秦平，沈鉞，牟冰，郝艷玲，朱建華，崔廷偉

（1.中國海洋大學(xué)信息科學(xué)與工程學(xué)院，山東青島 266100；2.國家海洋局第一海洋研究所，山東青島 266061；3.內(nèi)蒙古大學(xué)資源與環(huán)境學(xué)院，內(nèi)蒙古呼和浩特 010021；4.國家海洋技術(shù)中心，天津 300112）

基于進(jìn)化建模方法的HJ-1 CCD黃海懸浮物和葉綠素α濃度遙感反演模型研究

秦平1，沈鉞1，牟冰1，郝艷玲2，3，朱建華4，崔廷偉2*

（1.中國海洋大學(xué)信息科學(xué)與工程學(xué)院，山東青島 266100；2.國家海洋局第一海洋研究所，山東青島 266061；3.內(nèi)蒙古大學(xué)資源與環(huán)境學(xué)院，內(nèi)蒙古呼和浩特 010021；4.國家海洋技術(shù)中心，天津 300112）

本文利用實(shí)測(cè)數(shù)據(jù)集，發(fā)展了基于進(jìn)化建模方法的HJ-1 CCD黃海懸浮物（TSM）和葉綠素a濃度（Chl a）遙感反演模型，建模過程中有針對(duì)性地設(shè)計(jì)了適合水色反演的端點(diǎn)集和函數(shù)集，并利用轉(zhuǎn)基因方法引入水色先驗(yàn)知識(shí)。經(jīng)實(shí)測(cè)數(shù)據(jù)檢驗(yàn)，TSM反演的平均相對(duì)誤差約為31%（相關(guān)系數(shù)R2為0.96），Chl a反演誤差約為33%（R2為0.88）。分析了模型對(duì)輸入誤差的敏感性，當(dāng)輸入端引入±5%的誤差時(shí)，模型誤差的波動(dòng)在大多數(shù)情形下都可控制在±10%以內(nèi)。與神經(jīng)網(wǎng)絡(luò)模型相比，本文發(fā)展的進(jìn)化模型具有檢驗(yàn)精度高、結(jié)構(gòu)簡(jiǎn)單等優(yōu)勢(shì)。利用不同季節(jié)的黃、東海實(shí)測(cè)數(shù)據(jù)進(jìn)行了模型精度的獨(dú)立檢驗(yàn)。本文的研究工作表明，進(jìn)化建模方法適用于水色遙感反演建模問題，可由程序自動(dòng)生成多個(gè)滿足精度要求、結(jié)構(gòu)形式多樣的顯式模型，為水色反演應(yīng)用提供了多種選擇，對(duì)于擁有數(shù)百個(gè)波段的高光譜數(shù)據(jù)水色反演具有更大的應(yīng)用潛力。本文最后探討了進(jìn)化建模方法的改進(jìn)方向。

HJ-1 CCD；懸浮物；葉綠素a；進(jìn)化建模；黃海

1 引言

水色遙感以其大范圍、同步、相對(duì)成本較低的優(yōu)勢(shì)，已成為海洋監(jiān)測(cè)的主要技術(shù)手段。我國發(fā)射的環(huán)境一號(hào)衛(wèi)星CCD相機(jī)（HJ-1 CCD）具有30 m的空間分辨率和2 d的重訪周期［1］，適合中國近海區(qū)域的動(dòng)態(tài)變化監(jiān)測(cè)?；贖J-1 CCD數(shù)據(jù)，已開展了內(nèi)陸水體如太湖、巢湖水質(zhì)等的遙感監(jiān)測(cè)研究［2—3］，而它在中國近海水色遙感應(yīng)用研究方面的工作尚未深入進(jìn)行。

