海底信息数据论文_李肖霞

导读:本文包含了海底信息数据论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:海底,浅海,数据,神经网络,微分,光谱,类型。

海底信息数据论文文献综述

李肖霞^[1]（2007）在《海洋高光谱数据在浅海海底探测及赤潮藻类信息提取中的应用》一文中研究指出高光谱遥感是海洋遥感领域近年来发展起来的技术。随着高光谱遥感手段的广泛应用,高光谱数据信息提取方法的研究有着十分重要的意义。本文基于微分和人工神经网络两种信息提取方法,针对浅海海底类型及水深、赤潮藻类分类和反演问题分别做了定性和定量研究。本文在研究浅海海底类型及水深问题时,利用半分析海洋辐射传递模型模拟出沙子和海草两种海底类型光学浅水的遥感反射比。首先,对得到的模拟数据做四阶微分,根据530nm和510nm两个点四阶微分值之间直线的斜率值,找出两种海底类型的不同特征,然后利用实测数据去验证。其次,将模拟数据集按照一定比例(80%和20%)分为人工神经网络训练集和测试集,建立反演海底类型和水深的人工神经网络模型。人工神经网络的输入层有31个,对应着400nm-700nm之间31个波段的遥感反射比,输出层有2个,对应着海底类型和水深。建立的模型需要用实测数据去验证。最后,基于模拟数据集建立了定量反演浅海海底类型的人工神经网络模型,输入层同样有31个,对应着400nm-700nm之间31个波段的遥感反射比,输出层有2个,对应着沙子和海草两种海底类型的百分含量。本文在研究藻类信息提取时,首先对五种典型藻类的吸收系数进行四阶微分处理,根据670nm和650nm两个点四阶微分值之间直线的斜率值,找出了一种区分五种藻类的方法。其次,建立了反演米氏凯伦藻相对百分含量的方法,利用实测的不含米氏凯伦藻海域的浮游植物吸收系数数据,与不同条件下典型的米氏凯伦藻的吸收系数按照一定的百分含量加权相加,得到模拟数据集,建立了反演米氏凯伦藻百分含量的人工神经网络系统。将反演出的米氏凯伦藻中叶绿素a浓度与实测米氏凯伦藻的浓度做相关分析,研究表明,两者之间的线性相关性较高,这将为米氏凯伦藻浓度的定量反演提供一种新的方法。(本文来源于《中国海洋大学》期刊2007-06-06）