海洋遥感-基于模型的方法.doc

海洋遥感-基于模型的方法基于模型的算法的基本特征是运用生物-光学模型来描述水体的组分和水体光谱辐射率或反射率的关系，以及运用辐射-传输模型模拟光穿过大气和水体的机理。那些模型将用来推断水体表面和大气顶部（TOA）的模拟光谱的范围，推断是在特定的不同的水体组分的浓度和不同的大气状况的变化范围内的前提下进行的。这些推断出来的信息将被用来建立算法，这种算法用来建立一种从辐射或反射的光谱来反演特定水体的组分的反演映射。在应用这种算法的时候将不同程度地运用到数学原则。下面将阐述产生数据的总体方法。代数方法最简单的基于模型的方法就是那些可以使水色的半分析模型和反演得到的地球物理数据产生关联的代数表达式。在这种方法中，首先要运用水色模型，该模型将运用从水体的原有组分的内在光学特性的光谱曲线和这些特性与各个组分的浓度的关系中得到的经验数据。正是由于在应用理论模型时要用到经验数据，该方法被称之为“半分析”方法。这种方法之后被简化，使用近似值来减少未知数的数量，或者减少未知量的相关性。其得到的结果是一系列可以不断的获得模型中的未知量的代数公式。如果它们的关联是非线性的，可以使用上面的表格或者用均分法来降低正演模型和观测的差异来解决。可以从Carder等（1999）和Lee等（1996，1999）中找到实例。下图显示了该方法的一个输出实例：图3.6 上图为1998年6月2日从SeaWiFS获得的影像并运用Carder等（1999）的算法得到的结果，图a为叶绿素-a的分布，图b为黄色物质在400nm波段的吸收。该算法表明的结果和实地测量的得到的结果基本一致，而标准的基于一类水体的算法应用于从SeaWiFS获得的影像过高地估计了叶绿素-a的浓度。RRS 是关于后向散射系数（bb()）和吸收系数的比例（a()）的函数，而bb和a可以依次被归为具有光谱特征信息的参数中。此外，后向散射和吸收（浮游生物、黄色物质、其他颗粒状物质）的参数可以通过它们各自具体的光学特性和水体各组分的浓度关联起来。水体各组分的光学特征数据是从经验数据中得到的。这些关联对于不同的区域可以进行适当的修改和调整。这种方法的优点是它使用了特定水体组分的已知光学特性，同时和理论模型RRS相一致。尽管该方法和应用于经验关系的测量方法以及辐射-传输模型关联时会有错误产生，但是应用于具体的二类水体（Carder等，1999；Lee等1996，1999）的结果表明该方法具有很高的准确性。该方法的缺点是它只能在有限的未知模型参数和变量（浓度的反演）情况下应用。随着未知量数量的增加，由于要同时考虑到许多未知量的反演，该方法就不能再应用。下面我们将讨论一些经典的方法。非线性最优法基于非线性最优决策法提供了卫星辐射反演的一种新方法。在这种方法中，一个正演模型（见第二章），无论是在水体表面还是大气顶部，都可以通过最小化计算值和测量的辐射值之间的差异来进行直接反演。各种不同的方法可用来进行最小化计算，其中包括像Levebberg-Marquardt法和单一算法（Nelder和Mead，1965）。用来进行最小化计算的数学函数可以从像NetLib() 或者是IMSL(International Mathematical and Statistical Library)等的网上资源中获得，从这些网上资源中可以得到Levebberg-Marquardt法应用的各种程序。非线性最优法的基本原则就是将模型得到的辐射和测量的辐射之间的差异（2）最小化，最小化计算是通过在向模型中输入参数时改变可提供的参数的浓度（如叶绿素、悬浮物质的总量、黄色物质和气溶胶的光学厚度）来实现的。2的表达式如下： （3.2）其中Lsat为通过卫星传感器测量得到的辐射值，Lmod为通过模型计算得到的辐射值，其总和包括了所有的波段。对2设定一个阈值，当2小于这个值时，就不再进行递归的计算。