基于LSTM 網(wǎng)絡(luò)的海水石油污染含量遙感預(yù)測(cè)模型

黃妙芬，王江穎，邢旭峰，王忠林，周 運(yùn)

（廣東海洋大學(xué)數(shù)學(xué)與計(jì)算機(jī)學(xué)院，廣東 湛江 524088）

隨著海上石油開(kāi)采活動(dòng)以及沿海石油化工基地的相繼建設(shè)，相關(guān)海域不可避免地受到石油污染。開(kāi)展相關(guān)海域石油污染含量的動(dòng)態(tài)預(yù)測(cè)研究，對(duì)于推動(dòng)我國(guó)生態(tài)文明建設(shè)，改善海域水質(zhì)質(zhì)量，具有重要的作用。將遙感技術(shù)引入?yún)^(qū)域海洋石油污染相關(guān)特性研究的工作已展開(kāi)，包括其表觀光學(xué)特性、固有光學(xué)特性和熒光特性[1-4]，反演石油污染含量的遙感模型也相繼建立[5-7]。黃妙芬等[8]建立基于水體石油污染歸一化遙感反射比指數(shù)（Normalized Difference Petroleum Remote Sensing Reflectance Index，NDPRI）反演水中石油含量的遙感模式，其計(jì)算過(guò)程所需的輸入?yún)?shù)完全取自于遙感圖像本身，避免對(duì)其他附加輸入?yún)?shù)的依賴，從而實(shí)現(xiàn)遙感化，為將遙感技術(shù)用于研究水體石油污染含量的歷史變化特征和建立預(yù)測(cè)模型打下基礎(chǔ)。

美國(guó)陸地衛(wèi)星 Landsat 系列的第一顆衛(wèi)星Landsat 1 于1972 年成功發(fā)射，至今已經(jīng)發(fā)射8 顆衛(wèi)星，除Landsat 6 發(fā)射失敗之外，其余7 顆衛(wèi)星積累了大量對(duì)地觀測(cè)遙感數(shù)據(jù)[9-10]，這些數(shù)據(jù)在海洋水質(zhì)觀測(cè)中發(fā)揮了巨大的作用。依據(jù)該系列的數(shù)據(jù)源，學(xué)者們[11-12]分別建立提取葉綠素、懸浮泥沙、溶解性有機(jī)碳（dissolved organic carbon，DOC）等水體參數(shù)的遙感模型，取得良好效果。Landsat 系列所積累的時(shí)間序列數(shù)據(jù)，可為海洋石油污染含量Co遙感預(yù)測(cè)模型的建立提供數(shù)據(jù)源，但Landsat 是典型的遙感時(shí)序數(shù)據(jù)，若純粹基于其數(shù)據(jù)源建模來(lái)對(duì)相關(guān)數(shù)據(jù)進(jìn)行預(yù)測(cè)，并不能深入挖掘出數(shù)據(jù)源時(shí)序特征，因而需尋找一種能將時(shí)序特性關(guān)聯(lián)起來(lái)考慮的方法。

近年來(lái)，基于神經(jīng)網(wǎng)絡(luò)的信息提取算法取得長(zhǎng)足進(jìn)展[13]，不少學(xué)者[14-15]將這些算法用于遙感數(shù)據(jù)信息的提取和水質(zhì)參數(shù)監(jiān)測(cè)等。循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN）[16]通常被認(rèn)為是一種用于處理時(shí)間序列數(shù)據(jù)的深度學(xué)習(xí)網(wǎng)絡(luò)，它通過(guò)隱含層神經(jīng)元的循環(huán)“記住”過(guò)去的信息，將現(xiàn)在的信息與過(guò)去的信息進(jìn)行糅合，因此可產(chǎn)生相對(duì)準(zhǔn)確的預(yù)測(cè)結(jié)果。長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)，屬于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN 中的一種，主要解決RNN 在長(zhǎng)期依賴上出現(xiàn)梯度爆炸與消失的問(wèn)題。LSTM 的特點(diǎn)是能學(xué)習(xí)具有長(zhǎng)時(shí)間跨度的時(shí)間序列并自動(dòng)確定最優(yōu)時(shí)間滯后預(yù)測(cè)，因而能更有效地利用長(zhǎng)距離的時(shí)序信息建立高精度的預(yù)測(cè)模型，在眾多領(lǐng)域取得了良好的預(yù)測(cè)效果[17-19]。本研究將LSTM 引入到具有長(zhǎng)時(shí)間時(shí)序的Landsat 遙感數(shù)據(jù)中，通過(guò)信息挖掘，對(duì)Co遙感預(yù)測(cè)模型的建立展開(kāi)探索性研究，旨在為掌握相關(guān)海域海洋石油污染含量的動(dòng)態(tài)變化特征提供一種新技術(shù)手段。

