利用高光谱数据结合深度学习和机器学习技术在水产养殖中进行先进的水质监测

《International Journal of Remote Sensing》：Advanced water quality monitoring in aquaculture using hyperspectral data integrating with deep and machine learning techniques

本研究利用CNN、DNN及随机森林模型，结合高分辨率多光谱数据，评估印度西孟加拉邦水产养殖场水质。结果显示pH（8.98-10.1）、TDS（1.28-6.04 ppt）和DO（7.25-17.9 mg/L）存在显著差异，WQI预测准确度高（R2>0.89），但部分区域水质超标需干预。

　　

摘要

随着化学肥料使用的增加和有毒废物的积累，对水产养殖场水质的评估对于实现可持续发展和依赖这些重要资源的渔民社区的福祉变得至关重要。本研究旨在结合机器学习（ML）和深度学习（DL）技术，利用PlanetScope提供的高分辨率多光谱数据以及PRISMA提供的高光谱数据，对印度西孟加拉邦的水产养殖场水质进行评估。研究采用了三种先进的模型：卷积神经网络（CNN）、深度神经网络（DNN）和随机森林（RF），以准确识别水产养殖区域和水体。将PRISMA和PlanetScope的图像融合后的CNN模型在土地利用类型（LULC）特征分类方面的准确率达到了93%。分类完成后，从表现最佳的图像中提取出水产养殖区域和水体，以便进一步分析和评估水质。为了评估和预测这些地区的水质，研究使用了随机森林回归（RFR）模型，并结合现场采集的水质数据及估算的水质指数（WQI）。结果显示，这些地区的水质存在显著差异：pH值非常高（8.98–10.1），总溶解固体（TDS）为1.28–6.04 ppt，溶解氧（DO）为7.25–17.9 mg/L。水质指数显示实际测量值与预测值之间存在强相关性（p<0.01），其中水产养殖场的水质指数r2值为0.89，其他水体的r2值为0.96，这证明了机器学习模型在预测水质方面的可靠性。这些数值与世界卫生组织（WHO）规定的适宜水质范围进行了对比，从而揭示了水质问题严重的区域。水质极差的水产养殖场（WQI超过200）需要立即采取干预措施，以确保水生生态系统的可持续性和依赖其生存的渔民的生计。