基于BP神经网络算法的内蒙古岱海水体透明度遥感估算

刁瑞翔，青松*，越亚嫘，王芳，刘楠，郝艳玲，包玉海

基于BP神经网络算法的内蒙古岱海水体透明度遥感估算

刁瑞翔1，青松1*，越亚嫘1，王芳1，刘楠1，郝艳玲2，包玉海1

（1.内蒙古师范大学 地理科学学院，呼和浩特 010022；2.内蒙古大学 生态与环境学院，呼和浩特 010021）

【目的】利用BP神经网络算法对内蒙古岱海水体的透明度进行遥感估算。【方法】基于内蒙古岱海实测透明度和光谱数据（地面遥感反射率和卫星遥感得到的反射率），建立BP神经网络水体透明度反演模型，并将此模型应用于Sentinel-2 MSI和Landsat-8 OLI卫星数据，遥感反演岱海水体透明度。【结果】①本文建立的BP神经网络模型中，最优模型OLI_insitu_220模型的测试集决定系数2=0.66，均方根误差=0.23 m，平均绝对百分比误差=21.56%。②与传统计算方法相比，BP神经网络算法更适合岱海水体透明度的估算（2>0.81，<0.18 m，<14.97%），反演透明度值与实测值有较高的一致性。【结论】实测与卫星匹配的独立验证进一步显示该算法的有效性，能够客观地反映湖泊水体透明度状况，证明了BP神经网络算法运用在内陆湖泊反演水体透明度的可行性。

遥感；透明度；BP神经网络；岱海

0 引言

【研究意义】湖泊是重要的自然资源，具有调节河川径流、发展灌溉、繁衍水生生物的作用[1]。随着人类活动影响增强，越来越多的湖泊呈现富营养化趋势，导致湖泊生态系统遭遇破坏，功能退化[2]。透明度是评价湖泊水质的一个重要指标[3]，并且对水环境变化、水生态系统以及初级生产力具有重要意义[4]。塞氏盘法是测量水体透明度的传统方法，虽然操作简单，但观测成本高、耗时长、空间尺度不连续，无法做到实时和大面积同步观测。遥感技术具有重访周期短和覆盖面积大等优点，弥补了传统测量方法的不足，近年来国内外学者在水体透明度遥感反演方面有着深入的研究[5-7]。

【研究进展】常用的水体透明度遥感反演算法主要有经验算法和半分析算法。经验算法虽然计算简单，但缺乏理论基础[8]；半分析算法物理基础较好[9]，但是操作过程比较繁琐。近年来随着机器学习的发展，BP（Back Propagation）神经网络被广泛应用于水环境参数的反演，如喻臻钰等[10]利用神经网络模型对滇池的水体透明度进行时空变化特征分析，与经验算法对比有较大优势。Li等[11]利用哨兵2 MultiSpectral Instrument（MSI）图像和机器学习算法对中国典型湖泊的叶绿素a进行定量，为宏观监测湖泊富营养化提供了一种有效的方法。王艳姣等[12]首次采用动量BP人工神经网络方法对长江口南港河段的水深值进行了反演，取得了较好的效果。Ghorbani等[13]使用图像分析方法连续监测河道中的悬浮沉积物浓度，并通过机器学习推导出固有的相关性。徐鹏飞等[14]使用BP神经网络模型在千岛湖进行叶绿素a反演，与其他常用模型相比有更高的相关性。与其他方法相比，BP神经网络是反向传播的神经网络，对非线性映射关系有很强的逼近能力，一旦把算法固化在BP神经网络中，就会提高网络的学习效率[15]。【切入点】近年来国内外学者利用BP神经网络模型，对水体的叶绿素a、悬浮沉积物浓度和水深值进行反演较多，然而对水体透明度的反演鲜有研究。【拟解决的关键问题】为此，以中国内陆湖泊岱海为研究区，基于实测透明度数据和水体光谱数据（Sentinel-2 MSI和Landsat-8 OLI），建立了水体透明度BP神经网络模型，估算岱海水体透明度。

