湖泊中溶解有机碳估计:通过数据增强改进机器学习,对多传感器遥感观测结果的融合数据进行增强
Seyed Babak Haji Seyed Asadollah1, Ahmadreza Safaeinia2, Sina Jarahizadeh2
1Department of Environmental Resources Engineering, State University of New York, College of Environmental Science and Forestry, 1 Forestry Drive, Syracuse, NY 13210, USA; Department of Civil Engineering, University of Alicante, 03690 Alicante, Spain.
Water research
|February 25, 2025
概括
这项研究使用遥感和机器学习估计了溶解有机碳 (DOC) 湖. 使用SMOTE增强数据提高了准确性,特别是对于高度的DOC,有助于水质监测.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 溶解有机碳 (DOC) 对水生生态系统至关重要.
- 在现场采用DOC采样是昂贵且耗时的.
- 遥感和机器学习为大规模的DOC估计提供了潜力.
研究的目的:
- 开发和验证一种用于估计湖泊DOC度的新方法.
- 使用机器学习将现场测量与Landsat卫星数据集成在一起.
- 为了应对DOC估计中数据分布不平衡的挑战.
主要方法:
- 使用了Landsat卫星表面反射频段和现场DOC测量.
- 采用随机森林 (RF) 预测模型.
- 应用了合成少数人过量采样技术 (SMOTE) 来增加不平衡的数据.
主要成果:
- 最初的射频模型由于不平衡的DOC数据 (平均5.37±3.37 mg/L) 显示精度较低.
- 射频SMOTE显著提高了准确性,其中RMSE=1.75,MAE=1.09,R2=0.74.
- 提高了对高DOC度的估计准确度,这对环境健康至关重要.
结论:
- 遥感,机器学习和数据增强 (RF-SMOTE) 的融合有效地估计了湖泊DOC.
- 30米的空间分辨率模型具有全球潜力,用于湖泊监测,包括偏远地区.
- 这种方法为水质管理和水生碳循环提供了宝贵的见解.