傳統(tǒng)的水色遙感反演方法包括經(jīng)驗(yàn)方法和半分析方法等。經(jīng)驗(yàn)方法是在實(shí)測(cè)數(shù)據(jù)的基礎(chǔ)上，選擇最優(yōu)波段或波段組合建立統(tǒng)計(jì)回歸模型，實(shí)現(xiàn)水色組分濃度的反演［4—8］。半分析方法以水體光學(xué)輻射傳輸理論為基礎(chǔ)，物理過程明確，但需要大量的實(shí)測(cè)水體光學(xué)數(shù)據(jù)進(jìn)行模型參數(shù)調(diào)整，主要有Carder算法［9］、GSM算法［10］、多波段準(zhǔn)分析算法［11］等。

智能方法的發(fā)展給水色反演模型研究提供了新的思路。神經(jīng)網(wǎng)絡(luò)模型［12］和支持向量機(jī)模型［13］具有非線性映射能力，在建立二類水體的水色遙感反演模型方面表現(xiàn)出了一定的優(yōu)勢(shì)，這類方法的缺點(diǎn)是無法給出簡(jiǎn)明直觀的模型解析表達(dá)形式。而遺傳編程［14］能夠建立顯式的水色遙感反演模型，有效地解決了這個(gè)問題。但是遺傳編程方法［15］中的模型參數(shù)是隨機(jī)產(chǎn)生的，使得較好的模型結(jié)構(gòu)由于參數(shù)不合適而在進(jìn)化過程中被淘汰。進(jìn)化建模方法［16］在遺傳編程方法的基礎(chǔ)上，采用數(shù)值優(yōu)化算法確定模型參數(shù)，顯著地提高建模的質(zhì)量。

本文基于黃?，F(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)，針對(duì)HJ-1 CCD波段設(shè)置，利用進(jìn)化建模方法開展懸浮物和葉綠素a含量遙感反演模型研究；利用獨(dú)立的實(shí)測(cè)數(shù)據(jù)進(jìn)行了模型精度檢驗(yàn)，分析了模型的誤差敏感性，并將其與常用的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了對(duì)比。

2數(shù)據(jù)

模型建立所采用的實(shí)測(cè)數(shù)據(jù)來源于2006年7月、2007年1月和2008年7月3個(gè)航次的黃海生物光學(xué)實(shí)驗(yàn)（水深范圍：14.8～97.0 m）。站位分布見圖1。

圖1 實(shí)測(cè)站位分布圖Fig.1 in situ measuring locations in study area

取表層水樣測(cè)量葉綠素a和懸浮物濃度，其中葉綠素a濃度采用熒光法測(cè)量，濃度范圍：0.10～12.12 mg／m3，平均值為1.48 mg／m3；懸浮物濃度采用重量法測(cè)量，范圍是2.00～202.90 g／m3，平均值為29.16 g／m3。

現(xiàn)場(chǎng)水體光譜數(shù)據(jù)采用水面以上測(cè)量法［6］獲得的，測(cè)量幾何和數(shù)據(jù)處理參照NASA海洋光學(xué)規(guī)范。根據(jù)我國近海水體光譜特征，對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行了質(zhì)量控制，剔除了光譜曲線形狀異常的數(shù)據(jù)。經(jīng)質(zhì)量控制后的水體遙感反射率光譜見圖2，大部分光譜曲線在560～600 nm有一反射峰；當(dāng)TSM濃度較高時(shí)該反射峰較寬，同時(shí)峰值波長向長波方向移動(dòng)，并在近紅外波段（800 nm）附近出現(xiàn)另一反射峰。

將經(jīng)過質(zhì)量控制的數(shù)據(jù)分為建模數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集，其中TSM建模和驗(yàn)證數(shù)據(jù)分別為21組和6組，Chla建模和驗(yàn)證數(shù)據(jù)分別為36組和12組。

