总悬浮物(TSM)是水环境评价的重要参数之一, 也是遥感水质反演的重要指标。 GF-1/WFV和GF-6/WFV作为高分系列对外免费开放的卫星数据, 在遥感监测中的应用较为广泛, 但目前针对两种数据的对比分析以及GF-6/WFV新增波段在水体水质参数反演中的适用性研究较少。 以云南滇池水域为研究区域, 对与水体实测数据同步过境(或时相相近)的GF-1/WFV和GF-6/WFV遥感影像采用统计分析的方法进行相同波段(蓝、 绿、 红、 近红外)一致性分析, 在此基础上运用经验回归方法分别构建两种数据的TSM反演模型, 并将加入GF-6/WFV新增波段的模型与GF-1/WFV构建的模型进行对比分析, 选择最优模型应用于滇池2020年的6幅GF-6/WFV图像得到滇池TSM分布图。 结果表明: GF-1/WFV与GF-6/WFV的蓝、 绿、 红、 近红外波段的相关系数分别为0.98, 0.98, 0.97和0.99, 两种数据的表观反射率具有很高的一致性。 GF-1/WFV基于蓝、 绿、 近红外波段构建的差值模型“B2+B4-B1”反演精度较高, 模型反演的均方根误差为6.35 mg·L-1, 平均绝对百分比误差为23.60%。 GF-6/WFV基于近红外、 红边1和红边2波段构建的比值模型“1/B5+B6”反演精度较高, 模型反演的均方根误差(RMSE)为3.07 mg·L-1, 平均绝对百分比误差(MAPE)为20.65%, 以GF-1/WFV构建的差值模型“B1-B4”与GF-6/WFV构建的“B5-B4”对比发现后者均方根误差减小了2.61 mg·L-1, 平均绝对百分比降低了32.33%, 实验表明加入红边波段的模型反演效果较其他模型更好。 采用建模公式得到了2020年滇池TSM分布图, 滇池TSM的变化范围在4~45 mg·L-1, 均值为18.23 mg·L-1, 总体空间分布呈现北重南轻的分布态势, 滇池TSM时间分布表现为上升-下降趋势。 该研究不仅可以为湖泊水质监测传感器波段设置提供参考和借鉴, 也为滇池水资源监管部门进行水质遥感监测提供了技术支撑。

针对基于高光谱数据的悬浮物浓度反演问题,提出一种利用预训练神经网络(PNN)进行有监督波段选择的方法,并使用随机森林和神经网络建立悬浮物浓度反演模型。 PNN算法需进行多次重复实验以获得低噪声且充分的波段重要性表达,在每次实验时选取适当数量的波段作为神经网络输入数据的特征,训练一个神经网络,并利用最后一期训练时第一层权重的L1范数、L2范数和ReLU(Rectified Linear Unit)函数来表示波段的重要性。实验结果表明,相比其他常用的波段选择算法,使用L1范数、L2范数的PNN算法能够得到信息量更大的波段集合,且其用于悬浮物浓度反演时,能够获得更优的效果。

瓶装矿泉水在出厂前需要检测里面是否存在悬浮物颗粒,目前主要是靠人工观察,这种方法费时费力,而且依赖人工的主观感觉,检测效果不好。针对这一问题,基于机器视觉技术,建立了一种瓶装矿泉水中悬浮物颗粒自动检测方法,包括图像采集、悬浮物颗粒目标识别、数量统计及尺寸参数检测等图像分析处理流程。在此基础上,设计了瓶装矿泉水中悬浮物颗粒自动检测装置,阐述了该装置的结构及工作原理,进行了瓶装矿泉水中悬浮物颗粒检测实验。检测实验结果表明,本文提出的方法可从定性和定量两个方面对瓶装矿泉水中是否存在悬浮物颗粒进行检测,悬浮物颗粒数量统计准确,悬浮物颗粒的尺寸检测的最大误差为0.28 mm,相对误差小于6.8%,具有较高的精确度。将上述装置及方法用于瓶装矿泉水出厂前检测,具有检测准确、节约人力、工作效率高、操作简单的特点。

