基于遥感反射率分类的县浮物浓度反演模型构建-以三湖一库为例的开题报告

基于遥感反射率分类的县浮物浓度反演模型构建——以三湖一库为例的开题报告一、研究背景和意义近年来，水体浮游植物异常增长以及富营养化现象日益加剧，成为制约水资源可持续利用的重要因素。因此，浮游植物的监测与研究对于水体环境的保护及水利工程的管理具有重要意义。水体浮游植物浓度的定量反演是水体环境监测的重要研究内容之一。从遥感角度出发，利用遥感技术进行浮游植物的反演具有非接触式、全面性强、实时性强等优势。而利用遥感技术进行浮游植物反演的关键问题是建立反演模型。典型的浮游植物反演模型主要有基于遥感反射率的统计模型和物理光学模型。在此基础上，基于遥感反射率的分类反演模型应运而生，该模型是一种利用光谱特征将水体分成多个类别，并根据类别之间的差异反演浮游植物浓度的模型。目前，已有很多基于遥感反射率的分类反演模型，如Parker模型、Maximumlikelihood（最大似然）模型和Decisiontree（决策树）模型等，但大多数模型在实际应用过程中存在其局限性。本研究将基于三湖一库（即鄱阳湖、洞庭湖、太湖和滇池）的遥感反射率数据建立一个分类反演模型，以期为水体浮游植物浓度的定量反演提供一种新的方法以及可行性方案。二、研究内容和方法（1）研究内容本文将以三湖一库的遥感反射率数据为基础，构建一种基于遥感反射率分类的浮游植物浓度反演模型。具体研究内容包括：1.整理三湖一库的遥感反射率数据并进行预处理以及分类处理。2.进行水体浮游植物浓度和遥感反射率数据之间的相关性分析，并选择影响浮游植物浓度的主要因素作为分类指标。3.构建分类反演模型，利用机器学习算法对反演结果进行预测，并进行反演结果的验证和评估。（2）研究方法1.遥感反射率数据的整理和预处理：本文将采用遥感传感器获取的高光谱图像数据，首先进行去噪、云去除、大气校正、地形校正等预处理工作，以提高数据质量。2.分类反演模型：本文将采用决策树、支持向量机等机器学习算法构建分类反演模型。根据分类指标对水体进行分层和分级，并通过对每层水体反演其浮游植物浓度，得到整个水体的浓度反演结果。3.反演结果的评估和验证：本文将通过交叉验证方法和单独测试数据集来评估和验证分类反演模型的准确性和可靠性。三、研究进展和计划目前，本文已完成遥感反射率数据的采集和预处理工作，并初步探讨了水体浮游植物浓度和遥感反射率之间的相关性。接下来，本文将着重进行分类反演模型的构建和反演结果的评估验证工作。具体研究计划如下：1.完善分类指标体系，并筛选出影响浮游植物浓度的主要因素。2.探索和选择适合三湖一库的分类反演模型，包括机器学习算法和半物理模型等。3.利用交叉验证方法和单独测试数据集对分类反演模型的准确性和可靠性进行评估验证。4.将分类反演模型应用到实际浮游植物监测中，并与其他浮游植物反演模型进行比较和分析。四、研究预期成果本研究旨在构建一个基于遥感反射率分类的浮游植物浓度反演模型，并将其应用到三湖一库的水体监测中。预期研究成果如下：1.筛选出影响浮游植物浓度的主要因素，并建立可靠的分类指标体系。2.构建一个准确可靠的基于遥感反射率分类的浮游植物浓度反演模型。3.实际应用