青島靈山灣潮間帶沉積物粒度參數(shù)高光譜定量反演

陳曉琳, 孫根云, 徐方建, 趙永芳, 王振杰

(1.中國(guó)石油大學(xué)(華東)地球科學(xué)與技術(shù)學(xué)院, 山東 青島 266580; 2.中國(guó)科學(xué)院海洋研究所, 山東 青島266071)

海岸帶是海陸作用最活躍的地區(qū), 生態(tài)環(huán)境脆弱, 對(duì)環(huán)境變化敏感。近年來(lái), 隨著近海城市不斷擴(kuò)張, 海洋經(jīng)濟(jì)迅速崛起, 人類(lèi)對(duì)海岸帶地區(qū)的開(kāi)發(fā)利用日趨加強(qiáng), 對(duì)海域使用的需求不斷提高[1-3]。因此, 人類(lèi)活動(dòng)對(duì)海岸沉積動(dòng)力過(guò)程、動(dòng)力地貌演變以及岸線(xiàn)遷移演化的影響越來(lái)越大[4], 這深刻影響了潮灘表層沉積物的組成及粒度特征。作為海陸交替的過(guò)渡地帶, 潮間帶地區(qū)物質(zhì)和能量的轉(zhuǎn)換遠(yuǎn)比其他地域迅速, 表層沉積物粒度參數(shù)特征的變化記錄了自然與人類(lèi)活動(dòng)共同作用下的海岸沉積環(huán)境及動(dòng)力地貌演變[5-6]。因此, 研究潮間帶沉積物粒度參數(shù)的空間分布規(guī)律是研究潮灘動(dòng)態(tài)變化的一種重要手段。

目前, 對(duì)潮間帶沉積物粒度數(shù)據(jù)主要通過(guò)現(xiàn)場(chǎng)樣品采集并結(jié)合實(shí)驗(yàn)分析獲取, 具有較高的精度[7-9]。然而, 這種方法耗時(shí)耗力, 樣品前處理和分析也需要專(zhuān)業(yè)人員操作, 獲取數(shù)據(jù)周期長(zhǎng), 不適用于大面積區(qū)域的時(shí)空動(dòng)態(tài)變化的調(diào)查[10]。隨著高光譜技術(shù)的發(fā)展, 越來(lái)越多的學(xué)者將高光譜技術(shù)應(yīng)用到潮間帶信息的識(shí)別和提取中。研究表明, 利用高光譜技術(shù)在光譜區(qū)域內(nèi)連續(xù)取樣, 可以分辨出表層沉積物特征細(xì)節(jié)的光譜特征[10-12]。然而, 光譜分辨率的提高是以較高的數(shù)據(jù)維和較大的數(shù)據(jù)量為代價(jià)的。這給高光譜數(shù)據(jù)處理帶來(lái)了很多問(wèn)題, 例如信息的高冗余度, 數(shù)據(jù)的存儲(chǔ)空間增大, 處理時(shí)間增長(zhǎng), 以及維數(shù)災(zāi)難現(xiàn)象等。目前, 利用高光譜技術(shù)反演表層沉積物特征已取得一定成果, 但這些研究大都采用構(gòu)造簡(jiǎn)便的線(xiàn)性模型來(lái)獲取沉積物特征[10-12]。然而, 當(dāng)數(shù)據(jù)存在非線(xiàn)性關(guān)系, 或者不確定數(shù)據(jù)滿(mǎn)足什么樣的函數(shù)條件時(shí), 便無(wú)法確定函數(shù)的表示形式。同時(shí), 由于光譜受水分等的影響較大, 要想直接利用光譜分析粒度參數(shù)差異顯然是困難的[13]。

