基于机器学习的不同光学水体类型叶绿素a反演中特征选择方法评估

《Remote Sensing》：Assessment of Feature Selection Methods for Machine Learning-Based Chlorophyll-a Retrieval Across Optical Water Types

　　

从海洋颜色反射率准确反演叶绿素a（Chlorophyll-a, Chla, mg m^?3）仍是一个具有挑战性的问题，原因是光谱冗余、非线性光学相互作用以及水体类型变异性。本研究开发并评估了一个具有全球代表性的特征选择（Feature Selection, FS）和机器学习（Machine Learning, ML）框架，以改善从多光谱反射率估算Chla。利用一个经过质量控制、聚合到中分辨率成像光谱仪（Medium Resolution Imaging Spectrometer, MERIS）波段的全球原位数据集，研究人员在四种光学水体类型（Optical Water Types, OWTs）中评估了七种FS方法和五种ML架构。针对每种OWT，研究人员使用一种新颖的数据划分方案——“空间分块分层蒙特卡洛分割（Spatially Blocked Stratified Monte-Carlo Split）”，基于原位数据的分区子集训练并验证相应的FS-ML模型。采用了三阶段模型评估和鲁棒性过滤器。基于重要性的FS方法一致地产生紧凑、物理可解释的预测因子集，并获得了最佳泛化能力。鲁棒的FS-ML组合实现了高验证性能，且训练-验证差距极小。跨传感器迁移测试表明，基于MERIS训练的模型可泛化到独立的中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer, MODIS）和GlobColour匹配数据集。分布不确定性诊断进一步在空间和时间上表征了反演置信度。总体而言，OWT自适应FS为从多光谱海洋颜色反射率进行全球Chla反演提供了一种物理基础扎实、统计稳健且可操作扩展的方法。

**论文解读：基于光学水体类型的特征选择与机器学习在叶绿素a全球反演中的系统评估**

**研究背景与问题**

自首颗海洋颜色卫星传感器发射以来，准确反演海洋和近岸环境的叶绿素a（Chlorophyll-a, Chla）一直是一个持续挑战。海洋颜色仪器的进步提供了更多且质量更高的光谱波段，但同时也增加了识别与Chla反演最相关波段的复杂性。在光学复杂的水域，非藻类光谱干扰（如有色溶解有机物（Colored Dissolved Organic Matter, CDOM）吸收）与Chla吸收峰重叠，使得仅依赖敏感波段进行稳健反演变得至关重要。卫星遥感反射率R_rs(λ)（sr^?1）是对水体成分光谱特征的粗略测量，会限制模型性能，尤其在光学复杂水体中。波段比值是物理上有意义的描述符，能强调光谱形状的相对变化并降低乘性噪声。机器学习（Machine Learning, ML）算法已显著提升Chla反演精度，但水体成分浓度和固有光学性质（Inherent Optical Properties, IOPs）的变异性导致不同光学水体类型（Optical Water Types, OWTs），因此OWT分类成为表征光学复杂性并提高ML算法可迁移性的有效框架。然而，当输入特征数量增加时，特征选择（Feature Selection, FS）方法对于减少维度、降低过拟合至关重要。尽管ML和FS方法在海洋颜色遥感中应用日益增多，但尚无研究系统评估多种ML算法对不同FS策略在不同水体类型下的响应，且对训练样本选择依赖性的量化不足。本研究旨在填补这一空白，通过评估多种ML算法对一组FS方法的响应，并明确考虑不同水体类型，以识别最有效的特征集，量化FS如何缓解过拟合并增强模型可解释性，同时评估跨传感器通用性。

**主要关键技术方法**

研究人员采用全球质量控制的原位数据集（N=6302），聚合至MERIS波段（412, 442, 490, 510, 560, 620, 665, 681 nm）。通过k-means聚类将原始23个OWT合并为4个光学一致类别（OWT-1至OWT-4）。特征扩展至36个变量（8个单波段和28个波段比值）。评估了七种FS方法：组合滤波（CF-FS）、方差分析（ANOVA-FS）、BorutaShap-FS、随机森林（RF-FS）、Lasso-FS、混合FS（Hybrid-FS）和贝叶斯信息准则（BIC-FS）。五种ML算法包括随机森林（RF）、支持向量回归（SVR）、多层感知器（MLP）、梯度提升决策树（GBDT）和CatBoost回归器。采用“空间分块分层蒙特卡洛分割”策略进行数据划分，保证空间独立性和统计代表性。模型评估经过三阶段：10折交叉验证、鲁棒性分析（基于训练R2与交叉验证R2的差距及复合精度评分CAS）和独立验证。跨传感器测试使用MODIS和GlobColour匹配数据集。

**研究结果**

**4.1 空间分块分层蒙特卡洛分割与传统随机数据划分的比较**
研究通过比较Chla概率分布，发现所提出的方法在所有OWT中保持了训练和验证子集几乎相同的Chla分布，且OWT类间重叠显著降低（例如OWT-2与OWT-3重叠从36.7–39.9%降至10.4–12.2%），提供了更可靠且独立的模型校准与验证基础。

