基于BP神经网络模型的黄海水体叶绿素a质量浓度反演

doi:10.19657/j.geoscience.1000-8527.2024.128

现代地质 ›› 2025, Vol. 39 ›› Issue (02): 420-428.DOI: 10.19657/j.geoscience.1000-8527.2024.128

• 表生资源观测模拟与综合评价 • 上一篇下一篇

基于BP神经网络模型的黄海水体叶绿素a质量浓度反演

刘子华¹(), 尤中义², 刘玖芬³^,⁴^,⁵^,⁶^,⁷(), 刘晓煌⁵^,⁶^,⁷, 赵晓峰⁵^,⁶^,⁷, 李子奇⁴, 张文博⁵^,⁶, 李洪宇⁵^,⁶^,⁷, 尹永会⁸, 石连武⁵^,⁶()

1.山东科技大学计算机科学与工程学院,山东青岛 266000
2.山东科技大学测绘与空间信息学院,山东青岛 266000
3.自然资源部生态地球化学重点实验室,北京 100037
4.中国地质大学(北京)地球科学与资源学院, 北京 100083
5.中国地质调查局自然资源综合调查指挥中心,北京 100055
6.元素形态与新污染物检验检测技术创新中心,云南昆明 650000
7.自然资源要素耦合过程与效应重点实验室,北京 100055
8.中国地质调查局烟台海岸带调查中心,北京 100055

出版日期:2025-04-10 发布日期:2025-05-08
通信作者: 石连武,男,高级工程师,1967出生,主要从事自然资源管理研究工作。Email:guofangban@163.com。
刘玖芬,女,正高级工程师,1971年出生,实验测试及地球化学专业,主要从事自然资源检测与观测技术研究研究工作。Email: 13863858360@163.com。
作者简介:刘子华,男,本科生,2002年出生,软件工程专业,主要从事神经网络机器学习研究工作。Email:1260759413@qq.com。
基金资助:
自然资源部生态地球化学重点实验室开放基金项目(ZSDHJJ202303);中国地质调查局项目“金矿等战略性矿产实验测试技术支撑与服务”(DD20242769);“自然资源观测监测一体化技术体系研究”(DD20230514)

Retrieval of Chlorophyll-a Concentration in the Yellow Sea Based on a BP Neural Network Model

LIU Zihua¹(), YOU Zhongyi², LIU Jiufen³^,⁴^,⁵^,⁶^,⁷(), LIU Xiaohuang⁵^,⁶^,⁷, ZHAO Xiaofeng⁵^,⁶^,⁷, LI Ziqi⁴, ZHANG Wenbo⁵^,⁶, LI Hongyu⁵^,⁶^,⁷, YIN Yonghui⁸, SHI Lianwu⁵^,⁶()

1. Shandong University of Science and Technology, College of Computer Science and Engineering,Qingdao,Shandong 266000, China
2. Shandong University of Science and Technology,College of Geodesy and Geomatics, Qindao, Shandong 266000, China
3. Key Laboratory of Eco-geochemistry, Ministry of Natural Resources, Beijing 100037, China
4. China University of Geosciences (Beijing), School of Earth Sciences and Resources,Beijing 100083, China
5. Comprehensive Survey Command Center of the China Geological Survey, Beijing 100055, China
6. Center for Innovation in Elemental Speciation and New Pollutant Detection Technologies, Kunming,Yunnan 650000, China
7. Key Laboratory of Coupled Processes and Effects of Natural Resources, Beijing 100055, China
8. Yantai Coastal Zone Investigation Center, China Geological Survey, Beijing 100055, China

