在福建沿海水域通过光谱特征自适应集群检索叶绿素a度
1Key Laboratory of Spatial Data Mining and Information Sharing of Ministry of Education, The Academy of Digital China, Fuzhou University, Fuzhou, 350108, China; National & Local Joint Engineering Research Center of Satellite Geospatial Information Technology, Fuzhou University, Fuzhou, 350108, China; Department of Geography, Ghent University, Ghent, 9000, Belgium.
Marine environmental research
|December 4, 2025
概括
这项研究开发了一种自适应集群组合模型,以准确测量复杂沿海水域的藻类生长 (叶绿素-a). 该模型显著提高了准确性,为监测水的健康状况提供了更好的方法.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 海洋学 海洋学 海洋学
背景情况:
- 叶绿素a (chl-a) 度是水生动物健康的关键指标,反映了藻类的生长.
- 沿海水域表现出复杂和异质的光学特性,挑战精确的 chl-a 检索.
- 现有的模型在与这些环境的动态变化和不均的光谱特征作斗争.
研究的目的:
- 为了提高福建沿海水域的chl-a度检索精度.
- 提高复杂的沿海水生环境模型的概括能力.
- 引入一个有效的光谱特征自适应集群组合学习模型.
主要方法:
- 应用光谱聚类来分组具有相似光谱特征的水域.
- 使用集体学习模型 (C-XGBoost),受知识集群的限制.
- 纳入正常化光高度指数 (NFHI) 作为输入功能.
主要成果:
- 使用八个集群的C-XGBoost模型实现了R2=0.82,MAE=0.53μg/L,MAPE=32.77%,RMSE=0.69μg/L. 在此过程中,R2=0.82,MAE=0.53μg/L,MAPE=32.77%,RMSE=0.69μg/L.
- 与非集群方法相比,在MAE (4.94%),MAPE (3.90%) 和RMSE (4.25%) 中显著改善.
- NFHI的功能显著提高了模型的准确性.
结论:
- 光谱聚类有效地解决了沿海水域的光谱异质性,提高了chl-a检索的准确性.
- 拟议的自适应集群组合模型为复杂的沿海环境中监测chl-a提供了强大的解决方案.
- 该模型的有效性和空间适用性通过分析2017-2023年的chl-a度来验证.