1 材料與方法

1.1 研究區(qū)域

研究區(qū)域選擇位于遼東半島南端大連市金州區(qū)的深水油港——大連新港。大連新港于1976 年正式投入使用，承擔(dān)著將大慶原油輸入油輪的任務(wù)。在該海域，歷史上曾發(fā)生多次溢油事件和嚴(yán)重的石油管道爆炸事件，加上日常的生產(chǎn)活動(dòng)、油輪的運(yùn)輸?shù)龋o周圍海域帶來(lái)一定的油污染，這使得它成為一個(gè)進(jìn)行海洋石油污染特性研究的天然試驗(yàn)場(chǎng)地[20-21]。

1.2 海水石油污染含量現(xiàn)場(chǎng)測(cè)量

海水石油污染含量現(xiàn)場(chǎng)測(cè)量數(shù)據(jù)主要用于預(yù)測(cè)模型的驗(yàn)證和分析。采樣點(diǎn)中心位置的經(jīng)緯度為：38°58.178' N，121°55.098' E。測(cè)量時(shí)間：1）2018 年8 月25 日7:00—17:00，采樣深度為表層（0 m），共計(jì)10 個(gè)樣本；2）2021 年1—5 月衛(wèi)星過(guò)境時(shí)刻（上午10:00—11:00），采樣深度為表層（0 m），共計(jì)20 個(gè)樣本。

測(cè)量?jī)x器采用美國(guó)特納TD-500D 便攜式紫外熒光測(cè)油儀，該儀器測(cè)定原理與分子熒光光度法（《SL 366-2006 水質(zhì) 石油類的測(cè)定 分子熒光光度法》）相同，所使用的監(jiān)測(cè)標(biāo)準(zhǔn)與我國(guó)的《海洋監(jiān)測(cè)規(guī)范》GB17378.3-1998 相符。

1.3 遙感數(shù)據(jù)處理

1.3.1美國(guó)Landsat 系列衛(wèi)星介紹 采用衛(wèi)星遙感數(shù)據(jù)為L(zhǎng)andsat 系列數(shù)據(jù)?？紤]到大連新港油碼頭是1976 年投入使用，對(duì)海域的油污染有滯后效應(yīng)，因此本研究采用1984 年之后發(fā)射的Landsat 5/TM、Landsat 7/ETM+、Landsat 8/OLI 這3 個(gè)傳感器采集的數(shù)據(jù)（表1）。

表1 Landsat 5/TM、Landsat 7/ETM+、Landsat 8/OLI 相關(guān)技術(shù)參數(shù)Table 1 Schedule of launch times and related technical parameters of the Landsat5/TM,Landsat 7/ETM+,Landsat 8/OLI

表1 顯示，1）Landsat 5/TM、Landsat 7/ETM+、Landsat 8/OLI 這3 種傳感器的空間分辨率都是30 m，時(shí)間分辨率都是16 d，時(shí)空分辨率高度一致；2）在可見(jiàn)光-近紅外波段（0.45～ 0.90 μm）都具有藍(lán)光、綠光、紅光和近紅外波段，波段設(shè)置也基本相近（除Landsat 8/OLI 設(shè)置2 個(gè)藍(lán)光波段，在此采用第2 個(gè)藍(lán)光波段）。

1.3.2遙感數(shù)據(jù)Landsat 系列衛(wèi)星對(duì)地掃描覆蓋的設(shè)計(jì)原則是相鄰兩軌衛(wèi)星之間存在一部分區(qū)域重疊，研究區(qū)域大連新港海域正好落在軌道號(hào)（Path/Row）為120/33 和119/33 的重疊區(qū)域，因而時(shí)間分辨率可由16 d 提高到8 d。利用1984—2020 年在大連新港海域過(guò)境的Landsat 衛(wèi)星所采集的數(shù)據(jù)，共獲取遙感數(shù)據(jù)1680 景（數(shù)據(jù)下載網(wǎng)址：https://earthexplorer.usgs.gov/）。由于在部分日期衛(wèi)星過(guò)境的時(shí)候，出現(xiàn)云覆蓋的情況，導(dǎo)致數(shù)據(jù)缺失。在1999—2011 年期間，研究區(qū)域可同時(shí)接收到ETM+和TM 的數(shù)據(jù)，因而通過(guò)這些密集的數(shù)據(jù)建立線性插值方程，來(lái)補(bǔ)齊缺失的數(shù)據(jù)。