Published:2025-04-10 Online:2025-05-08

摘要/Abstract

摘要：

海洋水体叶绿素a质量浓度是评估海洋生态环境与水质状况的重要指标之一,对于海洋资源管理和海洋保护具有重要意义。以黄海海域为研究对象,基于2022年VIIRS遥感数据,利用BP神经网络机器学习方法,构建了3隐藏层、4-6-4节点架构的神经网络模型,采用同时段多波段遥感反射率和海洋表面温度作为输入层数据,实现了黄海水体叶绿素a浓度反演模型;并与常用OC2模型、OC3模型、linear模型及cubic模型结果进行了比对研究,表明5种模型均可用于黄海海域叶绿素a浓度的分布反演,但本研究设计的模型反演结果误差更小(相对误差基本小于12%,平均相对误差8.2%),优于其它模型;为进一步评估模型性能,本研究运用综合评价指标对神经网络模型进行了全面评估,证明模型反演效果(MAE=0.122,RMSE=0.153,R²=0.937)满足预期。另外,使用研究区域2021年2月的VIIRS遥感数据与海洋表面温度数据进行了模型泛化能力实验,经过验证,本模型的泛化能力较好,可以完成同区域其他时段水体叶绿素a浓度反演任务。本研究证明基于VIIRS数据的BP神经网络模型监测海洋叶绿素a技术的可能性,并为相关实践和研究提供了基础。

关键词: 黄海, 机器学习, BP神经网络, 叶绿素a, 海表温度, 海洋遥感

Abstract:

The concentration of chlorophyll-a in marine waters is one of the key indicators for assessing the ecological environment and water quality of oceans, which plays a crucial role in marine resource management and protection.Focusing on the Yellow Sea, this study constructs a chlorophyll-a concentration inversion model based on 2022 VIIRS remote sensing data using a BP neural network machine learning method.The model features a three-hidden-layer architecture with 4-6-4 nodes and takes multi-band remote sensing reflectance and sea surface temperature during the same period as input data.The results are compared with commonly used models, such as OC2, OC3, linear, and cubic models.The comparison shows that all five models can be used for chlorophyll-a concentration inversion in the Yellow Sea, but the model designed in this study exhibits smaller inversion errors (with relative errors generally less than 12%, and an average relative error of 8.2%), outperforming the other models.To further assess the model’s performance, a comprehensive evaluation index was applied, demonstrating that the inversion results (MAE=0.122, RMSE=0.153, R²=0.937) meet the expected accuracy.Additionally, the model’s generalization ability was tested using VIIRS remote sensing data and sea surface temperature data from February 2021.The validation shows that the model has good generalization ability and can be used for inversion tasks in other periods within the same region.This study demonstrates the feasibility of using a BP neural network model based on VIIRS data for monitoring ocean chlorophyll-a, which provides a foundation for related practices and research.

Key words: Yellow Sea, machine learning, backpropagation neural network, chlorophyll-a, sea surface temperature, marine remote sensing

中图分类号:

刘子华, 尤中义, 刘玖芬, 刘晓煌, 赵晓峰, 李子奇, 张文博, 李洪宇, 尹永会, 石连武. 基于BP神经网络模型的黄海水体叶绿素a质量浓度反演[J]. 现代地质, 2025, 39(02): 420-428.

LIU Zihua, YOU Zhongyi, LIU Jiufen, LIU Xiaohuang, ZHAO Xiaofeng, LI Ziqi, ZHANG Wenbo, LI Hongyu, YIN Yonghui, SHI Lianwu. Retrieval of Chlorophyll-a Concentration in the Yellow Sea Based on a BP Neural Network Model[J]. Geoscience, 2025, 39(02): 420-428.