本文以山東省青島市靈山灣潮間帶砂質(zhì)沉積物為研究對(duì)象, 現(xiàn)場(chǎng)獲取表層沉積物高光譜反射率,對(duì)沉積物進(jìn)行粒度測(cè)試, 此后對(duì)光譜數(shù)據(jù)進(jìn)行數(shù)學(xué)變換, 利用神經(jīng)網(wǎng)絡(luò)光譜分析方法建立起良好的潮間帶沉積物粒度參數(shù)預(yù)測(cè)模型, 探討了基于潮間帶反射光譜特性進(jìn)行沉積物粒度參數(shù)預(yù)測(cè)的可行性,為實(shí)現(xiàn)實(shí)時(shí)、快捷的沉積物粒度特征變化監(jiān)測(cè)提供理論依據(jù), 同時(shí)也為實(shí)現(xiàn)基于遙感方法快速定量獲取沉積物特征參數(shù)提供理論基礎(chǔ)。

1 研究區(qū)概況

青島地處典型的東亞季風(fēng)氣候區(qū), 受毗鄰海洋的影響, 其天氣和氣候具有大陸性和海洋性之間的過(guò)渡型特征, 沿海一帶屬海洋性氣候特征。地貌上是典型的山地海岸、岬灣相間, 多沙灘和海灣, 其沙灘正遭受侵蝕不斷后退, 且侵蝕后退速度加劇[14]。例如,著名的青島第一海水浴場(chǎng)由于海岸侵蝕, 呈現(xiàn)出不斷退化的現(xiàn)象, 每年都需要通過(guò)人工填沙來(lái)維持。

靈山灣海水浴場(chǎng)位于青島市黃島區(qū), 北依小珠山, 西南臨瑯琊臺(tái), 東南與靈山島相望, 風(fēng)景十分優(yōu)美。然而, 自20世紀(jì)90年代以來(lái), 靈山灣每年蝕退可達(dá)7 m[15]。人類(lèi)活動(dòng)對(duì)靈山灣海岸帶地區(qū)的開(kāi)發(fā)利用日趨加強(qiáng), 對(duì)海域使用的需求不斷提高, 這也會(huì)深刻影響潮灘表層沉積物的粒度特征。

2 數(shù)據(jù)獲取與處理

2.1 光譜數(shù)據(jù)的獲取與處理

2014年1月18日10 : 00~14: 00與2014年11月12日12: 00~14: 00, 分別利用愛(ài)萬(wàn)提斯(Avantes)光譜儀于青島市靈山灣海水浴場(chǎng)進(jìn)行地物反射率現(xiàn)場(chǎng)采集。為保證數(shù)據(jù)充分反映沉積物光譜特性, 采樣時(shí)段在退潮水分下滲最大時(shí)段。儀器波段范圍為180~1 170 nm, 光譜儀分辨率2.4 nm, 采樣間隔0.6 nm。2次采樣日天氣晴, 北風(fēng)3~4級(jí), 實(shí)時(shí)潮高分別為40 cm和 56cm 。 采 集 范 圍 為 120°03′25″~120°03′54″E,35°52′28″~35°53′03″N, 采樣間隔 50 m。為保證數(shù)據(jù)準(zhǔn)確性, 每個(gè)采樣點(diǎn)測(cè)量5次, 取算術(shù)平均值作為實(shí)際反射光譜數(shù)據(jù)。各樣點(diǎn)測(cè)定前、后都進(jìn)行白板定標(biāo)。使用美國(guó)Magellan eXplorist 500手持GPS定位,定位精度<7 m。

每個(gè)潮間帶樣品的光譜曲線(xiàn)首先去除全光譜數(shù)據(jù)中180~350 nm和1 000~1 170 nm的首尾噪聲, 采用五步平均法去掉高頻噪聲的干擾, 使光譜數(shù)據(jù)更為平穩(wěn), 確保所建的反演模型預(yù)測(cè)結(jié)果更為精確。為了消除由相鄰波段間較高相關(guān)性產(chǎn)生的數(shù)據(jù)冗余,利用FWHM等于波段間距的高斯模擬進(jìn)行臨界抽樣,以10 nm為間隔進(jìn)行重采樣[16]。