这种反演方法可以再现模拟环境的非线性特性，此外，该方法与像神经网络法或主成分法有不同的地方，该方法不需要预先定义的数据和模拟假设数据。在基于模拟假设数据的方法中，这些数据要覆盖大范围的浓度变化范围，而且很难选择浓度的变化范围和分布位置来表现水体中的组分随着区域的变化而发生变化的特性。很多学者已经将该方法应用到遥感的辐射测量或实地的辐射率测量。Bukata等（1981a,b;1991）应用该方法在美国的安大略湖进行了试验研究，该研究使用的光学特性数据是该区域所特有的信息，研究表明，模拟出来的叶绿素量、悬浮物质含量以及有机碳的溶解量和实地测量的结果有着很好的一致性。另一个重要的例子是由Doerffer和Fisher(1994)做的实验，他们运用单一算法和一个大气顶部模型对水体中的叶绿素、悬挂物质、溶解的有色有机物质和气溶胶的辐射率进行反演，从而获得北海水域的CZCS数据（见图3.7）。实验证实，反演出来的变量的分布频率和从同步获得的数据中反演出来的数据有很好的一致性。其它运用该方法是以Roesler和Perry(1995)和Lee等（1996,1999）为代表，他们应用Lerenberg-Marquardt法从实地测量的反射光谱中反演水体的光学特性，结果表明，反演的结果与测量的光学特性有个很好的相关性。Garver和Siegel(1997)运用Gauss-Newton算法从海洋水色数据中对海洋水体组分进行反演，结果发现对于叶绿素-a浓度的估算值和测量值有着很好的一致性。最优法的基本假设前提是先前的模型要对自然环境有很好的代表性。然而，这种假设对于所用的基于生物-光学模型的反演方法来说十分正常的。另外误差的来源包括了卫星测量的噪声。然而现有的方法中已经有计算模型将错误考虑在内了。考虑错误的不同来源是这种方法所固有的，很明显上面所给的2 仅仅是一个“错误的最小化”。从计算2 获得的数据可以表明一个该算法的地理变化特性的一个迹象。假设水体的固有光学特性是已知的或是可以推断出来的，基于非线性最优化方法的各种解译水色遥感数据的算法可以同时对水体中所用的组成的浓度进行估算。这种多变量的分析方法包括一前一后的模型应用，先是正演模型的应用来确定各实验点的具体的固有光学特性，然后是一个反转模型，该模型使用这些固有特性从水色遥感数据中提取水体组分的浓度。正演模型的应用必须是在对某区域详细调查的基础上的，各个部分要充分代表水体组分的浓度变化范围。在具体应用该方法的过程中有很多方面需要注意的。特别是对正演模型中的参数的考虑，以保证需要反演的未知量之间彼此尽量相互独立。当然这些反演的变量中会有一定的局部相关性，例如叶绿素-a和水体中总的悬浮物质之间，它们的相关性导致需要估算的变量存在一定的模糊性。对最初假设的适当选择也是十分重要的，可能的话，要对每个反演的值设置上下限。这样可以使我们选择正确的最小量（对于多变量的最小和2来说，这就表明可以有多种方法来计算），同时可以加快各个像素的收敛速度。有各种不同的方法了实现适当的最初选择，包括经验算法或从相邻的像素的值之间的关系来实现。上面所提到的反演算法的一个主要不足之处就是实际计算需要的时间，如果能够对解决方法的最初选择和模型的各参数的描述加以注意的话，计算时间就会大大减少。然而，所需的计算时间还是会相当的长。另一方面，在这种方法中，模型的变化是很容易的，如果模型的改变使得更适合当地的情况，这就是该方法的一个优点。下面的两个方法是解决如何避免卫星数据处理需要大量的时间。图3.7 上图为运用非线性单一最优算法从1979年9月6日CZCS数据中获得的北海南部的悬浮物分布、叶绿素浓度和黄色物质的吸收数据（Dorffer和Fischer，1994）。该算法还计算了大气气溶胶在670nm波段的辐射量率，该模型首先假设大气的气溶胶的辐射的波长是固定的。主成分法 在所有的水色遥感数据的处理算法中，大气的散射和吸收都是必须考虑的，因为它们在大气顶部测量的辐射率中占据了很大一部分。