在典型的湖泊中,使用HJ-1 A/B图像和机器学习算法长期监测叶绿素a度,一个寒冷的半干旱地区

科学领域:

• 环境科学 环境科学
• 遥感 遥感 遥感 遥感
• 水质监测 水质监测

背景情况:

• 叶绿素a (Chl-a) 是湖藻生物质和热带状态的关键指标.
• 遥感为观测大面积的Chl-a提供了一种可行的方法.
• 卫星HJ-1提供了适合湖泊监测的高分辨率图像.

研究的目的:

• 用HJ-1卫星数据评估各种机器学习算法的Chl-a映射的有效性.
• 为了确定稳定和准确的Chl-a时空模式分析的最佳算法.
• 为了证明HJ-1CCD图像对长期湖泊热量状态监测的实用性.

主要方法:

• 在现场测量的Chl-a数据被用于训练和评估七个机器学习算法:SVR,GBDT,XGBoost,RF,KNN,KRR和MLP.
• 使用交叉验证网格搜索进行了超参数优化.
• HJ-1 A/B CCD图像被用于Chl-a映射,XGBoost算法因其性能和稳定性而被选择.

主要成果:

• 几种算法 (GBDT,XGBoost,RF,KRR) 在Chl-a映射中实现了高精度 (R2 ≥0.90).
• XGBoost以最低的误差 (RMSE = 3.11 μg/L) 和稳定的时空模式映射表现出最佳性能.
• 该研究使用HJ-1图像和XGBoost算法成功将Chl-a模式与历史数据对齐.

结论:

• HJ-1 A/B CCD 图像与 XGBoost 机器学习算法相结合,对于监测寒冷干旱地区的湖泊热量状态非常有效.
• 这种方法为长期评估水质提供了稳定而准确的方法.
• 这些发现支持区域水质监测和管理的持续努力.