2.2 潮間帶沉積物樣品采集與分析

光譜采集的同時(shí), 原位采集表層0~2 mm內(nèi)的沉積物樣品, 裝袋編號(hào)保存帶回實(shí)驗(yàn)室分析, 共 83個(gè)樣品。樣品分別經(jīng)過(guò)量30%雙氧水和1 mol/L鹽酸去除沉積物中的有機(jī)質(zhì)及生物貝殼, 其后將樣品離心3次, 處理后的樣品經(jīng)超聲波振蕩分散后在中國(guó)石油大學(xué)(華東)進(jìn)行測(cè)試。分析所用儀器為BT-2002型激光粒度儀, 測(cè)量范圍為 1~2 600 μm, 重復(fù)測(cè)量相對(duì)誤差<3%。采用矩法[17]對(duì)常規(guī)的4種粒度參數(shù)(平均粒徑, 分選系數(shù), 偏態(tài)及峰態(tài))進(jìn)行了計(jì)算。

3 建模和驗(yàn)證方法

3.1 光譜數(shù)據(jù)的數(shù)學(xué)變換

如前所述, 很難直接利用高光譜數(shù)據(jù)分析粒度參數(shù)在光譜上的差別。光譜一階導(dǎo)數(shù)、二階導(dǎo)數(shù)和倒數(shù)的對(duì)數(shù)是常用的光譜處理方法, 計(jì)算公式如公式(1)~公式(3)。其中, 導(dǎo)數(shù)變換可以對(duì)重疊混合光譜進(jìn)行分解, 以擴(kuò)大樣品之間的光譜特征差異; 倒數(shù)的對(duì)數(shù)變換不僅趨向于增強(qiáng)可見(jiàn)光區(qū)的光譜差異,而且趨向于減少因光照條件變化引起的乘性因素影響[18-19]。

其中,m為波段號(hào),λm和λm+1分別為m波段和m+1波段對(duì)應(yīng)的波長(zhǎng);R(λm)和R(λm+1)分別為m波段和m+1波段的光譜反射率。

3.2 模型的建立與精度驗(yàn)證

潮間帶沉積物反射光譜數(shù)據(jù)復(fù)雜, 在探索建立粒度參數(shù)與光譜之間的關(guān)系模型中, 傳統(tǒng)線(xiàn)性模型具有一定局限性。比較而言, 神經(jīng)網(wǎng)絡(luò)可以接近多種統(tǒng)計(jì)模型, 因變量和自變量的關(guān)系是在學(xué)習(xí)過(guò)程中確定的。因此, 神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大性、靈活性和易用性而成為很多預(yù)測(cè)、數(shù)據(jù)挖掘應(yīng)用的首選工具[20]。其中最常用的是多層感知器(multi-layer perceptron,MLP)網(wǎng)絡(luò)。MLP通過(guò)多個(gè)感知器的組合實(shí)現(xiàn)了復(fù)雜的非線(xiàn)性回歸模型。

MLP具有多層結(jié)構(gòu), 而最常用的是三層結(jié)構(gòu),即輸入層、隱含層及輸出層, 每層均由節(jié)點(diǎn)(人工神經(jīng)元)組成, 每個(gè)節(jié)點(diǎn)與除本層外其他節(jié)點(diǎn)均相連。輸入層、隱含層和輸出層分別用于數(shù)據(jù)的輸入、處理和輸出。輸入層節(jié)點(diǎn)數(shù)與參加分析的特征數(shù)相同,本研究中即數(shù)學(xué)變換后及原始波段數(shù)據(jù); 輸出層節(jié)點(diǎn)數(shù)與最終回歸得到的特征數(shù)相同, 本研究中為 4個(gè)潮間帶粒度參數(shù); 隱藏層節(jié)點(diǎn)數(shù)由實(shí)驗(yàn)確定, 本研究采用 2層隱藏層。全部樣本按粒度大小進(jìn)行排序, 等間隔選擇 11個(gè)預(yù)測(cè)樣本作為獨(dú)立驗(yàn)證集, 剩余的72個(gè)樣本為建模樣本集。建立模型的精度評(píng)價(jià)主要采用預(yù)測(cè)值和實(shí)測(cè)值的決定系數(shù)(R2), 均方根誤差(root-mean-square error, RMSE)[21]。

