基于随机森林的内陆湖泊水体有色可溶性有机物(CDOM)浓度遥感估算

摘要

水体中的有色可溶性有机物(CDOM)是湖泊生态系统中氮、磷等有机营养物质的重要来源,利用卫星遥感数据反演内陆水体中CDOM浓度一直是个挑战.因此本文基于滇池2009年9月、2017年4月以及太湖2016年7月的现场原位观测和室内实验,在分析水体固有光学特性的基础上,引入机器学习算法,建立了基于哨兵-3A OLCI传感器的我国内陆湖泊水体CDOM浓度随机森林反演模型.利用独立的验证数据集对所构建的随机森林模型及常用的波段比值模型、一阶微分模型、半分析模型、BP神经网络模型等的反演精度进行评价.结果表明:随机森林模型的均方根误差为0.14 m-1,平均相对误差为21％,与反演效果相对较好的BP神经网络模型相比,均方根误差降低了50％,平均相对误差降低了38％,反演精度得到了显著的提高.根据随机森林算法的特征重要性参数提供的各自变量影响力结果,发现B11 (709 nm)和B6(560 nm)波段贡献率最大,是反演CDOM的敏感波段.最后将随机森林模型应用到滇池2017年4月12日、太湖2017年5月18日的哨兵-3A OLCI影像上,得到滇池、太湖水体CDOM浓度分布图.滇池CDOM浓度的分布特征大致符合东北、西南高,中西部低的趋势,且河口处的CDOM浓度高于湖泊水体,表明径流的输入给滇池水体带来了大量的CDOM.太湖CDOM浓度的分布特征大致符合西部高,湖心区和东部低的趋势.太湖西部以及北部梅梁湾受入湖河流影响较大,CDOM浓度较高,太湖开敞区远离河口处,受外源河流的影响逐渐减小,且由于湖水的不断稀释,CDOM浓度不断降低.太湖东部水生植物很多,湖水较为清澈,CDOM浓度较低.