基于集成决策树的遥感模型校准与波段比值选择策略，用于水体中叶绿素-a的估算

《Inland Waters》：Calibration and band ratio selection strategy for remote sensing models for chlorophyll-a estimation in water bodies using integrated decision tree approaches

中文摘要：本研究基于广东省261个采样点的水质数据，通过校准传统比值模型与集成决策树模型（随机森林、XGBoost）评估叶绿素a反演精度，发现机器学习模型在R2（≥0.80）、RMSE（≤5.29 μg/L）和MAE（≤3.46 μg/L）指标上显著优于传统方法，并针对高浓度叶绿素a区域提出模型优化策略。

　　

摘要

叶绿素a（Chl-a）是水生藻类中的主要光合色素，在水生生态系统的物理、化学和生物过程中起着关键作用。本研究以中国广东省的各种浑浊水体为案例，旨在校准现有的波段比值模型，并利用常见的高光谱数据开发集成决策树的机器学习模型，同时提出一种针对不同浑浊水体情况选择最优模型的策略。通过收集主要河口、河流和水库中261个采样点的同步水质数据，我们校准并评估了两种现有的波段比值模型以及两种集成决策树模型，即随机森林（RF）和XGBoost。研究结果表明：（1）波段比值模型是光谱变化的重要体现，本研究中叶绿素a数据集的敏感波段为R₆₈₅/R₆₉₆和(1/R₆₈₃-1/R₆₉₆)×R₇₂₇；（2）与波段比值模型相比，基于RF和XGBoost的叶绿素a估算方法的模拟精度显著更高，R²值（≥0.80）更高，RMSE（≤5.29 μg/L）和MAE（≤3.46 μg/L）值更低；此外，XGBoost和RF模型能够有效减少叶绿素a浓度超过20 μg/L的采样点的低估现象；（3）总体而言，RF、XGBoost和波段比值方法是用于浑浊水体中叶绿素a遥感估算的有效方法，其中XGBoost的拟合效果最佳，其次是RF。因此，我们针对远程获取叶绿素a浓度提出了针对性的建议。通过解决广东省水体中的光谱非线性和颗粒物主导问题，本文描述的技术——特别是基于物理光学的先进特征选择和集成建模方法——可以扩展应用于其他水质参数，并整合到下一代基于人工智能的环境监测系统中。