另外，為了進(jìn)一步驗(yàn)證所發(fā)展模型的適用性，利用2003年4月的實(shí)測(cè)數(shù)據(jù)［6］（水深范圍：9.5～65.0 m）進(jìn)行反演模型的獨(dú)立檢驗(yàn)。其站位分布如圖1所示，水體遙感反射率光譜見圖2b。實(shí)測(cè)站位分布在黃海和東海兩個(gè)海域，其中黃海海域的TSM范圍是3.51～117.96 g／m3（平均值15.21 g／m3），Chl a范圍是0.79～10.42 mg／m3（平均值為4.07 mg／m3）；東海海域的TSM范圍是0.63～1 752.10 g／m3（平均值119.04 g／m3），Chl a范圍是0.50～8.06 mg／m3（平均值2.60 mg／m3）。

HJ-1 CCD相機(jī)有3個(gè)可見光波段（430～520 nm、520～600 nm、630～690 nm）和1個(gè)近紅外波段（760～900 nm），針對(duì)該波段設(shè)置和波段響應(yīng)函數(shù)［1］，進(jìn)行實(shí)測(cè)連續(xù)光譜數(shù)據(jù)的CCD相機(jī)波段等效處理。等效波段遙感反射率Rrs（i）計(jì)算公式為：

式中，Rrs（λ）為實(shí)測(cè)遙感反射率，Si（λ）為CCD第i個(gè)波段的響應(yīng)函數(shù)，i＝1，2，3，4。

HJ-1星上4個(gè)CCD相機(jī)的波段響應(yīng)函數(shù)并不完全相同，但分析表明4個(gè)CCD相機(jī)的等效波段遙感反射率非常接近（相關(guān)系數(shù)為0.999 6～1.0），因此本文選擇其中的一個(gè)相機(jī)（HJ-1B CCD2）開展研究。

3 進(jìn)化建模方法

進(jìn)化建模方法是在遺傳編程基礎(chǔ)上發(fā)展的，根據(jù)數(shù)據(jù)集，能夠自動(dòng)地生成精度較高的擬合模型。本文在傳統(tǒng)的進(jìn)化建模方法基礎(chǔ)上，有針對(duì)性地設(shè)計(jì)了適合水色反演的端點(diǎn)集和函數(shù)集，并利用我們此前發(fā)展的轉(zhuǎn)基因方法［16］將水色先驗(yàn)知識(shí)引入到進(jìn)化過程中。進(jìn)化建模方法［16］的主要步驟包括群體初始化、遺傳操作、個(gè)體評(píng)價(jià)和終止判定等，技術(shù)流程如圖3所示。

圖2 實(shí)測(cè)遙感反射率光譜Fig.2 The measured remote sensing reflectance spectra

圖3 進(jìn)化建模方法技術(shù)流程Fig.3 Flowchart of the evolutionary modeling method

3.1 群體初始化

在進(jìn)化建模方法中，進(jìn)化過程是從群體初始化開始的。群體由模型個(gè)體的編碼串構(gòu)成的，圖4以黃色物質(zhì)吸收系數(shù)模型a（λ）＝a0exp［－S（λλ0）］為例，給出其編碼過程：首先將模型轉(zhuǎn)換成二叉樹，然后中序遍歷，最后采用前綴表示形式得到編碼串。

圖4 模型個(gè)體的編碼過程Fig.4 Encoding process of individual

編碼串表示為I＝［s1，s2，…，sl］，其中si屬于端點(diǎn)集或函數(shù)集。端點(diǎn)集包括輸入變量和參數(shù)，函數(shù)集包括運(yùn)算符和基本函數(shù)。通常衛(wèi)星遙感數(shù)據(jù)波段比的精度高于單波段，因此本文選取波段比作為輸入變量X，即

則端點(diǎn)集為T＝｛r，X｝，r為參數(shù)。鑒于水色反演算法的模型結(jié)構(gòu)通常為多項(xiàng)式、指數(shù)和對(duì)數(shù)函數(shù)等，本文將函數(shù)集設(shè)置為F＝｛＋，－，×，／，＾2，＾3，lg，sqrt，exp｝。

