湖泊悬浮物质量浓度遥感反演及变化分析 -——以岱海为例
位俊燕
赵轶鸣
郝艳玲
贾晓雪
马欣妍
内蒙古大学生态与环境学院,呼和浩特 010021
摘要：[目的]对比分析传统经验模型和5种机器学习算法精度和性能,分析2017-2023年岱海悬浮物质量浓度的时空分布特征,并探讨岱海悬浮物质量浓度变化的影响因素.[方法]通过现场实验获取岱海水体实测光谱和悬浮物质量浓度,对比分析5种机器学习模型(BP神经网络模型、卷积神经网络模型、随机森林模型、支持向量机模型、径向基函数神经网络模型)和传统经验模型的遥感反演精度,选取精度最高的反演模型基于Sentinel-2 MSI卫星数据反演岱海悬浮物质量浓度.[结果]①机器学习模型较传统经验模型的反演精度高,经三折交叉和地面同步数据验证BP模型反演效果优于其他模型,模型R2为0.76,RMSE为4.66 mg/L,MAPE为26.57％;②BP模型的9个输入特征变量均对模型有正贡献作用,特征变量B4·B5对模型的重要性最为显著,其次B4、B4+B5和B5·(B4+B5)对模型精度影响较大;③2017-2023年岱海年平均悬浮物质量浓度介于8.43～11.68 mg/L,且呈小幅波动下降趋势,5-10月岱海月平均悬浮物质量浓度介于7.77～10.84 mg/L,5月悬浮物质量浓度显著高于其他月份且变化较大,6月后开始下降并趋于稳定.空间上,岱海悬浮物质量浓度主要呈"近岸高、离岸低"的特点,高值区主要分布在岱海西南和东部近岸水域;④岱海悬浮物质量浓度与风速表现出显著的正线性关系(r=0.61,p＜0.001),与气温和降水量的相关性不大.[结论]遥感技术结合机器学习模型能够大幅度提升水质监测的效率和精度.在众多模型中,BP模型和CNN模型精度优势更为明显,其中BP模型精度更高且更为稳定.
关键词：岱海悬浮物质量浓度Sentinel-2 MSI机器学习遥感反演
分类号：TP79(遥感技术)
资助基金：内蒙古自治区自然科学基金项目(2024MS04016)内蒙古自治区水利科技项目(NSK202408)
论文发表日期：2025-06-30
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：12( 99-110 )
英文信息