在传统的方法中，用大气纠正的方法来获取水体的辐射率。一种可代替的方法是使用综合的方法，就是在反演中大气的光学特性作为附加的变量。该方法的反演起点是通过水色遥感传感器测量得到的大气顶部的辐射率。从测量数据中得到的主要是水体中三种主要组分的特性，如叶绿素-s的浓度，黄色物质和无机悬浮颗粒物质，同时还可以得到大气的光学特性。这一部分将讨论一种算法，该算法不仅用于二类水体的，还能够可以根据不同水体的固有光学特性进行系统的调整。为了能够应用于二类水体，该算法必须能够使用不同的多波段和多变量数据区分不同水体中的组分。进一步的目标是高速的计算速度。 该方法的基本观点是在大气顶部的辐射和地球物理学变量之间找到一个分段线性函数。尽管这种方法受到叶绿素-a、悬浮颗粒物质、水体中的胶体来源的限制，但是值得我们注意的是这种算法不仅局限于它们的数量，还可以通过修正来满足不同水体的要求。该方法的改进使得最佳权重系数得到很好的定义（见公式3.3），而且和多变量线性回归分析有很密切的关联。对于二类水体的水色数据，由于数据的各自特性导致了从不同波段获得的信息具有很高的相关性，所以需要具体的方法来对这些数据进行处理。主成分分析法（PCA）就是一种能够处理高相关性数据的方法（Mueller,1973,1976;Fisher,1985;Sathyerdranath等，1989;Sathyendranath等，1994）。 辐射传输模型是用来从大气顶部获得和不同的水体组分和大气状况条件相一致的辐射数据，同时将传感器的光谱特性考虑在内（Krawczyk等，1993，1999）。然后用PCA中获得的数据来决定特征光谱的维数以及每个光谱通道的权重来反演感兴趣的地球物理的变化量。与利用可用波段的子波段方法相比，该方法考虑到了不同波段通道信息的关联，增强它们之间的差异，改善了反演中各个参数的精确性。Sathyendranath等（1989；1994）使用了相似的方法来处理水体辐射信息而不是大气顶部的信息。在Krawczyk等（1993；1999）使用的方法中，所有的计算使用误差调整的值，从而使得测量数据的精度对反演的质量的影响被自动考虑在其中。下面是一个从大气顶部计算地理学变量的线性估算公式： （3.3）其中pi为地理变量的估算值，如水体的色素，气溶胶的光学厚度；kij为通道j对于变量i的权重系数；Li在j通道测量得到的辐射率；Ai是变量i的修正值；j是测量的通道数，从1到n，n为设备的光谱通道数。 该方法的一个基本思想是将大气顶部的辐射值直接应用到该算法中，而对大气的影响不进行明显的考虑。这个方法的使用背景是大气纠正不会增加有关水体组分的信息。尽管大气散射会对遥感数据有很大的影响，这些数据中包含了所有水体组分信息的变量。换句话说，在大气顶部数据中，没有被解决的大气影响在后来的大气纠正中也不能得到解决。大气纠正仅仅是为了达到降低光谱特征维数的目的，。因此，可以建立一种算法从大气顶部数据中来推断水体的组分。该算法在本文中将不做进一步的讨论，但是有关该方法的细节描述可以从Neumann等（1995）中获得。具体见图3.8:图3.8 主成分反转流程图 发展前景及其局限性: 该方法的轮廓表明该方法有很多优点和不足.主要的优点是该方法是线性的,可以导出一个非常简单的、稳定的算法可以快速的应用到各种计算机系统中算法（即使是一幅大范围的图像数据）。例如，一幅MOS-IRS数据进行对水体色素、沉积物、黄色物质以及大气光学厚度反演在太阳公司的网络工作站上运行也仅仅需要几秒钟的时间。 由于该方法是线性的，所以就没有像在反复的反演过程中的收敛问题。数据的高相关性是由于使用了所有可用的波段数据造成的。然而，我们必须注意到使用波段的增加并不会导致可反演变量或参数的增加。所以，我们选择不同变量（叶绿素、沉积物和黄色物质）之间的差异得到加强以及处理的精度达到提高。该方法的另一个优点是大气像水体一样被看作是一个整体。