基于Q285高光谱成像仪数据以CDOM、叶绿素a、硅藻、绿藻和浊度为特征参数的机器学习

英文名称:Hyperspectral Data and Machine Learning for Estimating CDOM, Chlorophyll a, Diatoms, Green Algae and Turbidity

德国卡尔斯鲁厄理工学院摄影测量与遥感研究所/应用地球科学研究所/丹麦奥尔胡斯大学生物科学系

本文以Q285船载高光谱数据为实例，结合机器学习对CDOM、叶绿素a、硅藻、绿藻和浊度等水质参数的反射光谱特征进行了研究。与传统技术相比，这种方法是数据驱动的，不涉及任何专业的领域知识，更易推广使用。本研究对比了10种机器学习模型，均表现出良好的回归性能，揭示了利用高光谱数据进行机器学习的潜力。

图1 研究区域地图与探针测量位置

图2 生物鱼传感器系统（白色浮缸）和Q285高光谱仪（在船上的三脚架上）

表1 每个水质特征参数在训练集和测试集中的数量（数据集来源于德国易北河实测）

图3 水质参数（CDOM、叶绿素a、绿藻、硅藻和浊度）回归框架的示意图（*主成分分析只适用于高光谱数据）

表2 CDOM、叶绿素a、绿藻、硅藻和浊度估算值的回归结果（粗体值分别代表最佳回归结果：在所有模型中，ET、SVM和ANN对5个水质参数的回归效果最好，AdaBoost和GB两种模型次之）

图4 回归结果（匹配GPS后的可视化数据）（左：探针实测，中：ET模型，右：实测值与估计值之间的最小-最大比例尺偏差）

图5 具有标准差的平均高光谱图和特征光谱分布图（除绿藻外，其他光谱均有相似特征峰：在735nm左右有最高峰，在680nm左右有次高峰。低波长范围（小于630nm）和长波长范围（大于790nm）的特征重要性随机分布）

结论：

内陆水域是人类重要的水资源，在区域内准确掌握水质特征参数的分布情况，对监测内河水质至关重要。高光谱成像技术具有低成本、高效率等多种优势，相比传统水质点测方法的昂贵和费时费力，其小巧、便捷、信息含量高等特点，无疑对改进监测方法提供了新途径，其与机器学习的结合，将极大改进对不同类型的水域进行监测的方便程度和信息准确程度。