图/表 8

参考文献 48

[1]	孟庆辉, 王林, 陈艳拢, 等. 2002—2021年渤海叶绿素a浓度变化及环境响应分析[J]. 中国环境监测, 2022, 38(6):228-236.
[2]	李傲, 冯洋, 王云涛, 等. 基于OC-CCI数据的南海高叶绿素a浓度水域面积的时空变化研究[J]. 热带海洋学报, 2022, 41(2):77-89. DOI
[3]	吴孟璇, 赵笑怡, 王程怡, 等. 衡水湖藻类叶绿素a动态变化与水质相关性分析[J]. 世界热带农业信息, 2022,(2):42-44.
[4]	曾滇婷, 李君益, 谢玲玲, 等. 伶仃洋夏季叶绿素a时间变化特征及分析[J]. 热带海洋学报, 2022, 42(2):16-25.
[5]	郭晓芳, 宋军, 郭俊如, 等. 基于遥感资料的北黄海叶绿素a浓度时空演变特征分析[J]. 海洋通报, 2020, 39(6):705-716.
[6]	王晴, 袁德奎, 李旭, 等. 渤海叶绿素a浓度与环境因素的响应关系研究[J]. 海洋通报, 2022, 41(5):601-609.
[7]	党二莎, 张李, 郭康丽, 等. 珠海近岸海域叶绿素a时空分布特征及其环境调控因素浅析[J]. 环境科学学报, 2022, 42(1):240-247.
[8]	童如清, 宋清军, 夏光平, 等. 中国近海多传感器合并叶绿素数据集检验与分析[J]. 华中师范大学学报(自然科学版), 2023, 57(1):69-76,95.
[9]	封红娥, 李战, 黄波. 基于ZY-102D影像的白洋淀水域叶绿素a浓度遥感反演[J]. 科学技术与工程, 2023, 23(3):1301-1307.
[10]	郑著彬, 张润飞, 李建忠, 等. 基于欧比特高光谱影像的滇池叶绿素a浓度遥感反演研究[J]. 遥感学报, 2022, 36(11):2612-2673.
[11]	郑侦明, 秦海燕, 陈法锦, 等. 2021年8—9月北部湾叶绿素a分布特征及影响因子探究[J]. 海洋学研究, 2022, 40(3):142-152.
[12]	肖臣稷, 王卿, 王敏, 等. 基于高分五号卫星遥感数据的长江河口叶绿素a浓度反演[J]. 东华大学学报(自然科学版), 2022, 48(4):92-99.
[13]	刘少军, 蔡大鑫, 佟金鹤, 等. 基于卫星遥感的南海叶绿素浓度变化规律研究[J]. 海峡科学, 2023(4):3-8.
[14]	李素菊, 吴倩, 王学军, 等. 巢湖浮游植物叶绿素含量与反射光谱特征的关系[J]. 湖泊科学, 2002, 14(3):228-234.
[15]	刘文雅, 邓孺孺, 梁业恒, 等. 基于辐射传输模型的巢湖叶绿素a浓度反演[J]. 国土资源遥感, 2019, 31(2):102-110.
[16]	王珊珊, 李云梅, 王永波, 等. 太湖水体叶绿素浓度反演模型适宜性分析[J]. 湖泊科学, 2015, 27(1):150-162.
[17]	李潇凡, 王胜强, 张海龙, 等. 渤、黄海叶绿素a浓度垂向分布特征分析与量化研究[J]. 海洋环境科学, 2022, 41(6):888-896.
[18]	吕恒, 李新国, 曹凯. 基于BP神经网络模型的太湖悬浮物浓度遥感定量提取研究[J]. 武汉大学学报(信息科学版), 2006,(08):683-686,735.
[19]	朱云芳, 朱利, 李家国, 等. 基于GF-1 WFV影像和BP神经网络的太湖叶绿素a反演[J]. 环境科学学报, 2017, 37(1):130-137.
[20]	徐鹏飞, 程乾, 金平斌, 等. 基于神经网络模型的千岛湖清洁水体叶绿素a遥感反演研究[J]. 长江流域资源与环境, 2021, 30(7):1670-1679.
[21]	李露锋, 刘湘南, 李致博, 等. 珠江口海域叶绿素a质量浓度SAR反演模型[J]. 海洋学研究, 2012, 30(2):66-73.
[22]	李彦, 郭新宇, 王云涛. 中国近海海表叶绿素及环境要素的空间分布和季节变化特征[J]. 厦门大学学报(自然科学版), 2023, 62(3):397-405.
[23]	王林, 孟庆辉, 马玉娟, 等. 基于Sentinel-2 MSI影像的秦皇岛海域叶绿素a浓度遥感反演[J]. 海洋环境科学, 2023, 42(2):309-314.
[24]	樊志强, 王志国, 黄平平, 等. 基于高光谱影像湖泊叶绿素a浓度反演分析[J]. 生态科学, 2023, 42(1):121-128.