4 結(jié)果與討論

4.1 沉積物粒度參數(shù)特征

研究區(qū)表層沉積物平均粒徑和分選系數(shù)分別為1.10~2.51Φ、0.69~0.92。按照Shepard三角形分類(lèi)法,所有沉積物類(lèi)型均為砂(細(xì)砂-中砂), 分選好至較好[22]。如表1所示, 各粒度參數(shù)變異系數(shù)均屬中等變異, 變異系數(shù)在 15%~45%之間, 說(shuō)明該研究區(qū)表層沉積物粒度的變異性較大, 因而沉積物特征的監(jiān)測(cè)更具有意義。

表1 粒度參數(shù)的特征統(tǒng)計(jì)值Tab.1 Statistical eigenvalues of grain size parameters

4.2 不同數(shù)學(xué)變換方法的光譜特征

隨機(jī)選取 5條不同粒度沉積物反射光譜及其數(shù)學(xué)變換后曲線(xiàn), 如圖1所示。其中, 圖1a是潮間帶表層沉積物樣品的反射光譜曲線(xiàn), 所有樣品的光譜曲線(xiàn)形態(tài)大致相同, 可見(jiàn)光波段(VIS)的反射率小于近紅外(NIR)波段, 特征吸收帶出現(xiàn)的波段位置基本一致, 只是潮間帶粒度參數(shù)不同, 導(dǎo)致特征波段反射率大小不同。圖1b是潮間帶表層沉積物樣品的光譜一階導(dǎo)數(shù)曲線(xiàn), 可以看出在450 nm處有一個(gè)小反射峰, 550 nm處有一個(gè)大反射峰, 470 nm處有一個(gè)反射谷, 所有樣本在可見(jiàn)光區(qū)域曲線(xiàn)形態(tài)大致相同,近紅外處沒(méi)有明顯規(guī)則。圖1c是潮間帶表層沉積物樣品的光譜二階導(dǎo)數(shù)曲線(xiàn), 可以看出二階導(dǎo)數(shù)曲線(xiàn)沒(méi)有明顯規(guī)律性, 在470 nm處有一個(gè)反射谷。圖1d是潮間帶表層沉積物樣品的光譜倒數(shù)的對(duì)數(shù)曲線(xiàn), 所有樣品的光譜曲線(xiàn)形態(tài)大致相同, 可見(jiàn)光波段反射率大于近紅外波段, 特征吸收帶出現(xiàn)的波段位置基本一致。

圖1 不同數(shù)學(xué)變換的潮間帶樣品光譜曲線(xiàn)Fig.1 Reflectance curves of different mathematical transformed intertidal samples

4.3 粒度參數(shù)與不同數(shù)學(xué)變換光譜相關(guān)分析

為了探討潮間帶粒度參數(shù)與潮間帶光譜之間的關(guān)聯(lián), 將潮間帶表層沉積物平均粒徑、標(biāo)準(zhǔn)偏差、偏度和峰度分別與原始光譜反射率、光譜倒數(shù)對(duì)數(shù)值、光譜一階導(dǎo)數(shù)以及二階導(dǎo)數(shù)進(jìn)行相關(guān)分析, 各參數(shù)的相關(guān)系數(shù)見(jiàn)圖2。可以看出, 4種粒度參數(shù)與光譜在大部分波段有較高的相關(guān)系數(shù)。計(jì)算結(jié)果表明, 各變換形式都在一定程度上提高了沉積物粒度參數(shù)與光譜因子之間的相關(guān)性, 其中以一階導(dǎo)數(shù)最為顯著,相關(guān)系數(shù)在0.5以上的因子數(shù)目大幅增加。由圖2可以明顯看出, 某些原始光譜中比較細(xì)微的信息在經(jīng)過(guò)變換后被放大了, 特別是微分求導(dǎo)變換后的光譜特征值的相關(guān)性甚至可以達(dá)到–0.9以上的極顯著水平。