在個(gè)體編碼完成后，結(jié)合先驗(yàn)的水色反演模型（如多項(xiàng)式、對(duì)數(shù)等），實(shí)現(xiàn)群體初始化。先驗(yàn)知識(shí)的引入可以改善建模方法對(duì)模型空間的搜索能力，提高建模的效率。

3.2 遺傳操作

在群體初始化后，通過遺傳操作生成新的進(jìn)化群體，主要的遺傳操作方法為交叉和變異。交叉操作是將兩個(gè)個(gè)體中的編碼片段進(jìn)行交換，可提高算法的全局搜索能力；變異操作是個(gè)體編碼串中編碼片段發(fā)生突變，可提高進(jìn)化群體的多樣性，防止出現(xiàn)未成熟先收斂的現(xiàn)象。

為了更有效地利用水色反演的先驗(yàn)知識(shí)，本文將我們此前發(fā)展的轉(zhuǎn)基因操作方法應(yīng)用于進(jìn)化群體生成中。轉(zhuǎn)基因操作是在個(gè)體中任選編碼片段，并從水色反演知識(shí)庫中選取先驗(yàn)?zāi)Ｐ妥鳛橥庠椿颍尤氲讲僮鼽c(diǎn)上替換原來的編碼片段以形成新的個(gè)體，提高算法的收斂性。

3.3 個(gè)體評(píng)價(jià)

利用適應(yīng)度函數(shù)來評(píng)價(jià)模型的優(yōu)劣、決定進(jìn)化的方向。考慮到進(jìn)化群體中含有大量的參數(shù)，需要先進(jìn)行參數(shù)優(yōu)化，再計(jì)算進(jìn)化個(gè)體的最優(yōu)適應(yīng)度：

式中，I為進(jìn)化個(gè)體，f為個(gè)體I解碼后的模型，r*為個(gè)體中參數(shù)的優(yōu)化值，yTi為水色組分濃度的實(shí)測(cè)值。

進(jìn)化終止的判定條件為最大進(jìn)化代數(shù)Gmax和最大無改進(jìn)代數(shù)Nmax。當(dāng)進(jìn)化代數(shù)達(dá)到Gmax時(shí)進(jìn)化終止；若進(jìn)化代數(shù)還沒達(dá)到Gmax，但群體中最好個(gè)體的適應(yīng)度連續(xù)保持Nmax代無顯著變化時(shí)，即模型精度沒有明顯提高，進(jìn)化進(jìn)程也終止。

進(jìn)化建模方法的若干關(guān)鍵參數(shù)設(shè)置［16］如下：群體規(guī)模為50，交叉、變異和轉(zhuǎn)基因操作的概率分別為0.6、0.2和0.1，Gmax為500，Nmax為20。采用遺傳算法進(jìn)行參數(shù)優(yōu)化。

4 黃海水色組分反演模型

本文選擇以下指標(biāo)評(píng)價(jià)反演模型的精度：相關(guān)系數(shù)R2、平均相對(duì)誤差A(yù)PD和均方根誤差RMS，即：

式中，n為數(shù)據(jù)集的樣本個(gè)數(shù)，yTi為水色組分濃度的實(shí)測(cè)值，yPi為反演值，i＝1，2，…，n。

為了分析模型的誤差敏感性，在輸入數(shù)據(jù)中引入±5%的擾動(dòng)，即（1±5%）Rrs（1）、（1±5%）Rrs（2）、（1 ±5%）Rrs（3）、（1±5%）Rrs（4），以此檢驗(yàn)遙感反射率的微小擾動(dòng)是否會(huì)導(dǎo)致反演結(jié)果大的偏差。

4.1 懸浮物濃度反演模型

根據(jù)HJ-1 CCD等效波段的遙感反射率和實(shí)測(cè)懸浮物濃度，采用進(jìn)化建模方法，確定了最優(yōu)適應(yīng)度較高、結(jié)構(gòu)較為簡(jiǎn)單的若干模型：