1 数据来源与研究方法

1.1 研究区和数据采集

岱海（图1）位于中国北方环境敏感带的内蒙古中部凉城县境内，是内蒙古自治区三大湖泊之一，也是重要的湿地资源，共有20多条季节性河流汇入岱海进行补给[16]，该流域北部为蛮汉山，东邻丰镇丘陵，南部为马头山，是典型的封闭微咸水湖泊，在气候上处于温带半干旱区向干旱区过度地带和典型农牧交错带。岱海长期在自然和人为因素驱动下，水质出现恶化，湖泊面积不断萎缩[17]，因此，加强针对岱海的科学研究对于水资源稀缺的半干旱地区非常重要[18]。

图1 岱海及实测站位

在野外测量时，每个站点都进行水体透明度值和水体光谱测量。使用塞氏盘测定水体透明度值，将塞氏盘放入水下直到看不见塞氏盘的水深记录为水体透明度。使用ASD Field Spec 4地物光谱仪测定水体光谱，该仪器的波段测量范围为350～2 500 nm，本文应用的波段范围是400～900 nm，具体测量步骤参考了唐军武等[19]的方法。为降低测量误差及噪声干扰，每个站点测量3次，剔除异常值后取剩余值的平均值作为最终结果[20]。2019年10月和2020年6—10月共获取了220组（图1）地面遥感反射率光谱（rs）数据，计算式为：

rs地面=(w()-sky)/(πp())/p())， （1）

式中：w()、sky()、p()分别为测量的水体，天空和标准灰板的辐射亮度；为无量纲气-水界面反射率，对于平静水面取值0.022[21]，p为标准灰板的反射率。

本文针对MSI和OLI传感器的波段设置，根据式（2）进行岱海地面遥感反射率的波段积分运算。

式中：Rrs(λ)表示地面遥感反射率（sr-1）；Ϝi表示数据OLI/MSI的第i波段的光谱响应函数。

Fig.2 Lake Daihai surface remote sensing reflectance spectral

1.2 遥感数据及预处理

本文选用的遥感数据为欧洲航天局（https://scihub.copernicus.eu/）提供的Sentinel-2 Level-2A地表反射率产品（MSI-2A）和美国地质调查局（https://earthexplorer.usgs.gov/）提供的Landsat-8 OLI 地表反射率产品（OLI-SR）。Sentinel-2 A/B数据为多光谱高分辨率卫星，在SNAP软件通过Sen2cor插件进行大气校正，空间分辨率为20 m，重访周期为5 d[22]。Landsat-8数据经过RSD（Remote Sensing Desktop）平台处理得到，所用波段的空间分辨率为30 m，重访周期为16 d[23]。遥感反射率计算式为：

式中：w为地表反射率；rs为卫星遥感反射率。

从图3（a）可以看出，2020年8月24日地面遥感反射率与同1天Landsat-8 OLI的卫星遥感反射率均匀地分布在1∶1线的两侧，光谱反射率具有较好的一致性，2=0.79，=0.01，=36.70%。2020年10月12日地面遥感反射率与同1天Sentinel-2 MSI的卫星遥感反射率之间的相关性较高（图3（b）），2=0.87，=0.01，=21.97%。总体表明了MSI和OLI数据大气校正结果的可靠性。

1.3 研究方法

1.3.1 相关性分析

为了确定水体透明度的敏感波段，对实测水体透明度与地面遥感反射率进行相关分析，找出相关性较高的单波段和波段组合。皮尔逊（Pearson）相关性分析计算式为：

图3 地面遥感反射率与卫星遥感反射率的对比

1.3.2 BP神经网络算法

BP神经网络是一种按误差反向传播训练的多层前馈网络[24]，BP神经网络包含输入层、隐含层和输出层，其中输入层和隐含层均有个节点，每个节点代表一个神经元，输入层123,, x，每一层和下一层之间对应有一个权重矩阵[25]。整个过程以+的形式输入隐含层，为偏置，经过激活函数()的处理，得到输出结果123,,y，然后与对应的权重，偏置结合，作为输出层的输入，经过激活函数得到最终结果[26]。

