【文献精选】IJAEOG|标签集偏差遥感估计的时空分布：水质监测中监督机器学习的含义

本文研究了监督机器学习（SML）在水质参数（WQP）遥感估计中的应用，重点探讨了原位数据的时空分布对模型精度的影响。研究背景指出，SML的有效性依赖于同步原位数据集，但数据收集耗时且可能不平衡，导致模型不确定性增加。研究以长江中游地区为例，利用自动采集的现场数据，评估了光学活性参数（OAP）和非光学活性参数（nOAP）的估计精度。结果表明，时间间隔的增加导致精度下降，其中OAP（如浊度和叶绿素a）对时间间隔更为敏感，而nOAP（如COD和TP）表现出更强的鲁棒性。研究还发现，不平衡的数据集会导致模型估计的平滑效应，建议采用更严格的匹配策略并确保足够的样本量。结论强调了数据质量对模型性能的重要性，并建议借鉴长尾学习技术以优化模型训练。