治療前兩組患者的HBN評(píng)分無明顯差異,治療后研究組顯著高于對(duì)照組,差異有統(tǒng)計(jì)意義(P<0.05),如表1。

表1給出了4個(gè)模型的建模精度和驗(yàn)證精度。由表1可見，4個(gè)模型的精度相當(dāng)（R2均大于0.95，APD均小于35%），都能滿足水色反演的精度要求。上述結(jié)果表明：進(jìn)化建模方法可自動(dòng)生成多個(gè)滿足精度要求、結(jié)構(gòu)形式多樣的顯式模型，為水色反演應(yīng)用提供了多種選擇。

進(jìn)一步分析4個(gè)反演模型的誤差敏感性，分別向波段1，2和3引入±5%誤差，共有8種情形，結(jié)果見圖5，其中縱坐標(biāo)分別為每種情形下模型反演結(jié)果的APD和RMS與未加擾動(dòng)時(shí)的差值。由圖5可見，在輸入數(shù)據(jù)引入±5%擾動(dòng)的情況下，4個(gè)模型反演結(jié)果的APD波動(dòng)均在20%以內(nèi)，其中模型T2對(duì)誤差最不敏感，模型T2的RMS波動(dòng)也在10 g／m3以內(nèi)。

綜合表1和圖5的分析結(jié)果，模型T2在4個(gè)備選模型中總體表現(xiàn)最優(yōu)，將其確定為黃海HJ-1 CCD懸浮物濃度反演模型。

表1 懸浮物濃度反演模型的精度評(píng)估Tab.1 Accuracy assessment of retrieval models for TSM

圖5 懸浮物濃度反演模型的誤差敏感性Fig.5 Error sensitivity of retrieval models for TSM

4.2 葉綠素α濃度反演模型

利用進(jìn)化建模方法，得到以下4個(gè)結(jié)構(gòu)簡(jiǎn)單、最優(yōu)適應(yīng)度較高的Chl a濃度反演模型：

上述模型的精度評(píng)估結(jié)果見表2，誤差敏感性測(cè)試結(jié)果見圖6。

表2 葉綠素α反演模型的精度分析Tab.2 Accuracy analysis of retrieval models for chlorophyllαconcentration

綜合表2和圖6，4個(gè)模型的反演精度相當(dāng)，誤差敏感性相近，模型C2的RMS波動(dòng)最小，從中選擇模型C2作為葉綠素a的反演模型。

反演時(shí)，實(shí)測(cè)數(shù)據(jù)分為建模數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集。圖7給出懸浮物濃度反演模型T2、葉綠素a反演模型C2的反演值與實(shí)測(cè)值的散點(diǎn)圖，圖中大部分建模數(shù)據(jù)和驗(yàn)證數(shù)據(jù)點(diǎn)分布在1∶1線附近，最優(yōu)的懸浮物濃度反演模型T2的APD約28%，葉綠素a反演模型C2的APD約35%，反演效果較為理想。

圖6 葉綠素a反演模型的誤差敏感性Fig.6 Error sensitivity of retrieval models for Chl a

圖7 最優(yōu)反演模型的反演結(jié)果Fig.7 Retrieval results of the optimal retrieval model

4.3 基于獨(dú)立數(shù)據(jù)的模型評(píng)估

利用2003年4月的黃、東海實(shí)測(cè)數(shù)據(jù)，對(duì)懸浮物濃度反演模型T2和葉綠素a濃度反演模型C2進(jìn)行獨(dú)立檢驗(yàn)，結(jié)果如圖8所示。黃海海域TSM、Chl a濃度的反演值與實(shí)測(cè)值的一致性較好，APD約為40%，數(shù)據(jù)點(diǎn)基本上分布在1∶2和2∶1線以內(nèi)；而東海海域的反演結(jié)果有一定程度的退化，其中Chl a反演值的低估現(xiàn)象尤為明顯。建立模型所使用的數(shù)據(jù)獲取自冬季和夏季的黃海海域，而獨(dú)立檢驗(yàn)數(shù)據(jù)獲取自春季的黃海和東海海域，黃、東海海域水體光學(xué)性質(zhì)的時(shí)空差異性，這可能是模型應(yīng)用于東海海域精度退化的主要原因。

