论文：Predicting Optical Water Quality Indicators from Remote Sensing Using Machine Learning Algorithms...

水刊，中科院都没有收录。不属于sci。
吃一堑长一智，以后先看属于哪个期刊的。总是忘记。
期刊：Hydrology
浪费时间，啥也没有，没有创新点，就一点点的对比工作量。

“Predicting Optical Water Quality Indicators from Remote Sensing Using Machine Learning Algorithms in Tropical Highlands of Ethiopia” (Leggesse 等, 2023, p. 1) (pdf)

“利用机器学习算法预测埃塞俄比亚热带高地的遥感光学水质指标” (Leggesse 等, 2023, p. 1) (pdf)

摘要: 淡水水体 的水质退 化是一个 世界性的 问题，尤其 是在数据 稀缺、标 准水质监 测费用昂 贵的非洲。 本研究探索了在物流和金融受限的大型和偏远地区，使用遥感图像和机器学习(M L)算法作为标准现 场测量的替代方案来监测水质。在 2016 年 8 月至 2022 年 4 月期间每月观测到的三个光学活性水质 指标:浊度(TUR)、总溶解固体(TDS)和叶绿素 a (Chl-a) 中，对六种机器学习(M L)算法与 Landsat 8 图 像集成进行了准确性评估。研究的 6 种机器学习算法分别是人工神经网络(ANN)、支持向量机回归 (SVM)、随机森林回归(RF)、XGBoost 回归(XGB)、AdaBoost 回归(AB)和梯度增强回归(GB)算法。 XGB 对 Chl-a 的预测效果最好，R2 为 0.78，纳什-萨克利夫效率(NSE)为 0.78，平均绝对相对误差 (MARE)为 0.082，均方根误差(RMSE)为 9.79μg/L。RF 预测 TDS (R2 为 0.79,NSE 为 0.80,MARE 为 0.082,RMSE 为 12.30 mg/L)和 TUR (R2 为 0.80,NSE 为 0.81,MARE 为 0.072,RMS E 为 7.82 NTU)的效 果最好。主要的挑战是数据大小、采样频率和采样分辨率。为了克服数据的限制，我们使用了 k 折 交叉验证技 术，可 以从有限 的数据 中获得最 大的价 值，以建 立一个 鲁棒的模 型。此 外，我们 还采用 分层采样技术来改进浊度的 ML 建模。因此，这项研究显示了利用遥感与 ML 算法集成，在有限的 观测数据下监测大型淡水水体水质的可能性，有可能增强决策

。