4种机器学习模型反演太湖叶绿素a浓度的比较

基于太湖实测叶绿素a浓度数据以及同步HJ-1B卫星CCD多光谱影像,综合比较4种机器学习模型(随机森林,RF;支持向量回归,SVR;反向传播人工神经网络,BPANN;深度学习,DL)反演太湖叶绿素a浓度的精度、稳定性及鲁棒性。利用11种波段组合分别建立基于RF、SVR、BPANN和DL的反演模型,筛选出最佳波段组合模型用于验证和评价。结果表明,模型精度方面,DL(决定系数R2=0.91,均方根误差RMSE=3.458μg/L,相对预测偏差RPD=3.13)和SVR(R2=0.88,RMSE=3.727μg/L,RPD=2.90)具有较优的验证精度;模型稳定性方面,DL模型不易受模型校正样本数影响,稳定性较好,而RF模型稳定性较差;模型鲁棒性方面,DL模型不易受噪声影响,鲁棒性较好,其次是SVR、BPANN和RF模型。综合4种模型的验证精度、稳定性和鲁棒性,DL模型在太湖叶绿素a浓度的反演具有较大应用潜力,能为研究湖泊水色参数提供借鉴。