研究目的
1) 证明基于遥感数据的输入参数作为藻华数据驱动模型的实用替代方案的有效性，该方案适用于全球众多缺乏大量实地监测数据的脆弱沿海及内陆水体； 2) 运用两种数据驱动建模技术（即多元回归[MR]与人工神经网络[ANN]）进行藻华发生概率建模，并对比两种模型的结果； 3) 提出一种依赖时空耦合模型构建的新方法以显著提升预测精度； 4) 以科威特湾及周边水域为试验区，建立可复制的示范模型。
研究成果
所开发的方法具有优势，因其依赖现成的全球遥感数据集、成本效益高且能预测藻华发生。这些方法特别适用于难以进入的地区以及缺乏足够监测系统的区域，为藻华预报提供了本地、全球及技术层面的意义。
研究不足
主要限制与所使用的遥感数字数据集的空间和时间分辨率有关，这些数据集可能无法检测到小于数字产品像素尺寸的藻华，或那些在连续两幅卫星图像获取期间出现并消失的藻华。恶劣天气条件也会降低遥感数据集的质量。
1：实验设计与方法选择
本研究采用五步法，包括建立包含遥感数据集的数据库、编制藻华事件清单、识别控制因子、构建与验证MR和ANN模型，以及开发时空混合模型。
2：样本选择与数据来源
研究使用了来自科威特湾及邻近海域的藻华事件（1942个像元）、无藻华区域（2716个像元）和无藻华报告（1317个像元）的数据集。
3：实验设备与材料清单
来自MODIS、TRMM和QuikSCAT卫星的遥感数据集，以及包括SeaDAS 6.4、ENVI 4.8和ArcGIS 10.1在内的GIS软件。
4：实验流程与操作步骤
方法包括数据库生成、清单编制、因子识别、模型构建和混合模型开发。
5：数据分析方法
研究采用多元回归和人工神经网络技术进行数据分析，并通过ROC检验进行模型验证。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
SeaDAS
6.4
NASA
Scientific data visualization, analysis, and processing software for ocean color data.
-
ENVI
4.8
Exelis Visual Information Solutions
Geospatial imagery analysis and processing application.
-
ArcGIS
10.1
ESRI
GIS for working with maps and geographic information.
-
MODIS
NASA
Acquires visible and infrared data for ocean color observations.
-
TRMM
TMPA V7-3B42
NASA
Provides precipitation data.
-
QuikSCAT
NASA
Provides wind direction and speed data.
-
登录查看剩余4件设备及参数对照表
查看全部