1.3.3 精度检验

本文使用均方根误差（root mean square error，）、平均绝对百分比误差（mean absolute percentage error，）和决定系数2评估模型的反演精度。

2 结果与分析

2.1 神经网络建模

本文建模时采用的是3层的神经元网络，包括输入层、隐含层、输出层。模型利用敏感波段及波段组合，与实测透明度建立相关性，选择皮尔逊相关系数较高的前10个波段与其组合作为神经网络的输入层（表1），相应的水体透明度值作为期望输出。该研究一种情况是从220组实测水体透明度中随机选取154组作为网络的训练样本，剩余66组作为测试样本；第2种情况是从实测与影像对应的27组数据选取19组作为训练样本，剩余8组作为测试样本。每组样本需要在代码中设置随机循环1 000次，在1 000次的结果中选择、最小，2最高的情况，从而确定最优的训练集和测试集。表1中OLI波段b1～b5表示rs(443)、rs(483)、rs(561)、rs(655)、rs(865)；MSI波段b1～b9表示rs(443)、rs(490)、rs(560)、rs(665)、rs(705)、rs(740)、rs(783)、rs(842)、rs(865)。

隐含层节点数目前没有统一的确定方法，本研究通过经验公式[27]与神经网络训练结果精度选择最佳隐含层节点数，均方根误差均为最小值的情况，最终确定BP网络模型的结构为：输入层节点数取10，输出层节点数取1，隐含层节点数近似取为8。

，（5）

式中：为隐含层节点数；为输入层节点数；为输出层节点数；为1～10之间的常数。

表1 建立BP神经网络模型

利用MATLAB 2020神经网络工具箱，设置隐含层传递函数为S型正切函数“tansig”，输出层函数选择线性函数“purelin”，训练函数采用“traingd”。调用train.m函数时，最大训练次数为1 000，学习速率是1.05，训练目标最小误差是1×10-6。

2.2 透明度反演结果验证

本文分别利用220组和27组实测岱海水体透明度数据建立BP神经网络模型，检验了BP神经网络模型反演得到岱海水体透明度结果。训练集个数为154，测试集个数为66，分别利用和波段建立模型，见图4（a）和图4（b），数据量较多，训练集的相关性较高，误差较小，测试集的决定系数大于0.6，测试集与训练集的误差相差较小。从二者的散点图可以看出大部分反演的透明度位于1∶1线附近，表明模型反演精度较好。

图4 实测透明度与反演结果对比

图4（c）和图4（d）分别利用OLI和MSI卫星过境日期对应当天的27组实测数据，其中训练集个数为19，测试集个数为8，此组BP神经网络模型反演得到的水体透明度的结果优于利用MSI和OLI影像中的波段建立的模型（图4（e）、图4（f）），但是图4（c）—图4（f）中数据量较少，测试集误差基本上是训练集的5倍以上，可能对应的BP网络存在过拟合现象，会对结果产生较大的影响。因此，经过综合比较，本文选用训练集和测试集性能较高的MSI_insitu_220模型和OLI_insitu_220模型作为本文分析的重点。

2.3 遥感应用

2.3.1 BP神经网络模型的适用性

将本文的220个实测采样点分别应用到QAA模型[9]和波段比二次模型[28]中，QAA模型是Lee等[21]基于水下观测理论的遥感数据估算塞氏盘深度的半分析算法，波段比二次模型是之前研究的针对岱海水体透明度反演的经验算法，在之前研究的结论中，波段比二次模型要比其他模型[29-31]的反演精度高。现将BP神经网络模型与以上较好的2种模型进行对比，MSI_insitu_220模型中的2=0.81，=0.18 m，=13.29%；OLI_insitu_220模型中的2=0.81，=0.18 m，=14.97%，从图5可以看到BP神经网络模型反演的大部分水体透明度位于1∶1线附近，表明利用BP神经网络方法预测的值与实测值拟合效果要优于其他常用的半分析模型和经验模型。说明BP神经网络反演结果与其他模型相比更加精准，更适合岱海水体透明度反演。

