以知识为导向的混合密度网络用于甲基的检索和相关的像素对像素的不确定性评估在光学变量的内陆水域
Yongxin Liu1, Chenlu Zhang2, Xiuwan Chen2
1National Engineering Research Center for Satellite Remote Sensing Applications, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China.
The Science of the total environment
|February 10, 2024
概括
一个新的以知识为导向的机器学习模型使用卫星数据在内陆水域准确地检索叶绿素a (Chl-a). 这种方法还量化了检索不确定性,提高了Chl-a观测可靠性.
科学领域:
- 遥感 遥感 遥感 遥感
- 海洋光学 海洋光学
- 机器学习 机器学习
背景情况:
- 在光学复杂的水域中检索叶绿素a (Chl-a) 的机器学习往往缺乏物理接地,导致结果偏差和低效的超参数调整.
- 现有的Chl-a模型难以量化检索不确定性,阻碍了对模型局限性和结果可靠性的评估,尤其是在没有地面真相数据的情况下.
研究的目的:
- 开发一种新的以知识为导向的混合物密度网络,以使用Sentinel-3 OLCI图像在光学变化的内陆水域中改进Chl-a检索.
- 将先前的光谱知识嵌入到网络中,以指导检索过程并使不确定性估计成为可能.
- 将知识导向网络的性能与决定性模型进行比较,并评估其概括能力.
主要方法:
- 开发了一个以知识为导向的混合物密度网络,结合了从光谱形状分类中获得的先前知识.
- 利用Sentinel-3海洋和陆地颜色仪器 (OLCI) 图像用于内陆水域的Chl-a检索.
- 通过输出条件分布,估计了最佳Chl-a度及其相关的不确定性.
主要成果:
- 基于知识的网络表现出强的性能,根平均平方误差 (RMSE) 为6.56μg/L,平均绝对百分比误差 (MAPE) 为43.64%,与现场Chl-a数据相比.
- 当与Sentinel-3 OLCI数据校准并应用于场光谱时,该模型实现了4.58μg/L的RMSE和72.70%的MAPE,表明了良好的概括性.
- 该方法成功地为每个Chl-a估计提供了标准偏差,允许可靠性评估和理解模型限制.
结论:
- 新型知识导向的混合物密度网络显著提高了Chl-a检索的准确性,并为内陆水域提供了关键的不确定性评估.
- 整合先前的光谱知识可以提高模型的稳定性和物理解释性.
- 这种方法提供了一种更全面,更可靠的方法,可以使用卫星数据观察内陆水生环境中的Chl-a动态.
