关键词:
氨氮模型
河网水系
特征优化
机器学习
Sentinel-2影像
广州
摘要:
高效监测河网水系氨氮(NH3-N)的时空分布对区域水体污染防控治理和生态环境健康发展具有重要意义。基于2019年在广州市收集的204个NH3-N实测数据(0.026-6.210mg·L^(-1))和8景高质量Sentinel-2MSI遥感影像,发展了适用于大范围水域、NH3-N质量浓度差异显著的机器学习遥感反演模型。结果显示,已有的NH3-N反演模型应用于广州市水体时精度受限,但多特征输入的模型预测能力相对较好。在检索16000多种Sentinel-2波段组合的基础上,利用主成分分析方法进行了特征降维(BC-FDR),并结合极端梯度提升(XGBoost)、随机森林(RF)、支持向量回归(SVR)3种机器学习模型,构建了波段特征优化的机器学习NH3-N反演方法。其中BC-FDR_XGBoost模型表现最佳(rc2=0.6872,σRMSEc=0.617mg·L^(-1),σMAEc=0.385mg·L^(-1),n=102;rv2=0.5436,σRMSEv=0.438mg·L^(-1),σMAEv=0.362mg·L^(-1),n=44)。另外基于58个实测数据进行了独立验证(n=33)和趋势检验(n=25),结果进一步表明,BC-FDR_XGBoost模型的精度较高(r2=0.5315,σRMSE=0.459mg·L^(-1),σMAE=0.287mg·L^(-1)),卫星遥感反演结果与实测数据在时空分布和变化趋势上具有良好的一致性。2019年,广州市河网水系NH3-N质量浓度平均为Ⅲ类水质等级,枯水期(0.795mg·L^(-1))显著高于丰水期(0.552mg·L^(-1))。空间上,丰水期NH3-N质量浓度整体呈南北部低、中部相对较高的特点;枯水期仅南沙区及部分干流NH3-N相对较低。该研究为建立城市尺度大区域范围水体NH3-N遥感反演模型提供了参考,有助于区域水环境的评价和治理。