導(dǎo)航：安全管理網(wǎng)>> 安全論文>> 環(huán)境保護(hù)論文>>正文

積雪污染物含量高光譜遙感監(jiān)測(cè)研究

文檔作者：湯旭光1’2，劉殿偉1，張柏1，杜嘉1，雷小春1’2，曾麗紅1’2，王遠(yuǎn)東1一，宋開(kāi)山¨ ，文檔來(lái)源：安全管理網(wǎng)a1．中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所 2．中國(guó)科學(xué)院研究生院		點(diǎn) 擊數(shù)：	更新時(shí)間： 2025年05月10日
下載地址：點(diǎn)擊這里	文件大?。?264.55 KB 共4頁(yè)	文檔格式： PDF	下載點(diǎn)數(shù)： 1 點(diǎn)（VIP免費(fèi)）

全屏查看

內(nèi)容預(yù)覽 [文件共4頁(yè)]

本文件共4頁(yè)，如需編輯使用，請(qǐng)下載。

注：預(yù)覽效果可能會(huì)出現(xiàn)部分文字亂碼（如口口口）、內(nèi)容顯示不全等問(wèn)題，下載是正常的。

	文件大小：264.55 KB 共4頁(yè) 文件格式：PDF 下載點(diǎn)數(shù)：1 點(diǎn)（VIP會(huì)員免費(fèi)）

上一篇：基于粗糙集核優(yōu)化的支持向量機(jī)在多組分污…

文本預(yù)覽

僅提取頁(yè)面文字內(nèi)容，供快速閱讀使用。

第31卷，第5期2 0 I 1年5月光譜學(xué)與光譜分析Spectroscopy and Spectral AnalysisV01．31，No．5，ppl318—1321May，2011積雪污染物含量高光譜遙感監(jiān)測(cè)研究湯旭光1’2，劉殿偉1，張 柏1，杜 嘉1，雷小春1’2，曾麗紅1’2，王遠(yuǎn)東1一，宋開(kāi)山¨1．中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所，吉林長(zhǎng)春130012‘2．中國(guó)科學(xué)院研究生院，北京100049摘要積雪中的污染物含胃可以用來(lái)反映區(qū)域和全球范圍內(nèi)人類活動(dòng)對(duì)環(huán)境的污染．但是迄今為止，對(duì)大范圍或人類活動(dòng)難以到達(dá)的地區(qū)進(jìn)行積雪污染物含量時(shí)空監(jiān)測(cè)的研究尚不多見(jiàn)。文章通過(guò)模擬大氣沉降實(shí)驗(yàn)，應(yīng)用光譜學(xué)技術(shù)分析了不同污染物含量對(duì)積雪反射光譜的影響，而后分別利用構(gòu)建特征指數(shù)法、主成分分析法、BP神經(jīng)網(wǎng)絡(luò)以及RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)積雪污染物含量預(yù)測(cè)，表明神經(jīng)網(wǎng)絡(luò)模型結(jié)合高光譜遙感數(shù)據(jù)方法能夠較為準(zhǔn)確地估算積雪污染物含量。關(guān)鍵詞高光譜遙感；積雪污染物含量；主成分分析；神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：X87；TP79 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10．3964／j．issn．1000-0593(2011)05—1318-04引 言積雪在陸地表面分布廣泛，具有很高的反射率及強(qiáng)熱輻射和高絕熱性，直接影響著地面和大氣溫度、地表反射率和土壤濕度，進(jìn)而影響地·氣系統(tǒng)的輻射平衡。是氣候系統(tǒng)的重要因子[1]。積雪由冰、空氣及濕雪所含水分構(gòu)成，其中以冰粒為主。積雩光譜受很多因素的影響，包括雪粒徑、下墊面狀況、雪中所含雜質(zhì)、雪水當(dāng)鼉等【2J。目前對(duì)積雩的研究主要集中在雪深、雪粒徑及雪水當(dāng)量方面，同時(shí)借助于遙感對(duì)積雪參數(shù)進(jìn)行大范圍估測(cè)[2一]。而實(shí)際上，積雪不僅影響能量平衡和水循環(huán)，而且也能直接影響當(dāng)?shù)?、區(qū)域以及全球環(huán)境范圍內(nèi)的化學(xué)行為【4～。降雪在從空氣中清除粉塵等同體顆粒物方面具有重要的作用。降雪的過(guò)程就是污染物的濕沉降過(guò)程。另外，大氣污染物還可通過(guò)大氣干濕沉降作用到達(dá)積雪等地表環(huán)境介質(zhì)中¨]。