基于深度学习的VIIRS卫星全球海洋叶绿素a浓度反演

论文摘要

叶绿素a是浮游植物的主色素和海洋生物量的指标,VIIRS卫星将在未来20年提供全球水色数据,运用遥感技术及时准确地反演全球海洋叶绿素a浓度对于科学研究具有重要意义。深度学习具有强大的建模能力和计算能力,使其在精准快速反演全球海洋叶绿素a浓度时具有巨大的潜力,但是目前还没有对此进行探索的相关研究。本文采用深度学习方法针对VIIRS卫星进行全球海洋叶绿素a浓度反演,并对全球海洋叶绿素a浓度进行时空分析,主要工作与结论如下:（1）为了准确高效的反演叶绿素a浓度,本文建立了基于卷积神经网络CNN的叶绿素a浓度反演模型,输入为VIIRS卫星4个水色波段反射率的Patch图像,OC-CCI叶绿素a浓度产品作为真值数据用来训练端到端的反演模型。经过精细化调参后,2017年12个月的月平均叶绿素a浓度图通过训练好的CNN模型反演生成。定性和定量分析用来评价和对比CNN模型和浅层模型支持向量回归SVR,CNN模型12个月平均的R2为0.96、RMSE为0.11均优于SVR。结果表明CNN模型可以准确、快速并且稳健的反演全球海洋绿a浓度。（2）为了解决CNN模型反演结果中部分数据缺失的问题,建立了基于循环神经网络RNN的叶绿素a浓度缺失数据插值模型,利用已经发布的OC-CCI数据进行插值。通过对常用结构的对比分析与精细化调参后确定GRU结构为最终的模型,模型的输入时间序列为19年,即1998至2016年的月平均叶绿素a浓度,预测的时间序列为1年,即2017年的月平均叶绿素a浓度,模型在测试集上的R2为0.94、RMSE为0.07。结果表明RNN模型可以对CNN反演出的大部分缺失数据进行精准插值。（3）为了了解浮游植物生长动态与全球碳循环,需要对全球海洋叶绿素a浓度进行高效精准的时空分析,因此采用通过CNN模型和RNN模型所生成的2017年月平均全球海洋叶绿素a浓度数据进行分析。本文从年平均分析、月平均分析、纬度梯度的季节影响和不同研究区浓度变化等四个方面进行时空分析。经过分析发现叶绿素a浓度分布与离岸距离、海洋深度和洋流有关;最大值的叶绿素a浓度会于夏季出现在沿海地区;北半球和南半球信风的影响是造成上升流的原因,从而使叶绿素a浓度升高。

论文目录

• 摘要
• abstract
• 1 绪论
•   1.1 选题背景与意义
•   1.2 研究现状
•     1.2.1 水色遥感卫星进展
•     1.2.2 海洋叶绿素a浓度遥感反演
•     1.2.3 深度学习的遥感应用
•   1.3 研究内容与技术路线
•     1.3.1 研究内容
•     1.3.2 技术路线
•   1.4 论文组织结构
• 2 深度学习原理与叶绿素a浓度遥感反演机理
•   2.1 深度学习原理
•     2.1.1 BP神经网络
•     2.1.2 卷积神经网络CNN
•   2.2 叶绿素a浓度遥感反演机理
•   2.3 本章小结
• 3 基于CNN的叶绿素a浓度反演
•   3.1 数据
•     3.1.1 VIIRS Level3月平均反射率数据
•     3.1.2 OC-CCI叶绿素a浓度真值数据
•   3.2 CNN模型初始化
•     3.2.1 预处理
•     3.2.2 CNN结构
•     3.2.3 训练与预测
•     3.2.4 评价方法
•     3.2.5 方法实施
•   3.3 CNN模型参数优化
•     3.3.1 卷积方式
•     3.3.2 Patch大小
•     3.3.3 卷积核尺寸
•     3.3.4 卷积核个数
•     3.3.5 全连接神经元个数
•     3.3.6 池化方式
•     3.3.7 网络深度
•   3.4 CNN模型确定
•   3.5 CNN反演结果和SVR对比实验结果
•   3.6 讨论
•   3.7 本章小结
• 4 基于RNN的叶绿素a浓度缺失数据插值
•   4.1 RNN介绍
•   4.2 数据与预处理
•   4.3 RNN模型建立
•     4.3.1 Simple RNN
•     4.3.2 LSTM
•     4.3.3 GRU
•   4.4 实验结果
•     4.4.1三种RNN结构对比实验
•     4.4.2 GRU模型参数的影响
•     4.4.3 叶绿素a浓度缺失数据插值
•   4.5 本章小结
• 5 全球海洋叶绿素a浓度时空分析
•   5.1 研究区
•   5.2 全球海洋年平均叶绿素a浓度分析
•   5.3 全球海洋月平均叶绿素a浓度分析
•   5.4 叶绿素a浓度纬度梯度的季节影响
•   5.5 不同研究区月平均叶绿素a浓度变化
•   5.6 本章小结
• 6 结论与展望
•   6.1 主要工作与结论
•   6.2 特色与创新
•   6.3 研究展望
• 参考文献
• 致谢
• 附录

文章来源

类型: 博士论文

作者: 于博文

导师: 彭军还,徐林林,王跃宾

关键词: 深度学习,叶绿素浓度,时空分析

来源: 中国地质大学(北京)

年度: 2019

分类: 基础科学,信息科技

专业: 生物学,自动化技术

单位: 中国地质大学(北京)

分类号: TP18;Q948.8

DOI: 10.27493/d.cnki.gzdzy.2019.000082

总页数: 138

文件大小: 11966K

下载量: 337