米兰体育官网登录 表征贫营养和中营养湖泊和水库中叶绿素-a 算法的检索不确定性

引用

Werther M、Odermatt D、Simis SGH、Gurlin D、Jorge DSF、Loisel H、Hunter PD、Tyler AN 和 Spyrakos E (2022) 表征贫营养和中营养湖泊和水库中叶绿素-a 算法的检索不确定性。ISPRS 摄影测量与遥感杂志，190，第 279-300 页。 https://doi.org/10.1016/j.isprsjprs.2022.06.015

摘要
利用从 53 个湖泊和水库收集的水成分浓度、固有光学特性 (IOP) 和遥感反射光谱的原位数据集，通过 13 种现有算法对贫营养和中营养湖泊和水库中浮游植物叶绿素 A (chla) 浓度的遥感产品不确定性进行了表征 水库（346 个观测值；chla 浓度 10 mg m-3, dataset median 2.5 mg m-3). Substantial shortcomings in retrieval accuracy were evident with median absolute percentage differences (MAPD) > 37% and mean absolute differences (MAD) >1.82 毫克 m-3。与海洋和陆地颜色仪器 (OLCI) 配置相比，使用沿海海洋高光谱成像仪 (HICO) 波段配置可将精度提高 10-20%。通过 SHapley Additive exPlanations (SHAP) 使用机器学习模型，将检索不确定性归因于光学和生物地球化学特性。大多数半分析算法的叶绿素检索不确定性主要由浮游植物的吸收和组成决定。机器学习 chla 算法对有色溶解有机物 (CDOM) 和非藻类色素颗粒 (NAP) 的光吸收表现出相对较高的敏感性。相比之下，红色/近红外算法的不确定性主要通过浮游植物在 673 nm 处的总吸收和与反向散射相关的变量来解释，该算法旨在降低 CDOM 和 NAP 存在下的不确定性。基于这些不确定性特征，我们讨论了评估算法公式的适用性，并为寡营养和中营养湖泊和水库的 chla 估计改进提出了建议。

关键字
叶绿素-a；湖泊；不确定性； Shapley 附加解释；机器学习

期刊
ISPRS 摄影测量与遥感杂志：第 190 卷

• 已发布版本