪污染物含量小于20时，预测值分布较集中。只是相对实测值偏大，但当污染物含量大于20时，实测值与模拟值相对分散在I s l对角线附近，由于SDI变化对污染物含量的敏感性降低。影响了SDI估算积雪污染物含量的精度，整体来看，预测值均偏大。0 lo 20 30 40 50 60Measured SCCrig．3 Relationship between measuredSCC and prdicted SOC by SDI2．3主成分光谱提取及估算主成分分析是多元统计中一种重要的数据压缩处理技术。在不丢失主要光谱信息的前提下，选择数目较少的新变量替代原来较多的变量。可以解决高光谱波段过多、谱带重叠的难题fl 2|。本文同时将这六个敏感波段作为变量进行偏相关系数检验。得知KMO检验值为0．680，根据Kaiser度量标准可以进行因子分析。数据处理结果表明，可见光／近红外波段范围内的5个波长在第1个因子上有较高的载荷，第1个因子主要解释了这几个波长的信息，这也与积雪污染2468On ：耄嚣∞∞∞如加mOu窝口售一星加¨¨¨啦o8蚕8岛盘万方数据1320 光谱学与光谱分析 第31卷物含量与反射光谱相关性分析(图2)中这几个波长同时呈较高负相关性一致，因此可以解释为可见光／近红外因子；短波红外波长1．49tnn在第2个因子上有较高的载倚。同理，第2个因子可以解释为呈正相关的短波红外因子。由表l可以看出，这两个主成分保留了原有6个波长的97．956％的信息，基本可以代替原来的6个变量。利用上述两个主成分对积雪污染物含量进行估算。结果如下式y=4．598+5．366fl+42．726fz，R2—0．763，sig．一0．000，F=48．161式中Y代表积雪污染物含量，，I和，2分别为主成分分析得到的可见光／近红外因子和短波红外因子，Sig．表示模璎显著水平，F为F检验值。利用剩余样本对建立的模型进行验证，如图4所示，验证模型的R2达到0．746，模型预测值与实测值相对密集分布在1；l对角线两侧，只是个别预测值仍偏大。总体来看，主成分分析方法估算积雪污染物含量可以取得较为稳定的估算结果。O lO 20 30 40 50 ∞MeasurⅨl SCC蹲4 RelatioBshio betwem m翰suredSCC andⅣ删SOC byPCAreflectance from PcA2．4积雪污染物含量的神经网络估算神经网络算法凶其在数据拟合与分类中良好的预测性及实用性广泛应用到各个领域[1 2。。因此本文将尝试分别采用BP神经网络与RBF径向基神经网络，将这6个变量同时作为输入矢量来预测积雪污染物含量的变化。估算过程均在Madab中通过算法实现，BP神经网络训练函数采用Trainhn，本文通过多次试验表明网络目标误差为0．01，隐藏层神经元为15，训练次数达5 778次时可以得到较好的估算结果，对剩余样本进行预测，结果如图5，实测积雪污染物含量与预测值R2达0．829。对于RBF神经网络，经过多次试验表明，当误差目标为0．01，SPREAD为0．1时可以取得较好的结果，验证结果如图6，实测积雪污染物含最与预测值殿达0．780。两种神经网络估算模型都取得了较好的效果。2．5三种模型估算结果比较对比图3～图6可看出。构建特征指数法、主成分分析法以及神经网络法在估算积雪污染物含量时都取得了较好的效果，后两者尤佳，验证点实测值与预测值分布于1。1对角线附近，一致性较好。主成分分析法由于囊括了更多的波谱信息，验证确定性系数R2达0．746，优于指数法的估算效果。但是构建指数法操作更直接、简单易行，尤其在快速反演大区域积雪污染物含量时更有优势。BP神经网络及RBF神经网络模型验证R2分别达0．829和0．780，相对于传统的统计学方法都有非常明显的提高，说明对于复杂的非线性映射问题，BP神经网络技术更有效。O lO 20 30 40 50 60Measurod Scc№5 RelationsiⅡo I七tween m翰sured SCC删ortUe衄l SCC by BP-NNO lO 20 30 40 50 ∞Mmsured Scc —留6风Iht删p ktwem m嘣叫训SCC珊一lm拯tM SOC by RBP-NN3结果与讨论本文通过模拟大气沉降实验，对不同污染程度的积雩进行高光谱数据和积雪污染物含量的同步获取，应用光谱学技术分析了不同污染物含量对积雪反射光谱的影响，并找出相应的敏感波段，分别利用构建特征指数法、主成分分析法、BP神经网络以及RBF神经网络模型对积雪污染物含量预测分析表明．高光谱遥感方法能够较为准确地估算积雪污染物含量。为进一步结合大尺度遥感数据进行时空监测奠定了基础。利用统计学方法对敏感波段及其组合进行分析，建立了反演积雪污染物含茸的特征指数．估算模型简单易行。但由于缺乏物理基础难以解释说明，需要进一步验证，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山万方数据第5期 光谱学与光谱分析 1321用过程中需要注意其时空局限性。将各敏感波段同时作为输入变量进行主成分光谱信息提取，相对特征指数法能进一步提高估算效果。不同污染物含量引起的积雪反射光谱的变化通过构建神经网络模型可以很好的估算，证明r神经网络模型埘非线性问题的求解、拟合以及预测所具有的优势和潜力。在所构建[1][2][3][4][5][6][7][8][9]Elo][11][12]的模型中，BP神经网络取得了优于RCF神经网络的估算效果，确定性系数R2分别达0．829和0．780。本研究所进行的模拟大气沉降实验。作为对积雩污染物含量遥感监测的一种探索，仪考虑了降尘这一污染性物质，实际自然状况下将会较为复杂，需要进一步研究验证。WANG Xing，ZHANG Qiang．GUO Ni。et al(王兴，张强，郭铌，等)．Arid Meteorolog(干旱气象)，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(梁顺林，范闻捷)．Quantity Remote Sensing(定量遥感)．Beijing：Science Press(北京：科学出版社)，2009．105．LIChuan-jin，LIZhong-qin，LIYue-fang．et al(李传金，李忠勤。李月芳，等)．ScienceinChinaD(中国科学D辑)。2007，37(5)：676．LI Quan-lian，wU Xiao-bo(李全莲，武小波)．Earth and Environmen．t(地球与环境)．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(中国科学D辑)2007．37(5)：670．ZENG Yin-xin，ZHENG Tian-ling(曾胤新。郑天凌)．Chinese Journal of Polar Research(极地研究)，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(刘占宇。王大成，李渡．等)．Joural of Infrared and Millimeter Waves(红外与毫米波学报)。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)

网友评论 more

环境保护论文最新内容

10-14