Landsat 系列衛(wèi)星遙感數(shù)據(jù)產(chǎn)品，存儲(chǔ)的數(shù)值是灰度值（Digital Number，DN），因而首先需將其轉(zhuǎn)換為傳感器接受到來(lái)自目標(biāo)物的光譜輻亮度信息，即進(jìn)行輻射校正，其次考慮到大氣的影響，需進(jìn)一步對(duì)經(jīng)過(guò)輻射校正的數(shù)據(jù)進(jìn)行大氣校正。本研究中大氣校正方法采用美國(guó) RSI（Research Systems Inc.）公司研發(fā)的遙感圖像處理軟件ENVI (The Environment for Visualizing Images)所提供的大氣校正模塊（Fast line-of-sight Atmospheric Analysis of Spectral Hypercube，F(xiàn)LAASH），經(jīng)過(guò)大氣校正后最終得到各對(duì)應(yīng)波段的Rrs(sr-1)[9]。

1.3.3海水石油污染含量遙感反演算法海水石油污染含量Co的獲取采用基于歸一化遙感反射比指數(shù)I（normalized difference petroleum remote sensing reflectance index，NDPRI）的石油污染含量遙感反演模型[8]。NDPRI 的計(jì)算公式為

基于NDPRI 反演出Co的遙感模式為

式（3）中，Co為海水石油污染含量，mg/L；x為I值，單位為1。

1.4 LSTM 網(wǎng)絡(luò)工作原理

LSTM 網(wǎng)絡(luò)通過(guò)在每個(gè)神經(jīng)元結(jié)構(gòu)中設(shè)置3 個(gè)門(mén)來(lái)控制細(xì)胞狀態(tài)的方式，以解決RNN 網(wǎng)絡(luò)在長(zhǎng)期依賴上出現(xiàn)梯度爆炸與消失的問(wèn)題，每個(gè)神經(jīng)元結(jié)構(gòu)如圖1。

圖1 LSTM 單個(gè)神經(jīng)元結(jié)構(gòu)Fig.1 LSTM single neuron structure

圖1 中，xt表示當(dāng)前輸入值；ht表示當(dāng)前隱藏層的輸出，ht-1表示上一隱藏層的輸出；Ct表示當(dāng)前隱藏層的記憶細(xì)胞，Ct-1表示上一隱藏層的記憶細(xì)胞，表示記憶細(xì)胞狀態(tài)，記憶細(xì)胞的作用是控制記憶單元中信息傳播；ft為遺忘門(mén)，用來(lái)控制需要丟棄的信息；it為輸入門(mén)，用來(lái)控制需要保留的信息；ot為輸出門(mén)，用來(lái)控制需要輸出的信息。求解ft、it、ot，、Ct、ht的表達(dá)式如下：

式（4—9）中，Wf、Wc、Wi、Wo為權(quán)重矩陣，σ為sigmoid 函數(shù)，bf、bc、bi、bo為偏置矩陣，sigmoid和tanh 都是激活函數(shù)，兩者的表達(dá)式如式（10－11）。

1.5 模型性能評(píng)價(jià)

在參數(shù)確定過(guò)程中，選取均方根誤差R（Root Mean Square Error，RMSE）和平均絕對(duì)百分比誤差M（Mean Absolute Percentage Error，MAPE）作為評(píng)價(jià)模型性能的指標(biāo)，計(jì)算公式如式（12—13），其中R表示模型的穩(wěn)定性，其值越低表示模型越穩(wěn)定；M用于表示模型的準(zhǔn)確性，其值越低表示模型的精度越高，效果越好。由于實(shí)驗(yàn)的結(jié)果具有一定的偶然性，評(píng)價(jià)指標(biāo)均取3 次實(shí)驗(yàn)的平均值。

