| 0 前言 | 第10-13页 |
| 1 水色遥感发展综述 | 第13-39页 |
| 1.1 卫星水色传感器的发展 | 第13-19页 |
| 1.1.1 第一代水色传感器CZCS | 第14-15页 |
| 1.1.2 第二代水色传感器 | 第15-19页 |
| 1.1.2.1 SeaWiFS传感器 | 第15页 |
| 1.1.2.2 MODIS传感器 | 第15-19页 |
| 1.1.2.3 MERIS传感器 | 第19页 |
| 1.2 大气修正算法 | 第19-28页 |
| 1.2.1 CZCS清洁水体单次散射大气修正算法 | 第22页 |
| 1.2.2 SeaWiFS大气修正算法 | 第22-26页 |
| 1.2.2.1 精确Rayleigh散射 | 第23页 |
| 1.2.2.2 气溶胶的多次散射 | 第23-25页 |
| 1.2.2.3 其它考虑 | 第25-26页 |
| 1.2.3 MODIS大气修正算法 | 第26-27页 |
| 1.2.4 MERIS大气修正算法 | 第27-28页 |
| 1.3 水色要素反演算法 | 第28-39页 |
| 1.3.1 经验统计法 | 第28-31页 |
| 1.3.2 辐射传输算法 | 第31-34页 |
| 1.3.3 半分析算法 | 第34-36页 |
| 1.3.4 优化求解在水色要素反演中的应用 | 第36-38页 |
| 1.3.5 主成分分析法 | 第38-39页 |
| 2 黄、东海区水体光学特性初步分析 | 第39-53页 |
| 2.1 2003年春季黄、东海水色联合试验介绍 | 第39-43页 |
| 2.1.1 试验站位 | 第39-40页 |
| 2.1.2 测量参数 | 第40-42页 |
| 2.1.3 试验海区的特征光谱 | 第42页 |
| 2.1.4 试验海区三要素浓度测量范围 | 第42-43页 |
| 2.2 黄、东海区水体光学特性初步分析 | 第43-52页 |
| 2.2.1 叶绿素吸收光谱 | 第43-46页 |
| 2.2.2 黄色物质吸收光谱 | 第46-47页 |
| 2.2.3 颗粒物吸收光谱 | 第47页 |
| 2.2.4 颗粒物后向散射特性 | 第47-52页 |
| 2.2.4.1 后向散射系数与散射系数的关系 | 第47-49页 |
| 2.2.4.2 后向散射系数随光谱变化的模型 | 第49-50页 |
| 2.2.4.3 后向散射系数与总悬浮物(TSM)浓度的关系 | 第50-52页 |
| 2.3 小结 | 第52-53页 |
| 3 人工神经网络方法 | 第53-64页 |
| 3.1 人工神经网络研究的发展简史 | 第53-54页 |
| 3.2 人工神经网络的主要特点 | 第54-55页 |
| 3.3 常用的神经元模型 | 第55-56页 |
| 3.4 人工神经网络的基本结构 | 第56-58页 |
| 3.5 BP算法的学习方法 | 第58-62页 |
| 3.5.1 启发式方法 | 第58-60页 |
| 3.5.2 基于数值优化方法的算法 | 第60-62页 |
| 3.6 BP算法训练网络的步骤 | 第62-64页 |
| 4 基于现场遥感反射率的三要素浓度反演NN模型 | 第64-85页 |
| 4.1 用于优化方法建模的数据集 | 第65-66页 |
| 4.1.1 模拟数据集法 | 第65-66页 |
| 4.1.2 现场实测数据集法 | 第66页 |
| 4.2 黄、东海区中低浑浊水体的叶绿素浓度反演NN模型 | 第66-74页 |
| 4.2.1 训练集与测试集的选取 | 第66-68页 |
| 4.2.2 BP网络的设计 | 第68-70页 |
| 4.2.2.1 网络的层数 | 第68-69页 |
| 4.2.2.2 每层的神经元数目 | 第69页 |
| 4.2.2.3 初始权值 | 第69页 |
| 4.2.2.4 学习速率 | 第69-70页 |
| 4.2.2.5 期望误差的选取 | 第70页 |
| 4.2.3 结果分析与比较 | 第70-74页 |
| 4.2.3.1 不同学习方法的结果比较 | 第70-73页 |
| 4.2.3.2 不同输入波段组合的结果比较 | 第73-74页 |
| 4.3 全部海区的三要素浓度反演NN模型 | 第74-82页 |
| 4.3.1 训练集和测试集的选取 | 第74-75页 |
| 4.3.2 三要素浓度同时反演的NN模型 | 第75-78页 |
| 4.3.2.1 反演结果与分析 | 第75-76页 |
| 4.3.2.2 NSOAS经验统计算法 | 第76-77页 |
| 4.3.2.3 NN3与NSOAS统计算法及现场实测结果的比较 | 第77-78页 |
| 4.3.3 单一成分反演的NN模型 | 第78-82页 |
| 4.3.3.1 总悬浮物浓度反演模型 | 第78-80页 |
| 4.3.3.2 叶绿素浓度反演模型 | 第80-81页 |
| 4.3.3.3 黄色物质浓度反演模型 | 第81-82页 |
| 4.4 算法敏感性分析 | 第82-83页 |
| 4.5 结论与讨论 | 第83-84页 |
| 4.6 小结 | 第84-85页 |
| 5 基于模拟卫星信号的大气修正及水色要素反演NN模型 | 第85-108页 |
| 5.1 二类水体大气修正方法 | 第85-89页 |
| 5.1.1 在Gordon标准算法基础上改进的算法 | 第85-88页 |
| 5.1.1.1 近红外光谱迭代算法 | 第85-87页 |
| 5.1.1.2 借用邻近清洁水体的大气光学特性 | 第87-88页 |
| 5.1.2 优化方法求解 | 第88-89页 |
| 5.1.3 主成分分析法 | 第89页 |
| 5.2 近红外(NIR)光谱迭代进行二类水体的大气修正尝试 | 第89-90页 |
| 5.3 神经网络大气修正方法 | 第90-104页 |
| 5.3.1 卫星信号模拟过程 | 第90-93页 |
| 5.3.1.1 离水辐射信号 | 第91页 |
| 5.3.1.2 气溶胶散射信号 | 第91-92页 |
| 5.3.1.3 模拟参数及假设条件 | 第92-93页 |
| 5.3.2 结果分析 | 第93-104页 |
| 5.3.2.1 测试集反演结果分析 | 第94-96页 |
| 5.3.2.2 实际卫星数据的反演结果分析 | 第96-101页 |
| 5.3.2.3 利用大气修正NN模型获得的遥感反射率反演三要素浓度 | 第101-103页 |
| 5.3.2.4 大气修正NN模型稳定性分析 | 第103-104页 |
| 5.4 由卫星信号直接反演水色三要素浓度的神经网络模型 | 第104-107页 |
| 5.5 小结 | 第107-108页 |
| 6 结论与进一步的工作 | 第108-111页 |
| 6.1 本文的结论 | 第108-110页 |
| 6.1.1 黄东海区水体光学特性初步分析 | 第108页 |
| 6.1.2 基于海面遥感反射率的三要素浓度反演NN模型 | 第108-109页 |
| 6.1.3 基于模拟卫星信号的离水辐射量及三要素浓度反演NN模型 | 第109-110页 |
| 6.2 进一步的工作 | 第110-111页 |
| 参考文献 | 第111-118页 |
| 致谢 | 第118页 |