因此，積雩中保存的污染物含量可以用來(lái)反映區(qū)域和全球范圍內(nèi)人類活動(dòng)對(duì)環(huán)境的污染等[7_9]。有資料表明【l…，即使遠(yuǎn)離人類污染源受人類活動(dòng)污染最輕的南極地區(qū)，其積雪中也含有人為污染物。最新研究成果表明Ll¨，來(lái)自南亞的黑碳等污染物在青藏高原冰川的沉降加速了冰川的融化，對(duì)氣候環(huán)境帶來(lái)重大的影響。但迄今為止。對(duì)積雪污染物含量的時(shí)空變化研究尚不多見(jiàn)【3】，人為設(shè)點(diǎn)監(jiān)測(cè)由于受采樣密度的限制。難以有效地反映大范圍積雪污染物含量的空問(wèn)分布及其變化。相比設(shè)立人為監(jiān)測(cè)點(diǎn)，遙感具有覆蓋范圍大、分辨率高、不受氣候和地理?xiàng)l件的限制、客觀真實(shí)地反映地物信息等優(yōu)勢(shì)，可以用來(lái)快速監(jiān)測(cè)全球和區(qū)域積雪污染物含量。本文擬通過(guò)模擬大氣沉降實(shí)驗(yàn)，嘗試應(yīng)用光譜學(xué)技術(shù)分析不同污染物含量對(duì)積雪反射光譜的影響。找出敏感波段并利用統(tǒng)計(jì)學(xué)方法構(gòu)建積雪污染物含蕈特征指數(shù)，同時(shí)分析主成分光譜的生物學(xué)意義，并將其估算效果與神經(jīng)網(wǎng)絡(luò)法進(jìn)行比較以提高估算精度，為進(jìn)一步結(jié)合大尺度遙感數(shù)據(jù)進(jìn)行時(shí)空監(jiān)測(cè)奠定基礎(chǔ)。1數(shù)據(jù)來(lái)源與處理1．1實(shí)驗(yàn)設(shè)計(jì)模擬大氣沉降實(shí)驗(yàn)在新雪表面使用一個(gè)直徑為55哪的模板圈定研究的區(qū)域，共設(shè)計(jì)了13個(gè)處理對(duì)象，通過(guò)人工控制施撤量來(lái)模擬大氣降塵，均勻撒在所要研究的積雪表面，l～10號(hào)樣點(diǎn)加入的粉塵依次為10，20 g一直到100 g，為加大對(duì)比。11和12號(hào)樣點(diǎn)加入的粉傘質(zhì)量為150和200 g，另外包括一個(gè)自然雪。每次采集光譜后，對(duì)樣點(diǎn)使用直徑為5crn的圓柱形鐵桶及配套小鏟進(jìn)行采樣。每個(gè)樣點(diǎn)取表層lCl-n積雪，及時(shí)使用精度為0．000 1 g的電子稱進(jìn)行稱鶯，之后放入烤箱80℃下烘烤8 h，直到水分蒸f為止，再次稱重后計(jì)算積雪污染物含量(mg·cIn-2)．1．2光譜數(shù)據(jù)獲取及處理收稿日期：2010-06—23．修訂日期：2010-09—20基金項(xiàng)目：中國(guó)科學(xué)院知識(shí)創(chuàng)新工程項(xiàng)目(KZCX2一YW-QN305)和國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃專題(2009C]M21103)資助作者簡(jiǎn)介：湯旭光，1986年生，中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所博士研究生 e-mail：tan911100@163．cola*通訊聯(lián)系人 e-mail：∞哪ks@neiga已配∞萬(wàn)方數(shù)據(jù)第5期 光譜學(xué)與光譜分析 1319利用ASD FieldSpec高光譜儀測(cè)定積雪表層光譜反射率，光譜范圍為350～2 500 nlTl，視場(chǎng)角為25。，重采樣間隔為1衄，在每個(gè)樣點(diǎn)采集光譜之前都要進(jìn)行白板標(biāo)定，每個(gè)測(cè)試點(diǎn)采集10個(gè)光譜數(shù)據(jù)，取其平均值作為一個(gè)樣本的結(jié)果。所有觀測(cè)均選擇在晴朗無(wú)風(fēng)天氣，測(cè)量時(shí)間為2009年11月17日至23日(期問(wèn)無(wú)新降雪)，共安排了四次實(shí)驗(yàn)，獲取68組有效數(shù)據(jù)。隨機(jī)分出46組作為訓(xùn)練集，剩余22組數(shù)據(jù)留作驗(yàn)證。每次測(cè)定時(shí)間在北京時(shí)間10：30～14：00之間(太陽(yáng)高度角大于45。)，采集光譜數(shù)據(jù)時(shí)，探頭要保持垂直向下的狀態(tài)，探頭與雪表面相距0．1 m。