[25]	陶星宇, 柳锦宝, 顿玉多吉, 等. 基于MODIS的西藏典型湖泊叶绿素a浓度反演[J]. 中国环境监测, 2023, 39(1):231-240.
[26]	武爽, 冯险峰, 陈点点, 等. 基于光谱特征的闽江干流叶绿素a遥感反演[J]. 遥感信息, 2022, 37(3):87-92.
[27]	孙茜童, 付芸, 韩春晓, 等. 基于卷积神经网络的全球海洋叶绿素a浓度反演方法[J]. 光谱学与光谱分析, 2023, 43(2):608-613.
[28]	郑贵洲, 李春燕. 巴拉望岛附近海域叶绿素a浓度反演经验算法[J]. 测绘科学, 2022, 47(5):168-176.
[29]	张春桂, 曾银东, 张星, 等. 海洋叶绿素a浓度反演及其在赤潮监测中的应用[J]. 应用气象学报, 2007, 22(6):821-831.
[30]	张方方, 李俊生, 王超, 等. 基于HY-1C卫星CZI影像的多类型内陆水体大气校正及水质参数反演[J]. 遥感信息, 2023, 27(1):79-91.
[31]	蓝先洪, 梅西, 李日辉, 等. 晚更新世以来南黄海北部泥质区沉积物元素的分布及来源分析[J]. 现代地质, 2015, 29(4):777-788.
[32]	赵娜, 王霄鹏, 李咏沙, 等. 黄渤海海域叶绿素a浓度时空特征分布及影响因子分析[J]. 科学技术与工程, 2020, 20(17):7101-7107.
[33]	姜志侠, 宋佳帅, 刘宇宁. 一种改进的自适应动量梯度下降算法[J]. 华中科技大学学报(自然科学版), 2023, 51(5):137-143.
[34]	董正琪, 姜杰, 赵雪成, 等. Adam优化的BP神经网络地铁空调环境模式检测[J]. 电子测量技术, 2022, 45(24):111-117.
[35]	苏杭, 黄海军, 刘艳霞, 等. 基于遥感反演的浒苔绿潮暴发对有色溶解有机物与叶绿素时空分布特征的影响[J]. 海洋科学, 2023, 47(4):9-24.
[36]	刁超, 桑国庆, 彭涛, 等. 高分一号宽幅覆盖相机数据反演南四湖叶绿素a浓度[J]. 济南大学学报(自然科学版), 2023, 37(4):408-414,420.
[37]	伍权, 朱萌, 陈磊, 等. 基于贝叶斯正则化BP神经网络的超临界二氧化碳流动阻力特性预测[J]. 热力发电, 2022, 51(6): 50-58.
[38]	刘崇阳, 刘勤让. 一种神经网络模型剪枝后泛化能力的验证方法[J]. 计算机工程, 2019, 45(10):234-238. DOI
[39]	薛瑞洁, 熊杰, 张月, 等. 基于卷积神经网络的磁异常反演[J]. 现代地质, 2023, 37(1):173-183.
[40]	王庆, 曾齐红, 张友焱, 等. 基于多尺度区域卷积神经网络的露头孔洞自动提取[J]. 现代地质, 2021, 35(4):1147-1154.
[41]	余鹰, 张志强, 钱进. 基于标记补充的多标记特征选择算法[J]. 数据采集与处理, 2023, 38(3):539-548.
[42]	陈薪羽, 刘明哲, 任俊, 等. 基于多列卷积神经网络的参数异步更新算法[J]. 计算机应用, 2022, 42(2):395-403. DOI
[43]	李文举, 苏攀, 崔柳. 基于随机扰动的过拟合抑制算法[J]. 计算机仿真, 2022, 39(5):134-138.
[44]	李亚茹, 张宇来, 王佳晨. 面向超参数估计的贝叶斯优化方法综述[J]. 计算机科学, 2022, 49(增):86-92. DOI
[45]	LI Y H, XIONG X X, MCINTIRE J. Comparison of the MODIS and VIIRS thermal emissive band radiometric calibration[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(7): 4852-4859.
[46]	刘锦, 李峰辉, 刘秀秀. 优化GA-BP神经网络模型及基坑变形预测[J]. 隧道建设, 2021, 41(10):1733-1739.
[47]	赵程栋, 庄继晖, 程晓鸣, 等. 基于特征注意力机制的RNN-Bi-LSTM船舶轨迹预测[J]. 广东海洋大学学报, 2022, 42(5):102-109.
[48]	倪水平, 李慧芳. 基于一维卷积神经网络与长短期记忆网络结合的电池荷电状态预测方法[J]. 计算机应用, 2021, 41(5):1514-1521. DOI

