基于BP神经网络模型的黄海水体叶绿素a质量浓度反演

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