4.4 與神經(jīng)網(wǎng)絡(luò)方法的對(duì)比

將本文發(fā)展的反演模型和神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較分析。采用3層BP神經(jīng)網(wǎng)絡(luò)建立黃海懸浮物和葉綠素a濃度反演模型［12］，以遙感反射率及相應(yīng)的水色組分濃度為網(wǎng)絡(luò)的輸入與輸出，采用雙曲正切函數(shù)作為神經(jīng)元的激勵(lì)函數(shù)，網(wǎng)絡(luò)的訓(xùn)練采用Levenberg-Marquardt算法。分別計(jì)算不同隱層節(jié)點(diǎn)數(shù)（3－10）的神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果，通過比較反演模型的建模精度和驗(yàn)證精度，確定最佳的隱層節(jié)點(diǎn)數(shù)。

表3給出神經(jīng)網(wǎng)絡(luò)模型和進(jìn)化模型的計(jì)算結(jié)果，其中NN_T1和NN_T2是TSM濃度反演模型，NN_ T1的輸入為Rrs（1），Rrs（2），Rrs（3），Rrs（4），隱層節(jié)點(diǎn)數(shù)為8；NN_T2的輸入為Rrs（3）／Rrs（1），Rrs（3）／Rrs（2）（參考進(jìn)化模型T2確定），隱層節(jié)點(diǎn)數(shù)為6；NN _C1和NN_C2是Chla濃度反演模型，NN_C1的輸入為Rrs（1），Rrs（2），Rrs（3），Rrs（4），隱層節(jié)點(diǎn)數(shù)為4；NN_C2的輸入為Rrs（3）／Rrs（2），Rrs（2）／Rrs（1）（參考進(jìn)化模型C2確定），隱層節(jié)點(diǎn)數(shù)為7。

由表3可知，盡管對(duì)于建模數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)方法能夠取得較高的反演精度，但是應(yīng)用于驗(yàn)證數(shù)據(jù)時(shí)，其反演能力顯著退化；而進(jìn)化建模方法對(duì)建模數(shù)據(jù)和驗(yàn)證數(shù)據(jù)可取得較高的反演精度。

圖8 獨(dú)立檢驗(yàn)數(shù)據(jù)的反演結(jié)果Fig.8 Retrieval results of independent testing data

表3 神經(jīng)網(wǎng)絡(luò)與進(jìn)化模型的精度對(duì)比Tab.3 Accuracy comparison between the neural network method and the evolutionary modeling method

5 結(jié)論與討論

本文基于進(jìn)化建模方法，建立了針對(duì)HJ-1 CCD寬波段的黃海懸浮物和葉綠素a濃度遙感反演模型。利用實(shí)測(cè)數(shù)據(jù)進(jìn)行了模型精度檢驗(yàn)，懸浮物濃度和葉綠素a濃度反演誤差約為31%和33%。絕大多數(shù)情形下模型對(duì)輸入誤差不敏感。與神經(jīng)網(wǎng)絡(luò)模型相比，進(jìn)化建模方法的優(yōu)勢(shì)在于對(duì)建模數(shù)據(jù)和驗(yàn)證數(shù)據(jù)均可取得較高的反演精度，且能夠得到顯式的模型表達(dá)形式。并利用獨(dú)立數(shù)據(jù)進(jìn)行了模型精度評(píng)估。

本文的研究工作表明，進(jìn)化建模方法適用于水色遙感反演建模問題，可由程序自動(dòng)生成多個(gè)滿足精度要求、結(jié)構(gòu)形式多樣的顯式模型，為水色反演應(yīng)用提供了多種選擇；建模過程減少了人為參與，提高了建模效率，對(duì)于擁有數(shù)百個(gè)波段的高光譜數(shù)據(jù)的水色反演具有更大的應(yīng)用潛力。