為了降低光譜數(shù)據(jù)中的儀器和環(huán)境噪聲，在光譜分析軟件View Spec Pro 2．14中，采用五步滑動(dòng)平均法進(jìn)行光譜平滑處理。由于系統(tǒng)誤差的存在，樣本光譜數(shù)據(jù)在首尾兩端有較大噪聲，所以光譜分析時(shí)僅選取400 l 800 nin波段間光譜，且去除水汽吸收帶1 350 1 430 nm問(wèn)的光譜。主成分分析通過(guò)SPssll．5實(shí)現(xiàn)，神經(jīng)網(wǎng)絡(luò)模型在Matlab 7．0中通過(guò)算法實(shí)現(xiàn)，作圖通過(guò)Origin7．5軟件實(shí)現(xiàn)。2結(jié)果與分析2．1不同污染物含量對(duì)積雪光譜的影響分析圖1以11月19號(hào)采樣數(shù)據(jù)為例，分析了不同污染物含量對(duì)積霄光譜的影響，為rr對(duì)比需要，還加入了一條自然狀態(tài)下積雪的光譜曲線。自然狀態(tài)下，積雩在町見(jiàn)光波段反射率較高，而后隨著波長(zhǎng)的增加反射率逐漸降低。隨著雪中污染物含量的增加。臟雩的反射率明顯降低，在可見(jiàn)光／近紅外波段光譜變化尤為顯著，在1．04和1．25弘m處形成明顯的吸收谷，在0．95和1．10弘m附近有較強(qiáng)的反射峰，反射率最大相差可達(dá)到0．6。盡管積雪污染物含雖差異較大，但所有光譜曲線波形旱現(xiàn)一致的趨勢(shì)，只是臟雪中污染物的光譜特性愈加明顯。對(duì)積雪污染物含茸與反射光譜進(jìn)行相關(guān)性分析如圖2所示，在可見(jiàn)光／近紅外波段。積雷的反射率與污染物含量呈高度負(fù)相關(guān)，相關(guān)性最大可達(dá)0．83，而在短波紅外波段(1 438～1 800 nm)之間則呈現(xiàn)正相關(guān)，并且在1．49肚m處(吸收谷)達(dá)到最大，由此町見(jiàn)積雪污染物含鼉可以通過(guò)光譜信息來(lái)定茸反演。通過(guò)以上分析。本研究將主要從叮見(jiàn)光／近紅外波段選取0．4，0．95，1．04，1．10，1．25弘m，再加600 900 l 200 l 500 l 800Wavelength／rim№1 Snow spectral reflectance under differentcontamination eonemtration上短波紅外1．49“m處波長(zhǎng)作為敏感波段，來(lái)探討定量反演污染物含量的可行性。1．O0．80．60．40．2OCorrelation between snow spectral reflectanceand contamination concentration2．2構(gòu)建特征指數(shù)法對(duì)各個(gè)敏感波段及其組合與積雪污染物含量(snow contamination concentration，SCC)進(jìn)行相關(guān)性統(tǒng)計(jì)分析后，本研究嘗試構(gòu)建了積霄污染物含量差值指數(shù)SDI，當(dāng)SDI為1．10和1．49腫波段反射率之差時(shí)，二者取得最佳的相關(guān)性。積雪污染物含量與SDI呈較好的對(duì)數(shù)關(guān)系，估算模型的確定性系數(shù)R2為0．795。如圖3所示，實(shí)測(cè)數(shù)據(jù)與SDI模瓔預(yù)測(cè)數(shù)據(jù)同樣取得較好的擬合效果，尺2可達(dá)到0．721，當(dāng)積雪污染物含量小于20時(shí)，預(yù)測(cè)值分布較集中。只是相對(duì)實(shí)測(cè)值偏大，但當(dāng)污染物含量大于20時(shí)，實(shí)測(cè)值與模擬值相對(duì)分散在I s l對(duì)角線附近，由于SDI變化對(duì)污染物含量的敏感性降低。影響了SDI估算積雪污染物含量的精度，整體來(lái)看，預(yù)測(cè)值均偏大。0 lo 20 30 40 50 60Measured SCCrig．3 Relationship between measuredSCC and prdicted SOC by SDI2．3主成分光譜提取及估算主成分分析是多元統(tǒng)計(jì)中一種重要的數(shù)據(jù)壓縮處理技術(shù)。在不丟失主要光譜信息的前提下，選擇數(shù)目較少的新變量替代原來(lái)較多的變量?？梢越鉀Q高光譜波段過(guò)多、譜帶重疊的難題fl 2|。本文同時(shí)將這六個(gè)敏感波段作為變量進(jìn)行偏相關(guān)系數(shù)檢驗(yàn)。得知KMO檢驗(yàn)值為0．