贾雷　曹红业

摘 要：针对内陆水体光谱特征信息与叶绿素a之间具有强非线性的特点，而广泛应用的传统的BP（Back Propagation）模型存在着学习速度慢、极易陷入局部极小等问题、而支持向量机（Support Vector Machine， SVM）模型过于复杂，且其参数难以调整，提出将极限学习机（Extreme Learning Machine， ELM）方法用于内陆湖泊水质遥感监测，该算法不但可以简化参数选择过程，而且可以提高网络的训练速度。在确定了最优参数的基础上，建立了叶绿素a浓度（表征水体富营养化程度的重要参数）预测模型，并且将预测结果与BP和SVM进行比较。实验结果表明：该方法可以显著提高模型的学习速度，且相比BP和SVM模型具有更好的泛化性能。实验结果证明了极限学习机应用于水质遥感监测的可行性和有效性。

关键词：机器学习；极限学习机；水质遥感监测；内陆湖泊

0 引 言

隨着沿海和内陆地区人口的持续增长和工业压力持续加大，中国目前正面临极为严重的水资源问题，而其中水环境质量的急剧下降已成为一个亟待解决的问题[1]，尤其是内陆湖泊的水质问题己经成为全球性问题，而水质监测是水质评价与水污染防治的主要依据[2]，因此，准确、有效、实时的内陆湖泊水质监测对保护湖泊及其流域水生态环境具有重要的意义。近几十年来，水质评价都依赖于传统的现场抽样和数据收集，然后在实验室分析和评估各项水质参数，这种方法虽然可以得出较为精确的结果，但是耗时耗力，成本高昂，且严格受限于时间尺度与空间尺度，难以达到实时、大尺度的监测要求。……