应用GA-SVM的城市景观水体富营养化多光谱遥感监测反演霍艾迪1王菊翠1张学真1（1长安大学环境科学与工程学院，陕西西安710018）摘要:建立了基于支持向量机的遥感水质参数反演模型。基于多光谱遥感数据和水质实地监测数据，以西安市景观水体为例进行了遥感反演，并与水质遥感反演的多元线性回归法、神经网络法和GA优选SVM参数法进行了分析比较。实验结果表明，在样本数目有限的情况下,提出的GA-SVM方法的反演结果比神经网络和传统的多元回归方法模拟结果均好,且神经网络方法比多元回归法结果稍好。SVM具有强的非线性映射能力,适合小样本情况,由GA实现了模型参数的自动优选,使GA-SVM用于解决回归问题表现出优势。因此，将机器学习和全局优化智能计算方法引入,使得GA-SVM为城市景观水体遥感监测提供了一种新方法,取得了较好的反演结果。关键词:支持向量机,遗传算法,水质参数,遥感反演:X832/TP79文献标识码:AMultispectralRemoteSensingInversionforCityLandscapeWaterEutrophicationbasedonGA–SVMAidiHUO1JucuiWANG1Xue-zhenZHANG1(1SchoolofEnvironmentScienceandEngineering,Chang’anUniversity,Xi’an710054,China)Abstract:ThepaperestablishesanmodelforWaterQualityremotesensingRetrievingoftheUrbanLandscapeWaterbasedonSupportVectorMachine(SVM).ThemodelisexperimentedwithmonitoringwaterqualitydataandmultispectralremotesensingdataofLandscapeWaterinxi’ancity,andiscomparedwithwaterqualityRetrievingmethodsofMultipleregressionandBPneuralnetwork.TheresultsdemonstratethatGA-SVM(Geneticalgorithm)methodisbetterthantheinversionresultsoftheneuralnetworkandthetraditionalstatisticalregressionmethod,andthemethodofmultipleregressionresultsbetterthanadollarregressionresults.SVMhasstrongnonlinearmappingability,andSVMissuitableforthelimitednumberofsamples,modelparametershasrealizedautomaticoptimizationchoicebyGA,letGA-SVMshowadvantagetosolveregressionproblems.Themachinelearningandglobaloptimizationintelligentcomputationmethodsisintroduced,GA-SVMprovidesanewmethodforRemoteSensingMonitoringandApplicationoftheUrbanLandscapeWaterEutrophicationandhasmadethegoodinversionresultsKeywords:SVM;Geneticalgorithm;waterquality;Remotesensing1引言水体富营养化是指水中氮、磷浓度达到一定阈值，促使浮游性藻类大量繁殖、水色发暗、透明度降低、水体溶解氧下降、水质恶化、水体功能衰退的水环境污染现象[1]。常规的水体富营养化监测是通过采集水样、过滤、萃取以及分光光度计分析得出，这种方法耗时、耗力、耗钱，且只能了解监测断面上水体营养化状况，不能反映研究水体的整体分布状况。随着传感器空间分辨率和光谱分辨率的进一步提高，遥感技术日益成熟，将遥感技术应用于水质监测成为一大突破，利用遥感技术监测水质具有快速、简便、及时并能提供某个区域、整个水体乃至全国全球范围的整体状况的优点。在国内外遥感应用于水质监测已经取得了很大的成就。Wezernak等(1976)[2]研究利用遥感数据建立富营养化评价指数，并讨论了多光谱遥感应用于内陆湖泊富营养评价的可能；Thiemann和Kaufmann(2000)[3]利用多光谱传感器IRS.1c数据，针对德国梅克伦堡州湖泊群水体叶绿素a进行了反演，并结合卡尔森模型评价了该地区水体富营养化程度；国内王学军等（2000）[4]利用TM数据和有限的实地监测数据建立了太湖水质参数预测模型，并应用遥感技术对太湖流域水体富营养化发展趋势进行了预测；张海林等(2002)[5]利用武汉东湖各子湖多年可靠的地面监测资料和1999年TM各波段的卫星---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---遥感数据，建立了各子湖的营养状态指数与TM5图像上灰度值之间的线性关系模型，并运用该模型对武汉各主要湖泊进行了富营养化评价[6]。通过几十年的研究，国际学术界对以上问题，已有大量成果发表，但许多问题尚无定论，不少遥感反演模型之间尚无法连接与协调，模型之间的冲...