参数名	空间分辨率 (m)	辐射分辨率 (km/像素)	波段数	波长范围 (μm)	来源传感器
遥感反射率	30	1.1	22	0.4~12.5	NOAA
海洋表面温度	30	1.1	22	0.4~12.5	SNPP
水体叶绿素浓度	1000	1.0	36	0.4~14.4	MYD/ SNPP

参数名	空间分辨率 (m)	辐射分辨率 (km/像素)	波段数	波长范围 (μm)	来源传感器
遥感反射率	30	1.1	22	0.4~12.5	NOAA
海洋表面温度	30	1.1	22	0.4~12.5	SNPP
水体叶绿素浓度	1000	1.0	36	0.4~14.4	MYD/ SNPP

数据组合	Kendall系数	数据组合	Kendall系数
B1	0.0076	B4/B5/B3	0.0921
B2	0.0217	B1/B2/B3	0.0002
B3	0.0659	LnB1	0.6962
B4	-0.0027	LnB2	0.6207
B5	0.0752	LnB3	0.6505
B1/B2/B3	0.3396	LnB4	0.7153
B1/B2/B4	-0.5029	LnB5	0.6623
B1/B2/B3	0.4284	B1×B3×B4	0.3903
B2×B3×B4	0.4678	LnB1/lnB2/lnB3	0.0114
B1×B4×B5	0.4343	B1+B2×B5	-0.1192
B1×B3×B4	0.4577	B1+B2×B4	0.4599
LnB2×lnB4×lnB5	0.4353	PCAB1	0.5748
LnB3×lnB4×lnB5	0.3907	PCAB2	0.0384

数据组合	Kendall系数	数据组合	Kendall系数
B1	0.0076	B4/B5/B3	0.0921
B2	0.0217	B1/B2/B3	0.0002
B3	0.0659	LnB1	0.6962
B4	-0.0027	LnB2	0.6207
B5	0.0752	LnB3	0.6505
B1/B2/B3	0.3396	LnB4	0.7153
B1/B2/B4	-0.5029	LnB5	0.6623
B1/B2/B3	0.4284	B1×B3×B4	0.3903
B2×B3×B4	0.4678	LnB1/lnB2/lnB3	0.0114
B1×B4×B5	0.4343	B1+B2×B5	-0.1192
B1×B3×B4	0.4577	B1+B2×B4	0.4599
LnB2×lnB4×lnB5	0.4353	PCAB1	0.5748
LnB3×lnB4×lnB5	0.3907	PCAB2	0.0384

评价样点	实测值 (mg·m^-3)	预测值 (mg·m^-3)	绝对误差 (mg·m^-3)	相对误差 (%)
1	4.545	4.715	0.170	3.74
2	2.168	2.251	0.083	3.83
3	7.252	7.522	0.270	3.72
4	4.159	4.620	0.461	11.09
5	2.699	2.727	0.028	1.04
6	1.828	1.920	0.092	5.03
7	1.791	1.992	0.201	11.22
8	1.112	1.237	0.125	11.24
9	2.475	2.622	0.147	5.94
10	3.005	2.759	0.246	8.18