圖2 粒度參數(shù)與數(shù)學(xué)變換后的光譜之間的相關(guān)系數(shù)Fig.2 Correlation coefficients between granularity parameters and different mathematical transformed spectral

根據(jù)粒度參數(shù)與光譜的相關(guān)分析, 找出與潮間帶粒度參數(shù)相關(guān)性較好的光譜特征波段。利用神經(jīng)網(wǎng)絡(luò), 各粒度參數(shù)與特征波段的光譜變量進(jìn)行回歸分析, 經(jīng)神經(jīng)網(wǎng)絡(luò)所建的模型重要性見(jiàn)表2。可以看出, 對(duì)于原始光譜, 近紅外波段(770~3 800 nm)、綠光波段(440~580 nm)對(duì)粒度參數(shù)貢獻(xiàn)較大, 而紅光波段(620~770 nm) 和藍(lán)光波段(390~440 nm)貢獻(xiàn)較小; 對(duì)于一階導(dǎo)數(shù)光譜, 近紅外波段對(duì)粒度參數(shù)回歸貢獻(xiàn)較大, 其余波段貢獻(xiàn)較小; 對(duì)于二階導(dǎo)數(shù)和倒數(shù)的對(duì)數(shù)光譜, 近紅外波段和紅光波段對(duì)粒度參數(shù)回歸的貢獻(xiàn)較大, 其余波段貢獻(xiàn)較小。

表2 神經(jīng)網(wǎng)絡(luò)模型波段重要性Tab.2 Important bands for ANN (Artificial Neural Network) model

4.4 粒度參數(shù)預(yù)測(cè)分析

本研究采用神經(jīng)網(wǎng)絡(luò)建立了潮間帶表層沉積物粒度參數(shù)估算模型, 經(jīng)過(guò)訓(xùn)練確定隱藏層 1中節(jié)點(diǎn)數(shù)為20, 隱藏層2中節(jié)點(diǎn)數(shù)為15。

如表3所示, 利用這4種光譜數(shù)學(xué)變換對(duì)4種粒度參數(shù)進(jìn)行回歸分析, 采用倒數(shù)的對(duì)數(shù)的數(shù)學(xué)變換在平均粒徑、偏度參數(shù)預(yù)測(cè)的精度明顯優(yōu)于其他數(shù)學(xué)變換方式, 原始光譜對(duì)標(biāo)準(zhǔn)偏差的預(yù)測(cè)精度遠(yuǎn)優(yōu)于其他數(shù)學(xué)變換(R2達(dá)到0.78), 一階導(dǎo)數(shù)對(duì)峰度的預(yù)測(cè)精度遠(yuǎn)優(yōu)于其他, 二階導(dǎo)數(shù)對(duì) 4個(gè)粒度參數(shù)的預(yù)測(cè)結(jié)果相對(duì)較差。比較建模過(guò)程和驗(yàn)證過(guò)程可以發(fā)現(xiàn), 除了偏度驗(yàn)證的相關(guān)系數(shù)之差較大, 其余3個(gè)粒度參數(shù)的回歸相關(guān)系數(shù)均相近。這表明利用神經(jīng)網(wǎng)絡(luò)方法建立的回歸模型比較穩(wěn)定, 預(yù)測(cè)精度較高。說(shuō)明利用可見(jiàn)—近紅外高光譜對(duì)潮間帶粒度參數(shù)進(jìn)行預(yù)測(cè)是可能的。