图5 本文建立的模型与其他模型对比

2.3.2 遥感反演

本文将较优的MSI_insitu_220模型和OLI_insitu_220模型分别应用到对应的遥感影像，各个模型的反演结果见图6，从图像整体来看反演结果，岱海水体透明度值在湖中部较高，四周偏低，模型的预测值与实际情况相符，可见透明度反演结果与实际测量值的相关性较高。BP神经网络模型都可以很好地应用到MSI和OLI影像，在今后的研究中使用Sentinel-2 MSI和Landsat-8 OLI卫星数据结合能够进行更精细的空间和时间分辨率的观测。

2.3.3 RGB波段的应用

多波段，又叫多光谱，是指对地物辐射中多个单波段的摄取，得到的影像数据中会有多个波段的光谱信息。对于可见光遥感而言，大部分传感器均有RGB（红绿蓝）三波段，对影像赋予RGB颜色得到彩色影像。利用实测数据去对应遥感影像的RGB波段进行建模，具体分别利用220组数据对应MSI影像的RGB波段估算水体透明度，与实测岱海水体透明度进行对比，整体来看，利用RGB波段反演的透明度效果较好（图7），相关性较高，误差较小，MSI_insitu_RGB_220模型性能较好，训练集2=0.82，=0.17 m，=16.05%，测试集2=0.64，=0.26 m，=24.11%。因此，在未来的研究中可以尝试在其他类型的遥感影像（例如海洋卫星数据等）中应用RGB波段，使BP神经网络在不同影像上的应用更加广泛。

图6 透明度遥感反演结果

图7 实测透明度与反演结果对比

3 结论

1）遥感反演水体透明度受多种因素的影响，BP神经网络实质上实现了一个从输入到输出的映射功能，表明BP神经网络具有较强的非线性映射能力，因此，利用BP神经网络反演水体透明度要比传统计算方法好。

2）BP神经网络在训练时，具有高度自学习和自适应的能力。本研究建立的BP神经网络模型OLI_insitu_220模型的仿真结果精度较高，2=0.66，=0.23 m，=21.56%。

3）利用神经网络的方法反演模型得到的水质模拟结果具有空间灵敏度，选取了敏感波段，可以合理地刻画岱海水体透明度的区域分布，验证了遥感反演水体透明度结果的可行性。

[1] WANG X W, GONG P, ZHAO Y Y, et al. Water-level changes in China's large lakes determined from ICESat/GLAS data[J]. Remote Sensing of Environment, 2013, 132: 131-144.

[2] 张运林, 秦伯强, 陈伟民, 等. 太湖水体透明度的分析、变化及相关分析[J]. 海洋湖沼通报, 2003(2): 30-36.

ZHANG Yunlin, QIN Boqiang, CHEN Weimin, et al. Distribution, seasonal variaton and correlation analysis of transparency in Taihu Lake[J]. Transactions of Oceanology and Limnology, 2003(2): 30-36.

[3] ZHANG Y B, SHI K, ZHANG Y L, et al. Water clarity response to climate warming and wetting of the Inner Mongolia-Xinjiang Plateau: A remote sensing approach[J]. Science of the Total Environment, 2021, 796: 1-12.

[4] 贾军梅, 罗维, 杜婷婷. 近十年太湖生态系统服务功能价值变化评估[J]. 生态学报, 2015, 35(7): 2 255-2 264.

JIA Junmei, LUO Wei, DU Tingting. Valuation of changes of ecosystem services of Tai Lake in recent 10 years[J]. Acta Ecologica Sinica, 2015, 35(7): 2 255-2 264.