下一步將進(jìn)行進(jìn)化建模方法的改進(jìn)，使之更適合于水色反演問題，主要包括：（1）端點(diǎn)集的自動(dòng)選擇，利用交叉試驗(yàn)評(píng)估輸入變量的相關(guān)性，以適應(yīng)高維數(shù)據(jù)的建模；（2）設(shè)計(jì)新的遺傳操作，包括多點(diǎn)交叉、并行變異、免疫操作等，以提高算法的全局搜索能力和反演精度；（3）嘗試新的參數(shù)優(yōu)化算法，如差分進(jìn)化算法、并行進(jìn)化算法等，提高建模的效率。

本文的懸浮物和葉綠素a濃度遙感反演模型是基于黃?，F(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)集發(fā)展的，模型在黃海及其他海域的適用性還需現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)進(jìn)行進(jìn)一步的檢驗(yàn)和評(píng)估；當(dāng)應(yīng)用于HJ-1 CCD影像時(shí)，還需要考慮大氣校正不完善可能引入的反演誤差。

致謝：感謝參加現(xiàn)場(chǎng)實(shí)驗(yàn)以及為本文研究工作提供數(shù)據(jù)支持的研究機(jī)構(gòu)和同仁，感謝中國資源衛(wèi)星應(yīng)用中心提供HJ-1 CCD的波段響應(yīng)函數(shù)。

［1］http：//www.cresda.com／n16／n1130／n1582／8384.html.

［2］朱利，姚延娟，吳傳慶，等.基于環(huán)境一號(hào)衛(wèi)星的內(nèi)陸水體水質(zhì)多光譜遙感監(jiān)測(cè)［J］.地理與地理信息科學(xué)，2010，26（2）：81－84.

［3］王橋，吳傳慶，厲青.環(huán)境一號(hào)衛(wèi)星及其在環(huán)境監(jiān)測(cè)中的應(yīng)用［J］.遙感學(xué)報(bào)，2010，14（1）：104－121.

［4］Sathyend Ranath S.Remote Sensing of ocean color in coastal and other optically-complex waters［R］.Dartmouth，Canada：IOCCG，2000.

［5］Tassan S.Local algorithms using SeaWiFS data for the retrieval of phytoplankton，pigments，suspended sediment，and yellow substance in coastal waters［J］.Applied Optics，1994，33（12）：2369－2378.

［6］唐軍武，王曉梅，宋慶君，等.黃、東海二類水體水色要素的統(tǒng)計(jì)反演模式［J］.海洋科學(xué)進(jìn)展，2004，22（增刊）：1－7.

［7］馬超飛，蔣興偉，唐軍武，等.HY-1 CCD寬波段水色要素反演算法［J］.海洋學(xué)報(bào)，2005，27（4）：38－44.

［8］Gitelson A A，Schalles J F，Hladik C M.Remote chlorophyll-a retrieval in turbid，productive estuaries：Chesapeake Bay case study［J］.Remote Sensing of Environment，2007，109（4）：464－472.

［9］Carder K L，Chen F R，Cannizzaro J P，et al.Performance of the MODIS semi-analytical ocean color algorithm for chlorophyll-a［J］.Adv Space Res，2004，33（7）：1152－1159.

［10］Garver S A，Siegel D.Inherent optical property inversion of ocean color spectra and its biogeochemical interpretation：1.Time series from the Sargasso Sea［J］.Journal of Geophysical Research：Oceans.1997，102（C8）：18607－18625.

［11］Lee Z P，Carder K L，Arone R A.Deriving inherent optical properties from water color：a multiband quasi-analytical algorithm for optically deep waters［J］.Applied Optics，2002，41（27）：5755－5772.

［12］Buekton D，O'Mongain E，Danahe E.The use of neural networks for the estimation of oceanic constituents based on the MERISinstrument［J］.International Journal of Remote Sensing，1999，20（9）：1841－1851.