表3 驗(yàn)證樣本實(shí)測(cè)值與預(yù)測(cè)值的對(duì)比Tab.3 Comparison between measured values and predicted values

依據(jù)回歸估計(jì)RMSE對(duì)得到的模擬值和測(cè)量值利用1∶1關(guān)系圖進(jìn)行了檢驗(yàn)分析(圖3)。可以看出,回歸預(yù)測(cè)結(jié)果與實(shí)測(cè)數(shù)據(jù)有較好的符合度, 但個(gè)別樣本點(diǎn)預(yù)測(cè)誤差較大。由圖3和表3得到的各粒度參數(shù)的最優(yōu)回歸精度通過(guò)Pearson相關(guān)系數(shù)分析, 通過(guò)了0.01的置信區(qū)間檢驗(yàn)。這說(shuō)明基于高光譜數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)所建立的模型的模擬值和實(shí)測(cè)值具有較好的一致性, 利用該模型進(jìn)行區(qū)域范圍內(nèi)的潮間帶表層沉積物粒度監(jiān)測(cè)是可行的。

圖3 驗(yàn)證樣本實(shí)測(cè)值與預(yù)測(cè)值比較Fig.3 Comparison between measured and predicted values of validation samples

4.5 空間制圖分析

潮間帶制圖可以使潮間帶性質(zhì)空間變異直觀地顯現(xiàn)出來(lái)。地統(tǒng)計(jì)學(xué)中的克里金方法尤其是協(xié)同克里金在考慮到被預(yù)測(cè)沉積物粒度屬性的信息的同時(shí),也考慮影響潮間帶屬性分布的其他因素, 以協(xié)同變量可以提高潮間帶屬性制圖的精度。借助獲取的野外光譜數(shù)據(jù), 利用神經(jīng)網(wǎng)絡(luò)得到的沉積物粒度參數(shù),結(jié)合地統(tǒng)計(jì)學(xué)中的克里金插值分析, 進(jìn)行潮間帶粒度特征的空間制圖。分別采用實(shí)測(cè)值與平均粒徑、標(biāo)準(zhǔn)偏差、偏度和峰度相關(guān)系數(shù)最高的數(shù)據(jù)處理方法得到的預(yù)測(cè)值進(jìn)行制圖。其中, 平均粒徑、偏度最佳預(yù)測(cè)值為倒數(shù)的對(duì)數(shù)預(yù)測(cè)值, 標(biāo)準(zhǔn)偏差最佳預(yù)測(cè)值為原始光譜預(yù)測(cè)值, 峰度最佳預(yù)測(cè)結(jié)果為利用一階導(dǎo)數(shù)得到的預(yù)測(cè)值, 結(jié)果見(jiàn)圖4。與實(shí)測(cè)潮間帶粒度特征克里金制圖相比, 光譜空間預(yù)測(cè)圖表現(xiàn)出相同的潮間帶粒度特征空間變異趨勢(shì), 說(shuō)明野外光譜測(cè)量手段是可以被用來(lái)實(shí)時(shí)快速的獲取潮間帶粒度空間分布信息的。

圖4 實(shí)測(cè)值與模擬值的空間分布比較Fig.4 Comparison between measured and predicted values in spatial distribution

5 結(jié)論與存在的問(wèn)題

本文通過(guò)野外測(cè)量青島靈山灣潮間帶表層沉積物的高光譜數(shù)據(jù), 比較了原始光譜、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)和倒數(shù)的對(duì)數(shù)光譜特性, 分析了潮間帶表層沉積物粒度參數(shù)與各光譜特性的相關(guān)性, 主要結(jié)論如下:

