| 4种机器学习模型反演太湖叶绿素a浓度的比较 |
| |
| 引用本文： | 徐 逸,董轩妍,王俊杰.4种机器学习模型反演太湖叶绿素a浓度的比较[J].水生态学杂志,2019,40(4):48-57. |
| |
| 作者姓名： | 徐 逸 董轩妍 王俊杰 |
| |
| 作者单位： | 深圳大学土木工程学院;深圳大学生命与海洋科学学院 |
| |
| 基金项目： | 2017年国家重点研发计划（2017YFC0506200）；深圳市科技创新委员会基础研究学科布局项目（JCYJ20151117105543692） |
| |
| 摘 要： | 基于太湖实测叶绿素a浓度数据以及同步HJ-1B卫星CCD多光谱影像,综合比较4种机器学习模型(随机森林,RF;支持向量回归,SVR;反向传播人工神经网络,BPANN;深度学习,DL)反演太湖叶绿素a浓度的精度、稳定性及鲁棒性。利用11种波段组合分别建立基于RF、SVR、BPANN和DL的反演模型,筛选出最佳波段组合模型用于验证和评价。结果表明,模型精度方面,DL(决定系数R2=0.91,均方根误差RMSE=3.458μg/L,相对预测偏差RPD=3.13)和SVR(R2=0.88,RMSE=3.727μg/L,RPD=2.90)具有较优的验证精度;模型稳定性方面,DL模型不易受模型校正样本数影响,稳定性较好,而RF模型稳定性较差;模型鲁棒性方面,DL模型不易受噪声影响,鲁棒性较好,其次是SVR、BPANN和RF模型。综合4种模型的验证精度、稳定性和鲁棒性,DL模型在太湖叶绿素a浓度的反演具有较大应用潜力,能为研究湖泊水色参数提供借鉴。
|
| 关 键 词： | 机器学习模型 叶绿素a 太湖 |
| 收稿时间： | 2018/6/9 0:00:00 |
| 修稿时间： | 2019/7/16 0:00:00 |
Use of Remote Multispectral Imaging to Monitor Chlorophyll-a in Taihu Lake: A Comparison of Four Machine Learning Models |
| |
| XU Yi,DONG Xuan-yan and WANG Jun-jie.Use of Remote Multispectral Imaging to Monitor Chlorophyll-a in Taihu Lake: A Comparison of Four Machine Learning Models[J].Journal of Hydroecology,2019,40(4):48-57. |
| |
| Authors: | XU Yi DONG Xuan-yan and WANG Jun-jie |
| |
| Abstract: | |
| |
| Keywords: | machine learning models chlorophyll-a Taihu Lake |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《水生态学杂志》浏览原始摘要信息 |
| 点击此处可从《水生态学杂志》下载免费的PDF全文 |
|