**4.2 原位数据特征**
全球数据集覆盖了从贫营养开阔大洋到高生产力浑浊近岸的广泛Chla范围。四种OWT的R_rs(λ)光谱形状显著不同，OWT-1呈低反射率单调递减，OWT-3和OWT-4在绿光波段出现明显峰值，反映了从贫营养到光学复杂水体的系统性差异。

**4.3 特征选择**
FS方法结果因OWT而异。在OWT-1中，所有方法均一致选择R_rs(412)/R_rs(560)比值；OWT-2中仅该比值达到共识；OWT-3和OWT-4中，R_rs(412)/R_rs(665)和R_rs(510)/R_rs(560)被多次选择。这表明随着光学复杂性增加，最优预测因子从蓝绿波段比值转向包含红光波段的比值。

**4.4 交叉验证分析**
所有FS方法均优于无FS（No-FS）情况。BorutaShap-FS和RF-FS在所有OWT中表现最佳，获得最高R2和CCC及最低误差。在OWT-1中，BorutaShap-FS的R2中位数达0.88–0.93；OWT-4中仍保持R2=0.69–0.83。这表明基于重要性的包装器/嵌入方法具有更强的鲁棒性和泛化能力。

**4.5 鲁棒性分析**
通过联合鲁棒性-精度标准（±5%容忍区间及CAS阈值），筛选出每个OWT的鲁棒模型。例如OWT-1中RF-FS@GBDT满足CAS≥0.90且训练-验证R2差距<0.05；OWT-4中仅有限模型满足CAS≥0.85。无FS模型在所有OWT中均显示低CAS和/或过拟合。

**4.6 验证分析**
独立验证结果表明，鲁棒性筛选后的模型在未见过数据上保持高预测能力，验证R2在0.85–0.97之间。OWT-1中RF-FS@GBDT表现最佳；OWT-2中BorutaShap-FS@MLP最优；OWT-3和OWT-4中RF-FS@MLP和BorutaShap-FS@MLP表现相当。这显示最优FS-ML组合沿光学梯度从提升树向神经网络模型转变。

**4.7 跨传感器通用性**
基于MERIS训练的模型在MODIS和GlobColour匹配数据集上表现出强泛化能力，OWT-1和OWT-2的R2为0.82–0.87，CCC为0.88–0.93；OWT-3和OWT-4的R2约0.75–0.80。传感器间差异很小（R2差异<0.05），表明模型捕捉了传感器无关的生物光学关系。

**4.8 空间制图能力**
将最优FS-ML模型应用于GlobColour 8天合成数据（2020–2024年），生成的Chla全球分布图与标准CHL1/CHL2产品总体一致，但在贫营养区和光学复杂区域表现出系统性偏差减小。例如在南太平洋环流中，RF-FS@GBDT估计的Chla比CHL1约低0.009 mg m^?3（相对误差7.8%），且梯度更平滑。

**4.9 不确定性评估**
通过分位数和四分位变异系数（qCV）分析，发现FS-ML模型在光学复杂区域（如沿海和陆架）的qCV普遍低于GlobColour，表明预测不确定性降低。区域时间序列和分位数-分位数图显示，FS-ML在保留中位数趋势的同时，对极端高值偶有低估，但整体分布一致。

**总结与讨论**

研究证实，FS是ML-based Chla反演的关键结构组件。无FS的特征扩展会增加冗余和过拟合，而基于重要性的方法（BorutaShap-FS和RF-FS）能显著提升预测精度、鲁棒性和泛化能力。最优光谱预测因子强烈依赖于OWT，从贫营养水体的蓝绿比值转向光学复杂水体的红绿比值。最优FS-ML组合沿光学梯度系统变化：提升树算法（如GBDT）在简单水体中表现最佳，而神经网络模型（如MLP）在复杂水体中更具优势。跨传感器验证表明，经过光谱协调后，MERIS训练的模型可成功迁移至MODIS和GlobColour，具有强泛化能力。总体而言，OWT分层、交互感知的FS、基于鲁棒性的模型选择和非线性ML架构的集成，为全球Chla反演提供了一个物理一致、统计可靠且可操作扩展的框架。

**研究结论部分翻译**
本研究证明了FS是基于ML的Chla反演中一个关键的结构性组成部分。在不进行FS的情况下扩展光谱特征空间会增加冗余和过拟合，而基于重要性的方法——特别是BorutaShap-FS和RF-FS——显著提高了预测精度、鲁棒性和泛化能力。这些方法有效保留了非线性特征交互，同时抑制了无关预测因子，从而产生物理意义明确且统计稳定的模型。分析进一步揭示了最优光谱预测因子强烈依赖于OWT。研究结果强调了OWT自适应建模策略的必要性。最优FS-ML组合沿光学系统变化。提升树算法（如GBDT）与基于重要性的FS（如BorutaShap）结合在光学简单水体中表现最佳，而非线性神经网络模型（如MLP）在更高光学复杂性下展现出优越性能。跨传感器验证证实，基于MERIS波段训练的模型在光谱协调后成功迁移至MODIS和多传感器融合的GlobColour数据集，表明其具有强泛化能力。总体而言，OWT分层、交互感知的FS、基于鲁棒性的模型选择和非线性ML架构的集成，为全球Chla反演提供了一个物理一致、统计可靠且可操作扩展的框架。