[5] CARLSON, ROBERT E. A trophic state index for lakes1. Limnology &Oceanography[J]. 1977, 22(2): 361-369.

[6] LI Y, SHI K, ZHAMG Y, et al. Analysis of Water Clarity Decrease in Xin’anjiang Reservoir, China, from 30-Year Landsat TM, ETM+, and OLI Observations[J]. Journal of Hydrology, 2020, 590(6): 1-12.

[7] PI X, FENG L, LI W, et al. Water clarity changes in 64 large alpine lakes on the Tibetan Plateau and the potential responses to lake expansion[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 170: 192-204.

[8] 崔廷伟, 张杰, 马毅, 等. 渤海近岸水体漫衰减系数d(490)遥感反演模型[J]. 遥感学报, 2009, 13(3): 417-422.

[9] LEE Z P, SHANG S L, HU C M, et al. Secchi disk depth: A new theory and mechanistic model for underwater visibility[J]. Remote Sensing of Environment, 2015, 169: 139-149.

[10] 喻臻钰, 杨昆, 罗毅, 等. 基于深度神经网络算法的水体透明度反演方法研究[J]. 生态学报, 2021, 41(6): 2 515-2 524.

YU Zhenyu, YANG Kun, LUO Yi, et al. Secchi depth inversion of Dianchi Lake and its temporal and spatial variation analysis based on deep neural networks[J]. Acta Ecological Sinica, 2021, 41(6): 2 515-2 524.

[11] LI S J, SONG K S, WANG S, et al. Quantification of chlorophyll-a in typical lakes across China using Sentinel-2 MSI imagery with machine learning algorithm[J]. Science of the Total Environment, 2021, 778: 146 271.

[12] 王艳姣, 张鹰. 基于BP人工神经网络的水体遥感测深方法研究[J]. 海洋工程, 2005(4): 37-42.

WANG Yanjiao, ZHANG Ying. Study on remote sensing of water depth based on BP artifical neural networks[J]. The Ocean Engineering, 2005(4): 37-42.

[13] GHORBANI M A, KHATIBI R, SINGH V P, et al. Continuous monitoring of suspended sediment concentrations using image analytics and deriving inherent correlations by machine learning[J]. Scientific Reports, 2020, 10(1): 8 589.

[14] 徐鹏飞, 程乾, 金平斌. 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): 1 670-1 679.

XU Pengfei, CHENG Qian, JIN Pingbin. Inversion of chlorophyll-a of clean water in Qiandao Lake with remote sensing data using the neural network[J]. Resources and Environment in the Yangtze Basin, 2021, 30(7): 1 670-1 679.

[15] 杨晓帆, 陈廷槐. 人工神经网络固有的优点和缺点[J]. 计算机科学, 1994(2): 23-26.

YANG Xiaofan, CHENG Tinghuai. The inherent advantages and disadvantages of artificial neural networks[J]. Computer Science, 1994(2): 23-26.

[16] 孙千里, 周杰, 沈吉, 等. 北方环境敏感带岱海湖泊沉积所记录的全新世中期环境特征[J]. 中国科学(D辑: 地球科学), 2006(9): 838-849.

SUN Qianli, ZHOU Jie, SHEN Ji, et al. Environmental characteristics of mid holocene recorded by sediment of Daihai Lake in the Northern environmental sensitive zone[J]. Scientia Sinica (Terrae), 2006(9): 838-849.

[17] 梁旭, 刘华民, 纪美辰, 等. 北方半干旱区土地利用/覆被变化对湖泊水质的影响: 以岱海流域为例(2000—2018年)[J]. 湖泊科学, 2021, 33(3): 727-738.

LIANG Xu, LIU Huamin, JI Meichen, et al. Effects of land use/cover change on lake water quality in the semi-arid region of northern China: A case study in Lake Daihai Basin(2000—2018)[J]. Journal of Lake Sciences, 2021, 33(3): 727-738.

