一个新的四种模式的深度神经网络,用于估计阳湖和水库中的叶绿素-a度,使用Sentinel-2 MSI数据

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:

• 欧化对湖泊生态系统构成重大威胁,气候变化和人类活动加剧了这种威胁.
• 叶绿素a (Chl-a) 是热带状态和藻类生物质的关键指标,对于水质评估至关重要.
• 准确的Chl-a估计对于有效的湖泊管理和减轻环保缩至关重要.

研究的目的:

• 开发和验证一种新的深度学习模型,使用集成遥感和现场数据来估计Chl-a度.
• 为了分析Chl-a度在Lianyungang市的湖泊和水库的时空变化.
• 确定影响Chl-a变异性的关键气候驱动因素,并评估它们与安化水平的相关性.

主要方法:

• 在位Chl-a测量与Sentinel-2卫星图像 (2017-2024) 的整合.
• 开发一个四模态深度神经网络 (QM-DNN),结合光谱,时间和环境变量.
• 综合梯度法用于模型解释性和特征贡献分析的应用.

主要成果:

• 与传统方法相比,QM-DNN模型获得了更高的性能 (R2=0.73,MAE=6.76 mg/m3,RMSE=12.65 mg/m3).
• 时空分析显示了显著的Chl-a变化,中部和南部地区的度更高.
• 空气温度和降水被确定为Chl-a可变性的显著积极驱动因素 (p < 0.05).

结论:

• 多模式深度学习为基于遥感的Chl-a监测提供了一种强大的方法.
• QM-DNN模型为评估湖水质量和优化状态提供了一个强大的工具.
• 这些研究结果支持加强区域水质管理,并制定有效的环保化减缓策略.