使用Sentinel-2图像在小规模水库中估计有色溶解有机物质:基于分类和回归的数据重新采样方法

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:

• 不平衡的数据集对在水生环境中准确估计有色溶解有机物 (CDOM) 构成挑战.
• 准确的CDOM估计对于水质监测和环境管理至关重要.

研究的目的:

• 将机器学习模型与合成数据集成,以克服CDOM度估计中的数据不平衡问题.
• 评估各种机器学习模型和用于CDOM估计的合成数据生成技术的性能.

主要方法:

• 使用 Sentinel-2 图像,通过 HSIC-Lasso 模型推导出五个输入变量 (带比).
• 使用基于分类 (SMOTE-SVM,SMOTE-Tomek) 和基于回归 (SmoteR) 的技术生成合成数据,以解决数据不平衡.
• 训练并评估组合模型,包括随机森林 (RFR),极端梯度增强 (XGB),支持矢量机 (SVR) 和深度神经网络 (DNN).

主要成果:

• 深度神经网络 (DNN) 与SMOTE-SVM和SmoteR相结合,实现了最高的预测准确度 (分别为0.88和0.89).
• 这些先进的模型显著减少了错误,特别是在高CDOM度地区.
• 基于分类的过量采样技术在解决数据不平衡方面被证明是有效的,特别是在高度边界.

结论:

• 合成数据生成和机器学习为稳健的水质监测提供了强大的方法.
• 拟议的框架为估计CDOM度提供了一个可扩展的解决方案,支持环境管理和政策.
• 与特定的过量采样技术集成的DNN模型在处理不平衡的水生数据集方面表现出卓越的性能.