Hierarchical spectral ensemble with physics-informed augmentation for global water quality retrieval from hyperspectral remote sensing
Amirthalakshmi TM · Hemanth S · Ganesan PV 等 5 人
提出分层光谱集成模型HSE，从高光谱遥感反射率中全球尺度反演四种水质参数。
用GLORIA 2022全球7572条高光谱数据，结合10折堆叠集成、NNLS元
整体R²达0.832，但低浓度贫营养水体中Chl-a、TSS、aCDOM(440)的R²为负，反演失
低浓度、弱光学信号水体的反演仍是空白，可探索物理约束与少样本学习提升贫营养水体精度。
基于GLORIA全球高光谱数据集提出分层光谱集成方法，可同步反演叶绿素a、悬浮物等四项水质参数，方法新颖、数据规模大，但低浓度水体反演失效的局限也交代清楚，对农业水环境遥感监测有参考价值。
从遥感反射光谱（Rrs）中反演水质变量并实现全球尺度、跨水体的适用性，仍是环境遥感领域的一项重大挑战。本文提出分层光谱集成（Hierarchical Spectral Ensemble, HSE），一种机器学习流程，用于同时反演四个与生态相关的水质参数（叶绿素a（Chl-a）、总悬浮固体（TSS）、440 nm处有色溶解有机物吸收系数（aCDOM(440)）和透明度（Zsd）），并应用于GLORIA 2022全球数据集，该数据集包含横跨六大洲的7,572组同步高光谱原位地面实测数据。HSE结合了五种不同的基学习器，采用10折折外堆叠进行训练，并与多样性约束的非负最小二乘（NNLS）元学习器集成，辅以涵盖光谱、空间和时间表示的291维特征集。我们提出基于插值的光谱数据增强（Interpolation-based Spectral Data Augmentation, ISDA），这是一种受生态学启发的类平衡过采样方法，在初始分层划分后应用于训练集以防止信息泄漏。在留出的全球测试集上评估，HSE在Chl-a、TSS、aCDOM(440)和Zsd上分别达到R2 = 0.822、0.704、0.841和0.962（平均R2 = 0.832；均在反变换后以原始物理单位表示）。基于四分位数的分层分析揭示了Chl-a、TSS和aCDOM(440)在低浓度条件下R2为负值，说明全球指标可能掩盖分布中大多数区域的检索失败，特别是在贫营养条件下。这构成了该方法已知的主要局限性：在低浓度、低光学信号条件下实现可靠预测仍然难以实现，仅在存在可测量光学信号的高浓度、富营养化样本中得到验证。