[18] 张楠, 陈孝田, 李皓冰, 等. 岱海湖温排水对湖面附加蒸发量影响研究[J]. 水资源与水工程学报, 2015, 26(4): 18-21, 28.

ZHANG Nan, CHEN Xiaotian, LI Haobing, et al. Effect of warm water discharge on addition evaporation of surface of Daihai[J]. Journal of Water Resources and Water Engineering, 2015, 26(4): 18-21, 28.

[19] 唐军武, 田国良, 汪小勇, 等. 水体光谱测量与分析Ⅰ: 水面以上测量法[J]. 遥感学报, 2004, 8(1): 37-44.

TANG Junwu, TIAN Guoliang, WANG Xiaoyong, et al. The methods of water spectral measurement and analysis I: Above-Water Method[J]. National Remote Sensing Bulletin, 2004, 8(1): 37-44.

[20] 孙章丽, 郑文锋, 谢勇, 等. 达里诺尔湖水体光谱测量与分析[J]. 安徽农业科学, 2013, 41(9): 4 182-4 186.

SUN Zhangli, ZHENG Wenfeng, XIE Yong, et al. Measurement and analysis of water spectrum in Dalinuoer Lake[J]. Journal of Anhui Agricultural Sciences, 2013, 41(9): 4 182-4 186.

[21] LEE Z P, AHN Y H, MOBLEY C, et al. Removal of surface-reflected light for the measurement of remote-sensing reflectance from an above-surface platform[J]. Optics Express, 2010, 18(25): 26 313-26 324.

[22] 袁超, 张靖宇, 肖洁, 等. 基于哨兵2号卫星遥感影像的2018年苏北浅滩漂浮绿藻时空分布特征研究[J]. 海洋学报, 2020, 42(8): 12-20.

YUAN Chao, ZHANG Jingyu, XIAO Jie, et al. The spatial and temporal distribution of floating green algae in the Subei Shoal in 2018 retrieved by Sentinel-2 images[J]. Haiyang Xuebao, 2020, 42(8): 12-20.

[23] 邰晓曼, 仲臣. Landsat-8遥感影像不同水体提取方法适用性分析[J]. 黑龙江工程学院学报, 2021, 35(4): 1-5.

TAI Xiaoman, ZHONG Chen. Applicability analysis of different water extraction methods form Landsat-8 remote sensing images[J]. Journal of Heilongjiang Institute of Technology, 2021, 35(4): 1-5.

[24] 刘俊, 孟庆岩, 葛小三, 等. 基于BP 神经网络的夏玉米多生育期 叶面积指数反演研究[J]. 遥感技术与应用, 2020, 35(1): 174-184.

LIU Jun, MENG Qingyan, GE Xiaosan, et al. Leaf area index inversion of summer maize at multiple growth stages based on BP neural network[J]. Remote Sensing Technology and Application, 2020, 35(1): 174-184.

[25] SHARAF El Din, ZHANG Y, SULIMAN A. Mapping concentrations of surface water quality parameters using a novel remote sensing and artificial intelligence framework[J]. International Journal of Remote Sensing, 2017, 38(4): 1 023-1 042.

[26] 于海洋, 陈圣波, 杨北萍, 等. 基于遗传算法优化BP神经网络的玉米遥感估产方法[J]. 世界地质, 2020(1): 208-214.

YU Haiyang, CHEN Shenbo, YANG Beiping, et al. Method of remote sensing estimation of corn yield based on genetic algorithm potimized BP neural network. Global Geology, 2020(1): 208-214.

[27] 徐琳. 基于神经网络技术的多因子遥感水深反演研究[D]. 青岛: 中国石油大学(华东), 2014.

XU Lin. Study of water depth retrieval based on artificial neural networks under the influence of multi-factor[D]. Qingdao: China University of Petroleum (East China), 2014.