其中，m為樣本數(shù)，yi為實(shí)測(cè)值，為預(yù)測(cè)值。

2 結(jié)果與討論

2.1 基于LSTM 網(wǎng)絡(luò)的Rrs 預(yù)測(cè)模型

2.1.1遙感數(shù)據(jù)運(yùn)用遙感數(shù)據(jù)直接采集到的物理量是像元在各個(gè)波段的Rrs，因而本研究主要引入LSTM 網(wǎng)絡(luò)對(duì)可見(jiàn)光-近紅外波段的Rrs進(jìn)行預(yù)測(cè)，然后通過(guò)一定的算法計(jì)算出對(duì)應(yīng)像元的Co。為提高數(shù)據(jù)的準(zhǔn)確性，在大連新港海域選擇一塊由3 行×3 列所構(gòu)成的9 個(gè)像元的固定區(qū)域，將9 個(gè)像元平均值作為中心像元的數(shù)值，分別得到該區(qū)域在藍(lán)光、綠光、紅光和近紅外波段對(duì)應(yīng)的Rrs。將該區(qū)域所有過(guò)境時(shí)刻數(shù)據(jù)取出，并與經(jīng)過(guò)插值處理的數(shù)據(jù)一起構(gòu)成時(shí)序數(shù)據(jù)集，共計(jì)1 680 個(gè)數(shù)據(jù)，按7∶2∶1的比例將它們分成訓(xùn)練集、驗(yàn)證集和測(cè)試集，其中訓(xùn)練集數(shù)據(jù)用于訓(xùn)練模型，以找出最佳的權(quán)重和偏置；驗(yàn)證集數(shù)據(jù)用于對(duì)訓(xùn)練模型進(jìn)行篩選，以找出最佳的超參數(shù)；測(cè)試集數(shù)據(jù)用于對(duì)訓(xùn)練好的模型進(jìn)行性能評(píng)估。

2.1.2LSTM 網(wǎng)絡(luò)模型參數(shù)的優(yōu)化 LSTM 網(wǎng)絡(luò)模型的超參數(shù)主要包括神經(jīng)網(wǎng)絡(luò)層數(shù)、隱藏神經(jīng)元節(jié)點(diǎn)數(shù)和回溯時(shí)間步長(zhǎng)。在模型構(gòu)建過(guò)程中，神經(jīng)網(wǎng)絡(luò)層數(shù)設(shè)計(jì)太多會(huì)引起過(guò)擬合，導(dǎo)致訓(xùn)練效果不理想，太少又會(huì)引起欠擬合，達(dá)不到訓(xùn)練所需的效果；隱藏神經(jīng)元節(jié)點(diǎn)數(shù)的大小是影響模型收斂速度的一個(gè)關(guān)鍵因素；在構(gòu)建一個(gè)基于真實(shí)測(cè)量數(shù)據(jù)的預(yù)測(cè)模型時(shí)，如果回溯時(shí)間步長(zhǎng)太短，則前后的時(shí)間依賴關(guān)系很弱，進(jìn)行時(shí)間序列預(yù)測(cè)的意義就不大；如果時(shí)間步長(zhǎng)越長(zhǎng)，則梯度消失或爆炸的風(fēng)險(xiǎn)也就越高。

在對(duì)參數(shù)進(jìn)行優(yōu)化時(shí)，首先將訓(xùn)練集數(shù)據(jù)分批加載進(jìn)入模型進(jìn)行訓(xùn)練，此時(shí)，批處理大?。╞atch_size）設(shè)置為32，數(shù)據(jù)加載一批模型便迭代一次，訓(xùn)練次數(shù)（epochs）設(shè)置為500，當(dāng)驗(yàn)證集上的損失（均方差）在10 次迭代中沒(méi)有下降，則將學(xué)習(xí)率降低到原來(lái)的80%，初始學(xué)習(xí)率為0.001，最低為0.000 01；其次對(duì)神經(jīng)網(wǎng)絡(luò)層數(shù)、每層隱藏神經(jīng)元數(shù)、回溯時(shí)間步長(zhǎng)進(jìn)行試驗(yàn)，確定最優(yōu)的超參數(shù)。

以藍(lán)光波段的Rrs數(shù)據(jù)為例，在神經(jīng)網(wǎng)絡(luò)層數(shù)優(yōu)化的過(guò)程中，分別取2、3、4 層進(jìn)行實(shí)驗(yàn)，并利用指標(biāo)R和M對(duì)模型性能進(jìn)行評(píng)估，結(jié)果如表2。分析表2 可見(jiàn)，神經(jīng)網(wǎng)絡(luò)層數(shù)為3，指標(biāo)R和M的數(shù)值最小，因而可認(rèn)為最佳的神經(jīng)網(wǎng)絡(luò)層數(shù)為3。

表2 設(shè)置不同神經(jīng)網(wǎng)絡(luò)層數(shù)的模型評(píng)價(jià)指標(biāo)值Table 2 Model evaluation index values of different neural network layers