680，根據(jù)Kaiser度量標(biāo)準(zhǔn)可以進(jìn)行因子分析。數(shù)據(jù)處理結(jié)果表明，可見(jiàn)光／近紅外波段范圍內(nèi)的5個(gè)波長(zhǎng)在第1個(gè)因子上有較高的載荷，第1個(gè)因子主要解釋了這幾個(gè)波長(zhǎng)的信息，這也與積雪污染2468On ：耄囂∞∞∞如加mOu窩口售一星加¨¨¨啦o8蠶8島盤(pán)萬(wàn)方數(shù)據(jù)1320 光譜學(xué)與光譜分析 第31卷物含量與反射光譜相關(guān)性分析(圖2)中這幾個(gè)波長(zhǎng)同時(shí)呈較高負(fù)相關(guān)性一致，因此可以解釋為可見(jiàn)光／近紅外因子；短波紅外波長(zhǎng)1．49tnn在第2個(gè)因子上有較高的載倚。同理，第2個(gè)因子可以解釋為呈正相關(guān)的短波紅外因子。由表l可以看出，這兩個(gè)主成分保留了原有6個(gè)波長(zhǎng)的97．956％的信息，基本可以代替原來(lái)的6個(gè)變量。利用上述兩個(gè)主成分對(duì)積雪污染物含量進(jìn)行估算。結(jié)果如下式y(tǒng)=4．598+5．366fl+42．726fz，R2—0．763，sig．一0．000，F(xiàn)=48．161式中Y代表積雪污染物含量，，I和，2分別為主成分分析得到的可見(jiàn)光／近紅外因子和短波紅外因子，Sig．表示模瓔顯著水平，F(xiàn)為F檢驗(yàn)值。利用剩余樣本對(duì)建立的模型進(jìn)行驗(yàn)證，如圖4所示，驗(yàn)證模型的R2達(dá)到0．746，模型預(yù)測(cè)值與實(shí)測(cè)值相對(duì)密集分布在1；l對(duì)角線兩側(cè)，只是個(gè)別預(yù)測(cè)值仍偏大?？傮w來(lái)看，主成分分析方法估算積雪污染物含量可以取得較為穩(wěn)定的估算結(jié)果。O lO 20 30 40 50 ∞MeasurⅨl SCC蹲4 RelatioBshio betwem m翰suredSCC andⅣ刪SOC byPCAreflectance from PcA2．4積雪污染物含量的神經(jīng)網(wǎng)絡(luò)估算神經(jīng)網(wǎng)絡(luò)算法兇其在數(shù)據(jù)擬合與分類中良好的預(yù)測(cè)性及實(shí)用性廣泛應(yīng)用到各個(gè)領(lǐng)域[1 2。。因此本文將嘗試分別采用BP神經(jīng)網(wǎng)絡(luò)與RBF徑向基神經(jīng)網(wǎng)絡(luò)，將這6個(gè)變量同時(shí)作為輸入矢量來(lái)預(yù)測(cè)積雪污染物含量的變化。估算過(guò)程均在Madab中通過(guò)算法實(shí)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)采用Trainhn，本文通過(guò)多次試驗(yàn)表明網(wǎng)絡(luò)目標(biāo)誤差為0．01，隱藏層神經(jīng)元為15，訓(xùn)練次數(shù)達(dá)5 778次時(shí)可以得到較好的估算結(jié)果，對(duì)剩余樣本進(jìn)行預(yù)測(cè)，結(jié)果如圖5，實(shí)測(cè)積雪污染物含量與預(yù)測(cè)值R2達(dá)0．829。對(duì)于RBF神經(jīng)網(wǎng)絡(luò)，經(jīng)過(guò)多次試驗(yàn)表明，當(dāng)誤差目標(biāo)為0．01，SPREAD為0．1時(shí)可以取得較好的結(jié)果，驗(yàn)證結(jié)果如圖6，實(shí)測(cè)積雪污染物含最與預(yù)測(cè)值殿達(dá)0．780。兩種神經(jīng)網(wǎng)絡(luò)估算模型都取得了較好的效果。2．5三種模型估算結(jié)果比較對(duì)比圖3～圖6可看出。構(gòu)建特征指數(shù)法、主成分分析法以及神經(jīng)網(wǎng)絡(luò)法在估算積雪污染物含量時(shí)都取得了較好的效果，后兩者尤佳，驗(yàn)證點(diǎn)實(shí)測(cè)值與預(yù)測(cè)值分布于1。1對(duì)角線附近，一致性較好。主成分分析法由于囊括了更多的波譜信息，驗(yàn)證確定性系數(shù)R2達(dá)0．746，優(yōu)于指數(shù)法的估算效果。但是構(gòu)建指數(shù)法操作更直接、簡(jiǎn)單易行，尤其在快速反演大區(qū)域積雪污染物含量時(shí)更有優(yōu)勢(shì)。