基于BP神经网络模型的黄海水体叶绿素a质量浓度反演

Retrieval of Chlorophyll-a Concentration in the Yellow Sea Based on a BP Neural Network Model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 48

相关文章 10

编辑推荐

Metrics

本文评价

评价样点	绝对误差(mg·m^-3)					相对误差(%)
评价样点	OC2 模型	OC3 模型	Linear 模型	Cubic 模型	神经网络模型	OC2 模型	OC3 模型	Linea r模型	Cubic 模型	神经网络模型
1	0.223	0.257	0.192	0.205	0.170	4.91	5.65	4.22	4.51	3.74
2	0.123	0.099	0.117	0.115	0.083	5.67	4.57	5.40	5.30	3.83
3	0.307	0.317	0.282	0.339	0.270	4.23	4.37	3.89	4.67	3.72
4	0.602	0.575	0.422	0.509	0.461		13.83	10.15
5	0.126	0.072	0.07	0.099	0.028	4.67	2.67	2.59	3.67	1.04
6	0.157	0.132	0.098	0.122	0.092	8.59	7.22	5.36	6.67	5.03
7	0.315	0.287	0.237	0.259	0.201	17.59	16.02	13.23	14.46	11.22
8	0.18	0.171	0.137	0.179	0.125	16.19	15.38	12.32	16.10	11.24
9	0.142	0.183	0.155	0.164	0.147	5.74	7.39	6.26	6.63	5.94
10	0.288	0.301	0.258	0.299	0.246	9.58	10.02	8.59	9.95	8.18
均值	0.2463	0.2394	0.1968	0.229	0.182	9.16	8.71	7.20	8.42	6.5

[1]	闫佰忠, 孙剑, 陈佳琦, 孙丰博, 李晓萌, 付庆杰. 基于自适应BPNN-GIS耦合的地下水源热泵适宜性分区研究[J]. 现代地质, 2023, 37(04): 963-971.
[2]	戴亮亮, 聂小力, 郭军, 巩浩, 吴欢欢, 张涛, 汤媛媛, 毛聪, 彭志刚, 贺灿. 基于机器学习的表层土壤成矿元素空间预测: 以稀有金属铷元素为例[J]. 现代地质, 2022, 36(03): 972-978.
[3]	许明, 陈建文, 雷宝华, 施剑, 刘鸿. 南黄海海域中生代前陆盆地形成的构造背景[J]. 现代地质, 2019, 33(01): 13-24.
[4]	陈震, 张耘实, 陈建平, 安志宏. 基于分形特征的高标准农田遥感分类方法研究[J]. 现代地质, 2018, 32(03): 595-601.
[5]	祁鹏, 王鹏, 崔敏, 蔡佳. 南黄海盆地北凹多幕正反转构造特征及其动力学分析[J]. 现代地质, 2017, 31(03): 443-449.
[6]	梁杰，陈建文，张银国，蔡峰，李慧君，董刚. 南黄海盆地中、古生界盖层条件[J]. 现代地质, 2016, 30(2): 353-360.
[7]	蓝先洪，梅西，李日辉，张志珣，李杰，顾兆峰. 晚更新世以来南黄海北部泥质区沉积物元素的分布及来源分析[J]. 现代地质, 2015, 29(4): 777-788.
[8]	万天丰郝天珧. 黄海新生代构造及油气勘探前景[J]. 现代地质, 2009, 23(3): 385-393.
[9]	李文勇李东旭夏斌白志琳王嘹亮陈玲等. 北黄海盆地构造演化特征分析[J]. 现代地质, 2006, 20(2): 268-276.
[10]	肖国林，孙长虹，郑浚茂　. 北黄海盆地东部前中生界基底特征[J]. 现代地质, 2005, 19(2): 261-266.