采用3 層神經(jīng)網(wǎng)絡(luò)，將LSTM 網(wǎng)絡(luò)的隱藏神經(jīng)元節(jié)點(diǎn)分別設(shè)置為16、32、64、96 個(gè)進(jìn)行實(shí)驗(yàn)，結(jié)果如表3。分析表3 可見(jiàn)，在隱藏神經(jīng)元節(jié)點(diǎn)數(shù)為64 時(shí)，指標(biāo)R和M值最小。

表3 設(shè)置不同隱藏神經(jīng)元節(jié)點(diǎn)數(shù)的模型評(píng)價(jià)指標(biāo)值Table 3 Model evaluation index values of different number of hidden neuron nodes

采用3 層神經(jīng)網(wǎng)絡(luò)，神經(jīng)元節(jié)點(diǎn)數(shù)為64 的模型結(jié)構(gòu)，分別采用不同回溯時(shí)間步長(zhǎng)進(jìn)行試驗(yàn)。不同回溯時(shí)間步長(zhǎng)下，各模型的評(píng)價(jià)指標(biāo)比較如表4。分析表4 可見(jiàn)，可得最佳回溯時(shí)間步長(zhǎng)為6。

表4 設(shè)置不同回溯時(shí)間步長(zhǎng)的模型評(píng)價(jià)指標(biāo)值Table 4 Model evaluation index values of different backtracking time steps

上面實(shí)驗(yàn)對(duì)藍(lán)光波段的遙感反射比數(shù)據(jù)進(jìn)行LSTM 預(yù)測(cè)模型構(gòu)建參數(shù)選取，實(shí)驗(yàn)結(jié)果表明，最佳組合為3 層神經(jīng)網(wǎng)絡(luò)、隱藏神經(jīng)元節(jié)點(diǎn)數(shù)為64、回溯時(shí)間步長(zhǎng)為6。以同樣的試驗(yàn)方法分別對(duì)綠光波段、紅光波段、近紅外波段的遙感反射比數(shù)據(jù)探究構(gòu)建LSTM 預(yù)測(cè)模型的最佳參數(shù)（表5）。

表5 LSTM 模型在各波段中的最佳參數(shù)組合Table 5 Optimal parameter combination of LSTM model in each band

2.1.3預(yù)測(cè)模型驗(yàn)證 在最佳參數(shù)組合下，圖2 為L(zhǎng)STM 模型對(duì)藍(lán)光波段、綠光波段、紅光波段、近紅外波段Rrs數(shù)據(jù)的預(yù)測(cè)數(shù)據(jù)與測(cè)試數(shù)據(jù)的對(duì)比結(jié)果。分析圖2 可見(jiàn)，Rrs的預(yù)測(cè)值曲線與其測(cè)量值曲線的變化趨勢(shì)基本一致。

圖2 4 波段Rrs 預(yù)測(cè)結(jié)果與實(shí)際測(cè)量結(jié)果對(duì)比Fig.2 Comparison of predicted and actual results of Rrs in four bands respectively

由表6 可見(jiàn)，在這4 個(gè)波段中，近紅外波段具有最小的R值和最大的M值，表明其預(yù)測(cè)模型的穩(wěn)定性最好，但準(zhǔn)確性相對(duì)就差一些。

表6 不同波段作為測(cè)試集的LSTM 模型預(yù)測(cè)效果Table 6 Prediction effect of LSTM model with different bands as test set

2.2 Co 的預(yù)測(cè)及驗(yàn)證

基于LSTM 網(wǎng)絡(luò)所建立的預(yù)測(cè)模型，根據(jù)2021年1—5 月在研究區(qū)域衛(wèi)星過(guò)境的對(duì)應(yīng)日期，分別預(yù)測(cè)出過(guò)境時(shí)的4 個(gè)波段的Rrs，共計(jì)20 組數(shù)據(jù)。然后將這些預(yù)測(cè)的Rrs代入公式（6）進(jìn)行歸一化處理，最后根據(jù)公式（7）和（8）計(jì)算出Co預(yù)測(cè)值。Co實(shí)測(cè)值的獲取時(shí)間和方法參見(jiàn)1.2 節(jié)。圖3 為2021 年1—5 月在大連新港實(shí)測(cè)值的Co與預(yù)測(cè)值的對(duì)比，圖中數(shù)據(jù)時(shí)間間隔為8 d，時(shí)間序號(hào)1—4 是1 月份的觀測(cè)值，5—8 為2 月份觀測(cè)值，依次類推。

