支持向量机在太湖叶绿素a非线性反演中的应用.PDF

中国环境科学 2009,29(1) ：78~83 China Environmental Science 支持向量机在太湖叶绿素 a 非线性反演中的应用 张玉超 1,钱 新 1*,钱 瑜 1,刘建萍 1,孔繁翔 2 (1.南京大学环境学院,污染控制与资源化研究国家重点实验室, 江苏 南京 210093 ；2. 中国科学院南京地理与湖泊研究所,江苏 南京 210008) 摘要：根据湖泊监测的特点,采用支持向量机(SVM)方法,反演太湖叶绿素 a 的浓度分布.将 2005 年 8 月太湖 29 个现场水质监测点数据分 为训练测试样本集和验证样本集,利用训练测试样本集以及与其时间同步的 MODIS 遥感影像,分别构建了 4 种 SVM 模型.对比分析表明, 直接以波段反射率以及水深信息构成输入向量的 SVM 模型预测效果最好.利用训练测试样本构建了线性回归模型、主成分分析模型(PCA) 以及神经网络模型(ANN),并利用验证数据比较了上述 3 种模型与 SVM 模型的预测结果.结果表明 ANN 模型和 SVM 模型预测能力明显优 于另外 2 种模型,其中 SVM 模型对低值和高值均有较好的预测精度,平均相对误差仅为 15.91%,预测精度比 ANN 模型提高了 10%.利用 SVM 模型和 ANN 模型分别反演了 2005 年 8 15 日太湖叶绿素 a 浓度分布, 比较了 2 种模型反演结果的异同,分析了太湖叶绿素 a 分布 特征及其成因. 关键词：支持向量机；叶绿素 a ；MODIS ；太湖 中图分类号：X524 文献标识码：A 文章编号：1000-6923(2009)01-0078-06 1 1* 1 Application of SVM on Chl-a concentration retrievals in Taihu Lake. ZHANG Yu-chao , QIAN Xin , QIAN Yu , LIU Jian-ping1, KONG Fan-xiang2 (1.State Key Laboratory of Resource Reuse and Pollution Control, School of the Environment, Nanjing University, Nanjing 210093, China ；2.Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 210008, China). China Environmental Science, 2009,29(1)：78~83 Abstract ：Considering limited monitoring points in lakes, support vector machines (SVM) was chosen to retrieve chlorophyll-a (chl-a) concentration with MODIS data. In this research, 29 monitoring points of Taihu Lake in August, 2005 were divided into training and testing group and validating group. 4 SVM models, a linear regression model, a principle component analysis (PCA) model and an artificial neural net (ANN) model were constructed using traning and testing group. Validation data was used to compare with other 3 models and SVM mo