BP神經(jīng)網(wǎng)絡(luò)及RBF神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證R2分別達(dá)0．829和0．780，相對(duì)于傳統(tǒng)的統(tǒng)計(jì)學(xué)方法都有非常明顯的提高，說(shuō)明對(duì)于復(fù)雜的非線性映射問(wèn)題，BP神經(jīng)網(wǎng)絡(luò)技術(shù)更有效。O lO 20 30 40 50 60Measurod Scc№5 RelationsiⅡo I七tween m翰sured SCC刪ortUe衄l SCC by BP-NNO lO 20 30 40 50 ∞Mmsured Scc —留6風(fēng)Iht刪p ktwem m嘣叫訓(xùn)SCC珊一lm拯tM SOC by RBP-NN3結(jié)果與討論本文通過(guò)模擬大氣沉降實(shí)驗(yàn)，對(duì)不同污染程度的積雩進(jìn)行高光譜數(shù)據(jù)和積雪污染物含量的同步獲取，應(yīng)用光譜學(xué)技術(shù)分析了不同污染物含量對(duì)積雪反射光譜的影響，并找出相應(yīng)的敏感波段，分別利用構(gòu)建特征指數(shù)法、主成分分析法、BP神經(jīng)網(wǎng)絡(luò)以及RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)積雪污染物含量預(yù)測(cè)分析表明．高光譜遙感方法能夠較為準(zhǔn)確地估算積雪污染物含量。為進(jìn)一步結(jié)合大尺度遙感數(shù)據(jù)進(jìn)行時(shí)空監(jiān)測(cè)奠定了基礎(chǔ)。利用統(tǒng)計(jì)學(xué)方法對(duì)敏感波段及其組合進(jìn)行分析，建立了反演積雪污染物含茸的特征指數(shù)．估算模型簡(jiǎn)單易行。但由于缺乏物理基礎(chǔ)難以解釋說(shuō)明，需要進(jìn)一步驗(yàn)證，因此在使∞卯柏如加mOUU∞pall。qpalII_∞如∞如加mOUU∞口Su—蛋∞卯∞如∞m0UuIS罾u_口2山萬(wàn)方數(shù)據(jù)第5期 光譜學(xué)與光譜分析 1321用過(guò)程中需要注意其時(shí)空局限性。將各敏感波段同時(shí)作為輸入變量進(jìn)行主成分光譜信息提取，相對(duì)特征指數(shù)法能進(jìn)一步提高估算效果。不同污染物含量引起的積雪反射光譜的變化通過(guò)構(gòu)建神經(jīng)網(wǎng)絡(luò)模型可以很好的估算，證明r神經(jīng)網(wǎng)絡(luò)模型塒非線性問(wèn)題的求解、擬合以及預(yù)測(cè)所具有的優(yōu)勢(shì)和潛力。在所構(gòu)建[1][2][3][4][5][6][7][8][9]Elo][11][12]的模型中，BP神經(jīng)網(wǎng)絡(luò)取得了優(yōu)于RCF神經(jīng)網(wǎng)絡(luò)的估算效果，確定性系數(shù)R2分別達(dá)0．829和0．780。本研究所進(jìn)行的模擬大氣沉降實(shí)驗(yàn)。作為對(duì)積雩污染物含量遙感監(jiān)測(cè)的一種探索，儀考慮了降塵這一污染性物質(zhì)，實(shí)際自然狀況下將會(huì)較為復(fù)雜，需要進(jìn)一步研究驗(yàn)證。WANG Xing，ZHANG Qiang．GUO Ni。et al(王興，張強(qiáng)，郭鈮，等)．Arid Meteorolog(干旱氣象)，2007，25(2)l 29．Jennifer E A。Alan R G。Gary B H．et a1．Remote Sensing of Environment，2003，86：216．uANG Shun-lin，F(xiàn)AN Wen-jie(梁順林，范聞捷)．Quantity Remote Sensing(定量遙感)．Beijing：Science Press(北京：科學(xué)出版社)，2009．105．LIChuan-jin，LIZhong-qin，LIYue-fang．et al(李傳金，李忠勤。李月芳，等)．ScienceinChinaD(中國(guó)科學(xué)D輯)。2007，37(5)：676．LI Quan-lian，wU Xiao-bo(李全蓮，武小波)．Earth and Environmen．t(地球與環(huán)境)．2008，36(1)：8．Macdonald R W，Barrie I．A。Bidleman T F．Science of the Total Environment，2000，254：93．