利用高光谱数据与机器学习模型估算若干内陆水体的叶绿素 a 浓度
计算机视觉与模式识别
2019-07-02 v1 定量方法
应用统计
摘要
水是生命、自然环境和人类健康的关键组成部分。为监测水体状况,叶绿素 a 浓度可作为营养盐与氧气供给的替代指标。水质参数的原位测量通常耗时、昂贵且面积有效性有限。因此,我们应用遥感技术。在野外活动中,我们用光谱仪采集了高光谱数据,并原位测量了 13 个具有不同光谱特征的内陆水体的叶绿素 a 浓度。本研究的一个目标是应用三种机器学习回归模型:随机森林、支持向量机和人工神经网络,估算这些内陆水体的叶绿素 a 浓度。此外,我们模拟了光谱仪数据的四种不同高光谱分辨率,以探究其对估算性能的影响。进而,还评估了光谱一阶导数对回归性能的应用。本研究揭示了机器学习方法与遥感数据结合用于内陆水体的潜力。各机器学习模型在叶绿素 a 浓度回归上的 R2 分数均达到 80% 至 90%。随机森林模型明显受益于所应用的光谱导数。在进一步研究中,我们将聚焦于将机器学习模型应用于光谱卫星数据,以提升内陆水体叶绿素 a 浓度的面状估算。
引用
@article{arxiv.1904.02052,
title = {Estimating Chlorophyll a Concentrations of Several Inland Waters with Hyperspectral Data and Machine Learning Models},
author = {Philipp M. Maier and Sina Keller},
journal= {arXiv preprint arXiv:1904.02052},
year = {2019}
}
备注
Accepted at ISPRS Geospatial Week 2019 in Enschede