基于机器学习方法的太湖叶绿素a定量遥感研究
Quantitative Retrieval of Chlorophyll a Concentration in Taihu Lake Using Machine Learning Methods作者机构：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南京210093 中国科学院南京地理与湖泊研究所南京210008
出 版 物：《环境科学》 (Environmental Science)
年 卷 期：2009年第30卷第5期
页 面：1321-1328页
核心收录：
学科分类：0830[工学-环境科学与工程（可授工学、理学、农学学位）] 07[理学] 0713[理学-生态学]
基 金：国家重点基础研究发展规划(973)项目(2008CB418003) 江苏省自然科学基金项目(BK2007151) 教育部博士点基金项目(20060284011)
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.
维普期刊数据库
同方期刊数据库