通过机器学习模型探索光学描述器,以快速估计沿海沉积物有机碳和附近的土地使用分类

科学领域:

• 环境科学 环境科学
• 地质化学 地质化学
• 数据科学数据科学数据科学

背景情况:

• 沿海沉积物是环境健康的重要指标.
• 准确评估沉积物总有机碳 (TOC) 和相邻的土地利用对于环境管理至关重要.
• 传统的TOC估计和土地使用分类方法可能是耗时和劳动密集的.

研究的目的:

• 开发和优化用于估计沉积物TOC和确定沿海地区土地利用类型的预测模型.
• 将机器学习 (ML) 模型的性能与传统回归技术进行比较.
• 确定影响TOC变化的关键溶解有机物 (DOM) 光学指数.

主要方法:

• 使用紫外线和光光谱指数的溶解有机物 (DOM).
• 应用机器学习 (ML) 模型,包括惩罚最小平方回归 (PLR),立方体和支持向量机 (SVM).
• 使用TOC估计和土地使用分类的培训和测试数据集验证模型性能.

主要成果:

• 机器学习模型在TOC估计和土地使用分类方面表现优于传统回归方法.
• PLR和Cubist模型在TOC估计中显示出高准确度,PLR的训练误差最低,Cubist的相关系数为0.79.
• 在土地使用分类方面,SVM实现了85.6%的培训准确率和92.2%的测试准确率.
• 最大光强度和254nm的紫外线吸收被确定为TOC变化的关键因素.

结论:

• 使用DOM光学索引的ML模型为近乎实时的海洋沉积物TOC估计提供了有效的方法.
• 开发的模型为沿海地区准确地分类土地利用提供了强大的工具.
• 这项研究强调了光谱和ML技术在促进海洋沉积物监测和管理方面的潜力.