Higuchi K．Nagoshi八IAHS PubL，1975，118：95．Xiao CD．Qin D H，Yao T D，et aL Bull EnvirorL Contain．Toxieol。2001，66(6)：691．WANG Feng，ZHU Tong，XU Bai—qing，et al(王峰，朱彤，徐柏青。等)．．Science in China D(中國(guó)科學(xué)D輯)2007．37(5)：670．ZENG Yin-xin，ZHENG Tian-ling(曾胤新。鄭天凌)．Chinese Journal of Polar Research(極地研究)，2008，20(3)：64．Xu Baiqing，Cao Junji，Hansen James．et aL Proceedings of the National Academy Sciences，USA，2009，106：22114．LIU Zlmn-y'u，WANG Da-cheng，LI 130。et al(劉占宇。王大成，李渡．等)．Joural of Infrared and Millimeter Waves(紅外與毫米波學(xué)報(bào))。2009，28(5)：342．Research on Hyperspectral Remote Sensing in Monitoring SnowContamination ConcentrationTANG XtrguangI～，LIU Dian-weil，ZHANG Bail，DU Jial，LEI Xiao-chunI～，ZENG Li-hovlgl～。WANG Yuan-don91～。S()NG Kai-shanI。1．Northeast Institute of Geography and Agricultural Ecology，Chinese Academy of Sciences，Changchun 130012，China2．Graduate University of Chinese Academy of Sciences，Beijing 100049，ChinaAbstract Contaminants in the srKlw can be used to reflect regional and glohal environmental pollution caused by humanactivities．However，80 far，the research on space-time monitoting of snow contamination concentration for awide range or areasdifficult for human tO reach is very scarce．In the present paper，based on the simulated atmospheric deposition experiments，thespectroscopy technique method was applied tO analyze the effect of different contamination concentration on the snow reflectancespectra．Then an evaluation of snow contamination concentration(SCC)retrieval methods was conducted using characteristicindex method(SDI)，principal component analysis(PCA)，BP neural network and RBF neural network method，and theestimate effects of four methods were compared．The results showed that the neural network model combined with hyperspectralremote sensing data could estimate the SCC wellKeywords Hyperspectral remote sensing,Snow contamination concentration；PCA；Neural network*Corresponding author(Received Jm 23，2010；accepted Sep．20，2010)

網(wǎng)友評(píng)論 more

環(huán)境保護(hù)論文最新內(nèi)容

05-10