［13］Sun D，Li Y M，Wang Q.A unified model for remotely estimating chlorophyll a in Lake Taihu，China，based on SVM and in situ hyperspectral data［J］.IEEE Transactions of Geoscience and Remote Sensing，2009，47（8）：2957－2965.

［14］Chami M，Robilliard D.Inversion of oceanic constituents in case I and II waters with genetic programming algorithms［J］.Applied Optics，2002，41（30）：6260－6275.

［15］Koza J R.Genetic Programming II：Automatic Discovery of Reusable Programs［M］.Cambridge：The MIT Press，1994：1－39.

［16］秦平.滑動(dòng)軸承系統(tǒng)中智能建模技術(shù)的研究與實(shí)現(xiàn)［D］.西安：西安交通大學(xué)，2003.

Retrieval models of total suspended matter and chlorophyllαconcentration in Yellow Sea based on HJ-1 CCD data and evolutionary modeling method

Qin Ping1，Shen Yue1，Mu Bing1，Hao Yanling2，3，Zhu Jianhua4，Cui Tingwei2
（1.Information Science and Engineering College，Ocean University of China，Qingdao 266100，China；2.First Institute of Oceanography，State Oceanic Administration，Qingdao 266061，China；3.College of Environment&Resources，Inner Mongolia University，Hohhot 010021，China；4.National Ocean Technology Center，Tianjin 300112，China）

By using the in-situ measuring data，this study developed retrieval models of chlorophyll a（Chl a）and total suspended matter（TSM）for HJ-1 CCD data in the Yellow Sea based on the evolutionary modeling method.The terminal and function set of the evolutionary modeling method were designed to be adapted to retrieval of water constituents，and the transgene operator was employed to insert and maintain the prior knowledge.The average percentage difference（APD）for TSM was 31%（the correlation coefficient R2＝0.96），and that for Chla was 33% （R2＝0.88）.The error sensitivity of the retrieval models was analyzed，and the output errors were generally less than±10%when introducing±5%error of remote sensing reflectance.Compared with neural network method，the evolutionary models have higher accuracy and simpler structures.In addition，in-situ data with different seasons was employed to validate the accuracy of the retrieval models.This study shows that the evolutionary modeling method is applicable for retrieval of water constituents from ocean color remote sensed data.Many explicit models with well accuracy and different structures could be obtained automatically，and they are of potential applications for hyperspectral data.Finally，we discussed how to improve the method in the near future.

HJ-1 CCD；total suspended matter；chlorophyll a；evolutionary modeling；the Yellow Sea

TP79

A

0253-4193（2014）11-0142-08

2012-12-09；

2014-02-14。

國家自然科學(xué)基金項(xiàng)目（41476159）；國家高技術(shù)研究發(fā)展計(jì)劃（2013AA122803）；中國科學(xué)院海洋研究所近海海洋科學(xué)考察開放航次。

秦平（1973－），女，河南省南陽市人，博士，從事海洋光學(xué)與水色遙感研究。E-mail：appletsin＠ouc.edu.cn

*通信作者：崔廷偉，副研究員，主要從事海洋光學(xué)與水色遙感研究。E-mail：cuitingwei＠fio.org.cn

秦平，沈鉞，牟冰，等.基于進(jìn)化建模方法的HJ-1 CCD黃海懸浮物和葉綠素a濃度遙感反演模型研究［J］.海洋學(xué)報(bào)，2014，36 （11）：142—149，doi.10.3969／j.issn.0253-4193.2014.11.016

Qin Ping，Shen Yue，Mu Bing，et al.Retrieval models of total suspended matter and chlorophyll a concentration in Yellow Sea based on HJ-1 CCD data and evolutionary modeling method［J］.Acta Oceanologica Sinica（in chinese），2014，36（11）：142—149，doi.10.3969／j.issn.0253-4193.2014.11.016