大气和水体有关的参数和变量在该方法中起着同样的作用。由于这个原因，一个特定的大气纠正程序就没有必要了。大气的影响在估算公式的权重系数中已经被潜在的考虑到了（公式3.3）。通过在估算公式中运用区域光学模型来得到各种权重系数，该方法能够对季节和区域变化进行最优化的考虑。这种方法的主要局限性是由于一些重要的物质和其辐射率之间的非线性关系。所以在该方法应用时可以通过一个线性关系式来确定数据的变化范围来改善，导出一个分割的参数空间。另外，一个辅助参数（q）用来对非线性行为进行考虑。在不完全对数公式中，它依赖于地理的原始变量p： （3.4）其中m 为从模型的局限性中得出的。 这个公式具有双向作用，首先，对于值较大时，q逐渐趋向地理变量p；对于值较小时，由于吸收作用在非线性特性中起到很重要的作用，q将趋向于p的对数值。这就保证计算地理变量时是符合实际的。这种方法和在神经网络法中的S型函数具有一定的相似性。 多变量准线性回归技术方法提供了快速简便的建立基于模型的二类水体算法。从MOS-IRS欧洲海岸水体数据试验结果表明该方法的可行性（见图3.9）。误差分析证实对于大量的变量值的反演中，精度可以提高30%（Krawczyk等，1999）。 该方法同时还证明了在相同精度条件下可能直接从大气顶部的测量数据中得到水体的组分。然而在该方法发展的现阶段，对水体中的胶体的反演仍然是个问题。Levin和Zolotukhin(1997)和Levin等（1998）建立了类似的方法，他们的方法是基于最优决策来选择合适的波谱通道，他们使用数据的波段和波长对于从水色遥感数据中反演水体组分来说是最佳的。图3.9 使用主成分分析方法从德国海湾MOS-IRS数据（1999年2月2日）中得到的水体组分和大气气溶胶光学厚度。该组图像显示了从多变量中分解的各个组成成分。这个生物光学模型是个普通的，三个元素组成的模型。该方法曾被Prieur和Sathyrdranath(1981)和Sathyendranath等（1989）使用。神经网络法该方法是用来解决流动水体的遥感数据，其中包括不同波段的反射率和水体中多种组分的浓度反演。为了达到这个目的，神经网络法作为多变量非线性衰退方法，因此和简单的线性衰退法有一定的关联。神经网络法的优点是它以正演模型的方式结合遥感图像处理的细节描述，同时可以快速的应用。这部分将简要的介绍神经网络方法和前文中的各种衰退分析的不同。该方法的在光学遥感中的应用例子可以在Doerffer和Schiller(1998),Sandidge和Holyer(1998)及Lee等（1998b）中找到。线性回归分析应用在一类水体中是用来确定叶绿素浓度的对数和蓝-绿波段的比率的关系。在二类水体中，该方法可以用来从红色波段区域中波段的比率推算悬浮颗粒物质的浓度大小，其假设条件是生物色素和胶体的影响很小。当水体的反射率不仅仅决定于一个变量时，如水体中含有生物色素、黄色物质和悬浮颗粒，多变量线性回归法可以用来限定这些物质浓度的变化范围。当更大的浓度变化范围需要考虑时，可以使用非线性回归法，如多次多项式。Chebychev多项式就是一个确定多波段和以上三种物质浓度的复杂的非线性关系的方法。另一种方法就是神经网络法。一个回归方程要么是由测量数据（即浓度和反射率）决定的，要么是由一些模拟的反射率决定的。在模拟反射率中，采用辐射传输模型，水体中各组分的光学特性是已知的。水体组分的浓度和其固有的光学特性的关系可以采用线性或非线性回归方法来确定。而且还可以作诸如水体组分的垂直分布等其他特性的假设。在神经网络输入和输出层中包含着很多节点，在输入和输出层之间有很多隐含很多层。在神经网络前馈输入层中，每个节点和上一级的输出层的所用节点相连。对每个节点的输入是由输入权重决定的，权重是通过对数函数或非线性函数来确定。输出节点和下层的所有神经相连。由于水体中组分浓度的对数和反射率的关系符合对数函数的特征，因此对数函数更适合遥感图像的处理。