研究目的
本研究的主要目标是利用免费的Landsat多光谱数据，通过最先进的机器学习技术，为密苏里河和密西西比河等大型河流系统建立具有高度预测性的反射率-悬浮物浓度建模范式。其次，本研究还旨在解决使用单一机器学习算法对广泛范围的悬浮物浓度进行建模的相关问题。
研究成果
利用广泛可用且免费的Landsat数据结合美国地质调查局监测站数据，研究人员为密苏里河下游与密西西比河中游流域建立了反射率-悬浮物浓度（SSC）模型。SSC建模结果显示：通过R2和RMSE指标评估时，极限学习机（ELM）模型显著优于前馈神经网络（FFNN）、卷积前馈神经网络（CFNN）以及随机森林（RF）、支持向量机（SVM）等主流机器学习技术。所有Landsat传感器生成的ELM模型R2值均超过0.9，展现出卓越的泛化能力且过拟合现象微乎其微。实验证明ELM能基于单一算法稳健预测大范围悬浮物浓度变化。
研究不足
基于Landsat模型的时间分辨率是悬浮泥沙遥感监测面临的最大挑战之一。鉴于Landsat 7和8的重访周期为16天，卫星平台每週对特定区域成像一次。本研究生成的数据库中，超过半数（56%）的影像在过滤过程中被剔除——其中31%因云层覆盖被移除，13%因船只通行被排除。这意味着每个传感器每月仅能采样一次，这成为限制因素，因为美国地质调查局监测站提供的是每日采样数据。