1) 利用原始光譜、光譜一階導(dǎo)數(shù)、二階導(dǎo)數(shù)和倒數(shù)的對(duì)數(shù), 可以有效的獲得潮間帶光譜的特征波段, 這些波段很好地反映了潮間帶平均粒徑、標(biāo)準(zhǔn)偏差、偏度和峰度參數(shù)典型的光譜特征。通過(guò) 4種粒度參數(shù)與潮間帶光譜變量之間的相關(guān)分析發(fā)現(xiàn), 粒度參數(shù)與綠光、紅光和近紅外波段處的光譜變量存在顯著的相關(guān)性。利用神經(jīng)網(wǎng)絡(luò)分別對(duì)粒度參數(shù)與數(shù)學(xué)變換后光譜變量進(jìn)行回歸分析, 探索利用反射光譜預(yù)測(cè)潮間帶沉積物粒度參數(shù)的可行性。

2) 潮間帶的粒度參數(shù)均顯示出與光譜變量良好的相關(guān)性, 各變換形式都不同程度的提高了光譜因子對(duì)粒度參數(shù)的敏感性, 其中以微分求導(dǎo)放大了原始光譜中的細(xì)微信息最為明顯。最優(yōu)回歸模型的預(yù)測(cè)精度較高(R2均大于0.78), 并且通過(guò)了Pearson相關(guān)系數(shù)分析 0.01的置信區(qū)間檢驗(yàn), 利用克里金法插值分析得到的模擬值與實(shí)測(cè)值的空間制圖出現(xiàn)相同趨勢(shì), 表明該方法具有實(shí)時(shí)快速估算潮間帶粒度參數(shù)空間分布信息的能力。

3) 建立地面模型的目的是為了指導(dǎo)在遙感衛(wèi)星尺度上對(duì)該地區(qū)甚至其他地區(qū)的潮間帶變化情況進(jìn)行大范圍的監(jiān)測(cè)。我們用地面測(cè)量的高光譜數(shù)據(jù)和粒度參數(shù)數(shù)據(jù)建立了粒度參數(shù)的定量估算模型, 通過(guò)對(duì)定量模型的分析可以知道, 在可見(jiàn)光和近紅外波段能夠找到粒度參數(shù)的敏感波譜響應(yīng), 用這些波段的反射率建立神經(jīng)網(wǎng)絡(luò), 可以對(duì)粒度參數(shù)進(jìn)行比較準(zhǔn)確的估計(jì)。這些敏感波段基本上和目前常用的遙感資源衛(wèi)星的傳感器在可見(jiàn)光和近紅外波段的設(shè)置一致, 這就為我們?cè)诖撕蠊ぷ髦袕牡孛婀庾V反演到衛(wèi)星遙感反演提供了很好的根據(jù)。

盡管本文通過(guò)野外光譜測(cè)定來(lái)反演表層沉積物粒度參數(shù)獲得了較好的效果, 但驗(yàn)證模型的有效型、指導(dǎo)潮間帶變化監(jiān)測(cè)的實(shí)用性還待進(jìn)一步探索。因此, 在后續(xù)工作中還需要進(jìn)一步收集遙感影像, 對(duì)本文的地面定量模型作進(jìn)一步修正, 最終建立基于遙感影像的潮間帶表層沉積物粒度參數(shù)定量估計(jì)模型, 實(shí)現(xiàn)區(qū)域尺度上的潮間帶監(jiān)測(cè)與評(píng)價(jià)。同時(shí), 本文中采用的光譜儀光譜測(cè)量范圍是可見(jiàn)光-近紅外,因此, 在后續(xù)的工作中需要在更高的波段范圍內(nèi)獲取數(shù)據(jù), 進(jìn)一步完善模型。

[1] Liu W D, Baret F, Gu X F, et al.Relating soil surface moisture to reflectance[J].Remote Sensing of Environment, 2002, 81(2-3): 238-246.

[2] Michael L W, Lin L, Susan L U.Predicting water content using Gaussian model on soil spectra[J].Remote Sensing of Environment, 2004, 89(4): 535-552.