因为每个节点有不同的系数，神经网络几乎可以描述所有的非线性关联。这些系数（即所有神经的权重）是在训练学习阶段确定的，主要是通过把用来模拟的组分反射率的浓度和用神经网络法得到的浓度之间的方差最小化实现的。系数的确定过程，即训练学习，可以应用像常用的误差反向传输算法等不同的最小化方法来进行。在允许的错误范围内当水体组分浓度和反射率的光系反演有很多解决方法时，就会有问题出现。一个成功的学习阶段因此要尽量避免这样的问题出现。此外，过度学习也是要避免的。当神经网络法的训练点的精度比类似于描述数据的多项式，但不能将点正确地内插中的数据高时，这种情况就会发生。神经网络的结果要么以子程序的代码的形式组织或者以系数表格的方法进行组织。在数据产生过程中，神经元将作为一个子程序运行，向其输入反射率和其他一些参数，浓度作为结果输出。如果输入系数和输出系数超过了训练的范围就会有一个警告标记出现。其他变量，如在特定波段辐射的下降扩散衰减系数、促进光合作用的辐射量（PAR，主要是由可见光范围内辐射量来定义的，从400nm到700nm）也可以通过该方法进行模拟计算。前反馈输入模型：神经网络法主要依赖用模型来产生训练表格。这必须对水体的组分的光学特性和辐射传输描述的尽量准确。在众多的模型中选择了两个具用代表性的例子。在第一个例子中，一个简单的双向模型用来描述水下部分，而单一辐射散射模型用来模拟大气辐射通道和传输。对从OCTS（装载在ADFOS I上的传感器）的数据的分析就是采用了这种方法（Tanaka等.1998）。图3.10为该研究的成果图。图3.10 图为使用神经网络法从1997年5月31日从OCTS获取的黄海的数据，它们（从左到右）分别为叶绿素-a、黄色物质和悬浮颗粒物质的分布。大气纠正是依据Fukushima和Toratani方法的。一个更复杂的方法是对于二类水体的算法，该算法是为MERIS和MOS设计的基于Monte Carlo的光子跟踪模型对辐射进行模拟，它的结果根据太阳角和观测角的不同而不同（具体算法见图3.11）。该模型用来避免由于因素Q（见公式2.5）、参数f（见公式2.8和2.10）、何形状因素s（见公式2.10）的近似值产生的错误。该模型包括了海粗糙表面对上升流的影响以及不同太阳天顶角的水体吸收辐射量的分布。基于Monte Carlo方法的模型不能运用最优法来进行直接的反演，因为需要很大的计算量。图3.12表明了该算法应用于MOS数据的输出结果。该例子证实了神经网络提供了结合逼真的，基于辐射传输模型的，以神经网络的速度的高速计算的优点来处理卫星图像数据的独特的可能性。对于一个一百万像素的一景MOS图像，在一台300Mhz的计算机对该图像进行处理只需一分钟。图3.11 应有于MERIS的神经网络算法的流程图大气纠正： 为了将大气纠正过程合并为一个步骤，神经网络法要么使用模拟的大气顶部反射率进行训练，要么使用除去瑞利散射的辐射值。另外，可用神经网络法对大气纠正进行单独计算以及获得水体的反射率和辐射率，它们将作为神经网络法反演水体组分的起始点。像这样的两步神经网络法在为MOS数据进行的算法理论基础证明（ATBD）中有一定的描述（Doerffer 和Schiller，1999）。在这种情况下，可见光波段的大气辐射通道和传输可以使用近红外波段TOA反射率来反演。对于混浊水体，由于水体中高浓度悬浮颗粒物质引起的反射率必须包括在模型中。图3.12 北海中的易北河河口北部的悬浮物质、叶绿素-a和黄色物质的分布图，该图为使用神经网络法对1997年4月26日MOS数据处理的结果。分界面：光学组分和水体组分：神经网络算法可以构建不同的分界面，例如以下分界面：TOA辐射率或反射率；瑞利纠正反辐射率或反射率；大气纠正后的水体的遥感方向反射率；大气纠正后的水体的遥感正常化的反射率。输出的结果是水体中组分的浓度，或将光学组成作为一个中间变量，可以通过应用局部转换因素（