基于机器学习方法的太湖叶绿素a定量遥感研究

• 作者: 刘建萍 孔繁翔 张玉超 钱新 钱瑜
• 来源期刊: 环境科学
• 学科: 地球科学
• 关键词: 人工神经网络 支持向量机 水质遥感 叶绿素a 太湖
• 年，卷（期）: 2009,（5）
• 页码范围: 1321-1328
• 页数: 8页
• 分类号: X87
• 语种: 中文
• DOI: 10.3321/j.issn:0250-3301.2009.05.012

摘要

为了比较评价人工神经网络和支持向量机2种机器学习算法在水质遥感中的应用能力,本研究首先从基础理论和学习目的入手,对比分析了2种机器学习算法的理论体系;其次,以太湖为例,基于MODIS遥感影像,构建了反演太湖叶绿素a浓度的2种机器学习方法模型,通过对模型的验证、稳定性和鲁棒性分析以及全湖反演结果对比3个方面评价了2种模型的泛化能力.验证结果表明,支持向量机模型对验证样本预测结果的均方差根和平均相对误差分别为5.85和26.5%,而人工神经网络模型的预测结果均方差和平均相对误差则高达13.04和46.8%;稳定性和鲁棒性评价亦说明,以统计学习理论为基础的支持向量机模型具有更加良好的稳定性、鲁棒性,空间泛化能力优于人工神经网络模型;2种机器学习算法对太湖叶绿素a的浓度分布反演结果基本一致,但人工神经网络模型因其学习目标设定和网络构建中的"过学习"等缺陷,造成了对东太湖以及湖心区叶绿素a的反演结果与实际监测结果差异较大.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	钱新	南京大学环境学院污染控制与资源化研究国家重点实验室	85	988	18.0	26.0
2	钱瑜	南京大学环境学院污染控制与资源化研究国家重点实验室	54	536	15.0	21.0
3	孔繁翔	中国科学院南京地理与湖泊研究所	83	2479	27.0	47.0
4	张玉超	南京大学环境学院污染控制与资源化研究国家重点实验室	24	339	12.0	18.0
5	刘建萍	南京大学环境学院污染控制与资源化研究国家重点实验室	14	122	6.0	11.0