基于机器学习方法和Sentinel-2图像的水质参数检索和营养状况评估:对Hongjiannao湖的一个案例研究
Ying Liu1, Zhixiong Wang2, Hui Yue3
1College of Geomatics, Xi'an University of Science and Technology, Xi'an, 710054, China. liuying712100@xust.edu.cn.
Environmental monitoring and assessment
|April 15, 2025
概括
这项研究开发了一个最佳模型 (SHAP-RF) 用Sentinel-2图像检索湖水质量参数. 该模型准确地评估了Hongjiannao湖.
科学领域:
- 遥感 遥感 遥感 遥感
- 环境科学 环境科学
- 水质监测 水质监测
背景情况:
- 精确的湖泊水质监测对于生态平衡和可持续发展至关重要.
- 多种水质参数 (WQP) 需要定制的检索算法,增加复杂性.
- 中国的洪建湖是评估WQP检索方法的案例研究.
研究的目的:
- 为了比较优化WQP检索的特征选择方法 (Boruta,RFE,SHAP).
- 为了评估机器学习算法 (RF,BP,SVM) 对WQP逆转的性能.
- 建立一个综合营养状况指数来评估湖泊缩.
主要方法:
- 使用 Sentinel-2 图像和测量了 WQPs (Chl-a,TU,COD,TN,TP,NH3-N,EC,pH).使用了 Sentinel-2 图像和测量了 WQPs (Chl-a,TU,COD,TN,TP,NH3-N,EC,pH).
- 应用 Boruta,RFE 和 SHAP 进行最佳特征子集选择.
- 使用RF,BP和SVM算法进行WQP检索和准确性评估,使用R2,RMSE,MAE和RPD.
- 使用SHAP量化特征贡献,并开发了一个营养状况指数.
主要成果:
- 对于多个WQP,SHAP-RF模型显示出优异的检索精度 (例如,TN R2=0.84,COD R2=0.73).
- 确定了特定WQP的关键光谱频段,绿色和红色边缘频段对Chl-a和NH3-N敏感.
- 洪家纳湖表现出来自TN,TP和COD的初级污染,其中很大一部分显示中度至超营养状况.
结论:
- SHAP-RF模型提供了一个强大的框架,用于使用遥感数据准确的湖泊WQP检索.
- 了解光谱带灵敏度有助于为不同的WQPs选择合适的算法.
- 该研究强调了洪建湖水质和营养状况的恶化,需要有针对性的管理策略.