[28] 刁瑞翔, 青松, 越亚嫘, 等. 北方半干旱区典型湖泊—岱海透明度遥感反演(2013—2020年)[J]. 湖泊科学, 2021, 33(4): 1 072-1 087.

DIAO Ruixiang, QING Song, YUE Yalei, et al. A typical lake in the semi-arid area of northern China: The remote sensing retrieved of the transparency of the Lake Daihai (2013—2020)[J]. Journal of Lake Sciences, 2021, 33(4): 1 072-1 087.

[29] JIANG D L, MATSUSHITA B, SETIAWAN F, et al. An improved algorithm for estimating the Secchi disk depth from remote sensing data based on the new underwater visibility theory[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 152: 13-23.

[30] BOHN V Y, CARMONA F, RIVAS R, et al. Development of an empirical model for chlorophyll-a and secchi disk depth estimation for a Pampean shallow lake (Argentina)[J]. The Egyptian Journal of Remote Sensing and Space Sciences, 2018, 21: 183-191.

[31] PAGE B P, OLMANSON L G, MISHRA D R. A harmonized image processing workflflow using Sentinel-2/MSI and Landsat-8/OLI for mapping water clarity in optically variable lake systems[J]. Remote Sensing of Environment, 2019, 231: 1-12.

Using Back Propagation Neural Network Algorithm and Remote Sensing to Estimate Lake Water Transparency

DIAO Ruixiang1, QING Song1*, YUE Yalei1, WANG Fang1, LIU Nan1, HAO Yanling2, BAO Yuhai1

(1.College of Geographical Science, Inner Mongolia Normal University, Hohhot 010022, China;2.College of Ecology and Environment, Inner Mongolia University, Hohhot 010021, China)

【Objective】Water transparency (depth of the secchi disk) is an important index to quantify quality of lake water but is difficult to measure in-situ at large scale. In this paper, we proposed a new method to estimate lake water transparency.【Method】The method was based on the back propagation (BP) neural network algorithm and remote sensing. Using measured water transparency and spectral data obtained from ground remote sensing and satellite remote sensing, a BP neural network model was established to inversely calculate water transparency. Using the Sentinel-2 MSI and Landsat-8 OLI satellite imageries, we applied the model to calculate water transparency of Daihai lake in inner Mongolia.【Result】①The determination coefficient of the optimal model for the test set was2=0.66, and its associated root mean square error and average absolute percentage error were=0.23 m and=21.56%, respectively. ②Compared with the traditional method, the BP neural network is more suitable for estimating lake water transparency with2>0.81,<0.18 m and<14.97%. The inversely calculated water transparency agreed well with the ground-truth data. An independent verification of the method further proved its robustness. 【Conclusion】The proposed method is accurate and reliable; it can be used to estimate lake water transparency at large scales.

remote sensing; transparency; BP neural network; Daihai Lake

刁瑞翔, 青松, 越亚嫘, 等. 基于BP神经网络算法的内蒙古岱海水体透明度遥感估算[J], 灌溉排水学报, 2022, 41(8): 114-121.

DIAO Ruixiang, QING Song, YUE Yalei, et al. Using Back Propagation Neural Network Algorithm and Remote Sensing to Estimate Lake Water Transparency[J]. Journal of Irrigation and Drainage, 2022, 41(8): 114-121.

1672 - 3317（2022）08 - 0114 - 08

TP79

A

10.13522/j.cnki.ggps.2022021

2022-01-11

国家自然科学基金项目（41961057）；内蒙古自治区高等学校青年科技英才支持计划项目（NJYT-17-B04）；内蒙古自然科学基金项目（2019MS04013）

刁瑞翔（1995-），女，内蒙古包头人。硕士研究生，研究方向为遥感应用。E-mail: 1562859093@qq.com

青松（1982-），男，内蒙古通辽人。副教授，博士，主要从事水体光学遥感研究。E-mail: qingsong@imnu.edu.cn

责任编辑：白芳芳