.png){kind=icon}
返回
Optimized Ensemble Machine Learning Models for Predicting Phytoplankton Absorption Coefficients
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2024.3350328.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习 (ML) 模型提供了一种用于估计清澈和沿海水域中固有光学特性 (IOPs) 的替代方法。这项研究介绍了一种有效的方法，通过使用集成机器学习技术，如随机森林，梯度提升，额外的树，adaboost，bagging和投票模型，预测浮游植物吸收系数 (a(ph)(lambda)，m(-1)) 在443的选定关键波段，489，510，555和670海里在晴朗和沿海水域。通过贝叶斯技术对这些模型的超参数进行优化，确保了较高的预测精度。此外，本研究通过特征重要性分析强调了波长670，489和510 nm的至关重要性。当预测各种波长 (例如443，489，510，555和670 nm) 的浮游植物时，这些模型在确定系数 (R-2) 值方面表现出出色的性能。在510 nm波长下，浮游植物a(ph) 的吸收系数的R-2值约为0.9033。0.0001的最低均方误差 (MSE) 在绿色波段 (即，555 nm) 处实现。其他统计矩阵，例如平均绝对百分比误差 (MAPE) 和平均绝对误差 (MAE)，在所选波长上显示出低误差。发现预测的浮游植物吸收系数与实际值非常吻合。这项研究显示了全球和选定区域数据集的优化集合模型的成功，这些模型可以准确地得出a(ph)(lambda)，这将有助于改善海洋初级生产力建模和了解浮游植物水华的分布。
Keyword:
Phytoplankton absorption coefficients
remote sensing reflectance
machine learning
ensemble models
feature importance
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
暂无机构信息
引用论文
分享收藏ACIX-Aqua: A global assessment of atmospheric correction methods for Landsat-8 and Sentinel-2 over lakes, rivers, and coastal watersAcix-aqua: 对湖泊，河流和沿海水域的Landsat-8和Sentinel-2的大气校正方法的全球评估
OAAI
OAAI分享收藏Estimating ensemble weights for bagging regressors based on the mean-variance portfolio framework
PREAI
分享收藏Water Chlorophyll a Estimation Using UAV-Based Multispectral Data and Machine Learning基于无人机多光谱数据和机器学习的水体叶绿素a估算.png)
DRONESOAAI
DRONESIF4.8
OAAI分享收藏
查看更多内容