[3] Dehaan R L, Taylor G R.Field-derived spectra of salinized soils and vegetation as indicators of irrigation-induced soil salinization[J].Remote Sensing of Environment, 2002, 80(3): 406-417.

[4] 王軻道, 王建.海岸工程對(duì)粉沙淤泥質(zhì)侵蝕性海岸的影響—以茅家港環(huán)抱式突堤航道防護(hù)工程為例[J].海岸工程, 2004, 23(2): 19-24.

[5] 王燕飛.最近 40年來(lái)丁字灣潮灘表層沉積特征演變的遙感定量反演[D].煙臺(tái): 魯東大學(xué), 2013.

[6] 劉鋒.黃河口及其鄰近海域泥沙輸運(yùn)及其動(dòng)力地貌過(guò)程[D].上海: 華東師范大學(xué), 2012.

[7] 裴艷東, 王云生, 范昌福, 等.天津市潮間帶表層沉積物的類(lèi)型及其分布[J].地質(zhì)通報(bào), 2009, 28(7): 915-922.

[8] 雷坤, 孟偉, 鄭丙輝, 等.渤海灣西岸潮間帶沉積物粒度分布特征[J].海洋通報(bào), 2006, 25(1): 54-61.

[9] 王福, 王宏, 王云生, 等.黃驊港北側(cè)潮間帶及淺海區(qū)沉積物粒度特征[J].海洋地質(zhì)與第四紀(jì)地質(zhì), 2011,31(4): 69-74.

[10] 張東, 張鷹, 李歡, 等.基于組分反演的高光譜潮間帶表層沉積物自動(dòng)分類(lèi)研究[J].海洋學(xué)報(bào), 2008,30(3): 62-71.

[11] 李歡, 張東, 張鷹.基于線(xiàn)性光譜分解的潮間帶表層沉積物分類(lèi)[J].海洋科學(xué)進(jìn)展, 2010, 28(3): 382-388.

[12] 鄭曉丹, 張東, 張鷹, 等.基于高光譜的潮間帶表層沉積物粒度參數(shù)空間分布規(guī)律研究[J].海洋學(xué)報(bào),2009, 31(3): 57-66.

[13] 孫建英, 李民贊, 唐寧, 等.東北黑土的光譜特性及其與土壤參數(shù)的相關(guān)性分析[J].光譜學(xué)與光譜分析,2007, 27(8): 1502-1505.

[14] 徐方建, 趙永芳, 李傳順, 等.青島市靈山灣海水浴場(chǎng)沉積物分布特征與影響因素[J].海洋通報(bào), 2014,33(2): 157-162.

[15] 楊鳴, 夏東興, 谷東起, 等.全球變化影響下青島海岸帶地理環(huán)境的演變[J].海洋科學(xué)進(jìn)展, 2005, 23(3):289-296.

[16] Kemper T, Sommer S.Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy[J].Environment Science and Technology, 2002, 36(12): 2742-2747.

[17] McManus J.Grain size determination and interpretation[M].London: Blackwell Scientific Publication, 1988.63-85.

[18] 劉磊, 沈潤(rùn)平, 丁國(guó)香.基于高光譜的土壤有機(jī)質(zhì)含量估算研究[J].光譜學(xué)與光譜分析, 2011, 30(3):762-766.

[19] 何挺, 王靜, 林宗堅(jiān), 等.土壤有機(jī)質(zhì)光譜特征研究[J].武漢大學(xué)學(xué)報(bào)·信息科學(xué)版, 2006, 31(11): 975.

[20] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M].北京:化學(xué)工業(yè)出版社, 2002.

[21] Chang C W, Laird D A, Mausbach M, et al.Nearinfrared reflectance spectroscopy-Principal components regression analyses of soil properties[J].Soil Science Society of America Journal, 2001, 652: 480-490.

[22] 賈建軍, 高抒, 薛允傳.圖解法與矩法沉積物粒度參數(shù)的對(duì)比[J].海洋與湖沼, 2002, 33(6): 577-582.