圖3 油含量預(yù)測(cè)值與實(shí)際測(cè)量值對(duì)比Fig.3 Comparison of predicted and actual results of petroleum-pollution concentration

分析圖3 可見(jiàn)，1）Co的預(yù)測(cè)值總體高于測(cè)量值；2）從1 月份開(kāi)始到5 月份Co變化趨勢(shì)呈現(xiàn)逐漸增加態(tài)勢(shì)，1 月份大連新港油含量比較低，2—3月油含量的增加幅度比較大，4—5 月增幅變緩，趨于平穩(wěn)。這與氣溫的增加有著密切的關(guān)系，因?yàn)殡S著溫度的增加，水溫增高，底層的油物質(zhì)會(huì)產(chǎn)生揮發(fā)，使得水體的含油量增加。

從圖4 可看出，Co變化值在1.0～ 9.3 mg/L 之間，10:00—11:00 數(shù)值在3.1～ 4.2 mg/L 之間，之后急劇上升，可達(dá)到9 mg/L。這與2021 年1—5 月的測(cè)量值和預(yù)測(cè)值是比較接近的，表明大連新港由于石油化工生產(chǎn)活動(dòng)的影響，海水油污染一直存在。

圖4 2018 年8 月26 日研究區(qū)域油含量隨時(shí)間變化曲線Fig.4 Time variation of petroleum-pollution concentration at different depths in study area on August 26,2018

進(jìn)一步計(jì)算出圖3 中Co的預(yù)測(cè)值與實(shí)際測(cè)量值的平均相對(duì)誤差，結(jié)果為9.17%，表明通過(guò)4 波段Rrs預(yù)測(cè)模型預(yù)測(cè)出來(lái)的Rrs，代入Co遙感反演模型中反演出來(lái)的結(jié)果精度較高。分析造成誤差的原因，主要有：1）用于模型訓(xùn)練與驗(yàn)證的數(shù)據(jù)中，由于云覆蓋的影響，采用了插值的方法來(lái)彌補(bǔ)缺失數(shù)據(jù)；2）Co遙感反演模型是基于部分像元點(diǎn)而建立；3）實(shí)際進(jìn)行Co測(cè)量時(shí)由于受到水樣采集環(huán)境的影響，對(duì)測(cè)量值也會(huì)帶來(lái)誤差，使得測(cè)量值不能代表該時(shí)刻的油含量的真值。

3 結(jié)論

衛(wèi)星遙感數(shù)據(jù)能實(shí)時(shí)獲取大面積海域的Rrs，它們是海水組分對(duì)后向散射的總貢獻(xiàn)。在水色遙感領(lǐng)域利用Rrs，可進(jìn)一步估算出海水的組分濃度，包括水體石油污染含量。Landsat 衛(wèi)星序列具有長(zhǎng)時(shí)間的數(shù)據(jù)積累，為基于LSTM 網(wǎng)絡(luò)建立Co遙感預(yù)測(cè)模型奠定了數(shù)據(jù)基礎(chǔ)。本研究中提出一種基于Landsat衛(wèi)星遙感數(shù)據(jù)和LSTM 網(wǎng)絡(luò)的Co預(yù)測(cè)模型。該模型根據(jù)Landsat 衛(wèi)星遙感獲取的歷史數(shù)據(jù)，分別建立針對(duì)可見(jiàn)光-近紅外范圍的4 波段Rrs預(yù)測(cè)模型，在此基礎(chǔ)上采用水體石油污染歸一化遙感反射比指數(shù)構(gòu)建的遙感估算模型預(yù)測(cè)出Co值，最后根據(jù)現(xiàn)場(chǎng)測(cè)量數(shù)據(jù)對(duì)預(yù)測(cè)值進(jìn)行驗(yàn)證，平均相對(duì)誤差為9.17%，表明該預(yù)測(cè)算法具有較高精度。

基于Co預(yù)測(cè)模型所預(yù)測(cè)的數(shù)據(jù)可彌補(bǔ)在有云情況下油含量數(shù)據(jù)缺失的問(wèn)題，也可為相關(guān)海域油含量未來(lái)動(dòng)態(tài)演變預(yù)測(cè)提供一種新技術(shù)手段，并可在其他海域油港中進(jìn)行推廣應(yīng)用。另外本研究Co的遙感預(yù)測(cè)思路還能為利用Rrs建立其他水質(zhì)參數(shù)濃度的預(yù)測(cè)模型提供參考。