总悬浮物(TSM)是海洋水质和水环境评价的主要参数之一。 舟山海域位于杭州湾边缘, 泥沙含量多, 总悬浮物长期处于高浓度状态, 其分布与动态变化对近岸水质、 水循环以及该区域的渔业、 旅游业都有较大影响。 Landsat-8卫星影像作为一种应用广泛、 空间分辨率高、 便于获取的光学信息, 可以为舟山海域的TSM观测提供有力的技术手段。 利用舟山近岸海域实测TSM吸收系数ap(440)和水面光谱, 开发了基于Landsat-8反演TSM的最优模型, 发现基于近红外和蓝色波段比B5/B2的S-函数和线性函数模型反演精度较好, 相对于线性模型, S-函数具有更强的鲁棒性, 该模型形式为ap=3.72/(0.009+e-5.249B5/B2), 克服了常用函数模型(如线性、 对数、 指数函数)应用于实际卫星影像时出现光谱幅度范围受限的困难。 海岸带内陆复杂水体水色遥感的另一难点是大气校正, 以往的研究往往只采用某种大气校正模型, 但该模型不一定适合研究水域, 从而使得校正结果并不一定是最优的。 在本研究中, 验证比较了FLAASH, 6S和ACOLITE三种大气校正方法面向Landsat-8水色反演的校正结果, 发现ACOLITE方法获取的光谱形状最准确, 误差最小, 特别在蓝色波段, 明显好于FLAASH和6S方法。 将最优模型应用于舟山近岸海域2013到2018年的10幅Landsat-8图像。 实测数据和反演结果显示: 舟山近岸海域的TSM吸收系数ap(440)的变化范围在1.64～417.04 m-1, 均值118.47 m-1, TSM吸收占水体总吸收的90%以上, 该海域实测的水面光谱形状呈现典型的河口海岸带复杂浑浊水体的光谱特征, 很多光谱曲线具有双峰特征, 遥感反射率幅值较大, 特别是红色、 近红外波段, 由于受河口高浓度TSM的影响, 遥感反射率高于远海较清洁的海水; 衢山、 洋山、 宁波等近岸区域的TSM浓度明显高于东极、 嵊泗等远海区域, 随河口羽化区呈现由高到低的梯度变化, 在近岸区域分布复杂, 外海区域分布较为均匀。 在时间分布上具有冬季浓度远高于夏季的特点, 其中12月最高, 最大值为413.32 m-1, 8月最低, 最小值为3.69 m-1, 5月、 10月期间也有TSM的局部峰值。 这些TSM时空变异特征表明舟山海域悬浮物的分布和变化一方面受地形、 海流、 潮汐、 季风、 台风等自然环境因素的影响, 另一方面也受如海运、 港口建设、 海岛旅游等人类活动的较大影响。

黄河每年输送大量泥沙进入渤海。 研究黄河口海域悬浮物浓度， 对于黄河输沙以及周边海域的环境监测具有重要意义。 利用2011年夏、 冬两季实测遥感反射率以及同步测量悬浮物浓度数据， 开展了黄河口海域悬浮物浓度分段线性反演研究。 结果表明， 不同浓度范围下， 悬浮物浓度反演的敏感波段不同； 浓度小于等于50 mg·L-1（≤50 mg·L-1）， 敏感比值波段为(600~700 nm)/(400~600 nm)， 浓度高于50 mg·L-1（＞50 mg·L-1）， 敏感比值波段为(750~900 nm)/(420~720 nm)， Landsat8 OLI的对应组合方式分别为B4/B2和B5/B3； 根据上述浓度分段范围分别建立线性模型， 其精度R2， RMSE和APD分别为0.873 5， 4.08 mg·L-1和22.81%（≤50 mg·L-1）， 以及0.969 3， 102.96 mg·L-1和17.51%（＞50 mg·L-1）， 整个浓度下三个精度参数分别为0.975 3， 67.03 mg·L-1和20.45%， 均优于常用单一模型在分段和整体浓度下的相应参数， 且具有良好的稳定性。 分段线性模型， 更适合浓度变化大的黄河口海域悬浮物浓度反演。

基于2012~2015年洪泽湖4次星地同步试验数据,建立了较高精度的水体悬浮物浓度单波段(671 nm)模型(R2=0.74, RMSE=8.58 mg/L),并进行了验证(R2=0.72, RMSE=11.98 mg/L)；然后,将该算法成功应用到了2012~2015年464景VIIRS无云影像上.结果表明,洪泽湖悬浮物浓度呈现春夏低、秋冬高的季节特征和东、中部高,西、北部低的空间分布特征；在年际变化尺度上,悬浮物浓度年均值呈现较小的减少趋势.总体来说,VIIRS在浑浊水体悬浮物浓度上表现了较好的探测能力,在湖泊水色遥感领域具有较大潜力.

在遥感定量反演的地面同步实测环节中，人为因素、环境变化、条件限制等测量不确定性因素会不可避免地引入数据噪声，致使水体悬浮物浓度反演精度降低。为此，提出一种顾及测量不确定性的水体悬浮物浓度遥感定量反演方法，即自适应抽样一致性极限学习机（ASAC-ELM）算法。该算法结合了极限学习机（ELM）、随机抽样一致性（RANSAC）和N邻近点抽样一致性（NAPSAC）方法的优势与特点，利用参数维度自适应地选取RANSAC或NAPSAC算法进行参数估计，避免了ELM算法易受非零均值正态分布数据噪声影响的缺陷。ASAC-ELM算法通过选取局内点（非噪声点）数据建立模型，可去除噪声数据的干扰，提升模型的精度与适应性。通过模拟多组不同数量级且服从非零均值正态分布的随机数，将加性噪声引入训练数据中，实现不同噪声比条件下对ASAC-ELM算法的检验，并与ELM算法、传统反向传播（BP）神经网络算法进行了对比。结果表明，不同噪声比条件下，ASAC-ELM算法的水质悬浮物浓度反演精度高于ELM算法和传统BP神经网络算法，且反演结果稳定性较高。