XGBoost-Based Inversion of Phytoplankton Pigment Concentrations from Field Measured Fluorescence Excitation Spectra

浮游植物色素浓度的准确监测对研究浮游植物群落结构和生理状态具有重要意义。激发荧光是浮游植物典型的光学特性之一，不同种类的浮游植物由于色素组成含量不同，使得其激发荧光光谱呈现出不同特征，这为利用激发荧光光谱反演浮游植物色素浓度提供了可能。本文针对浮游植物的总叶绿素a和7种诊断色素（叶绿素b、盐藻黄素、多甲藻素、19-己酰基氧化盐藻黄素、19-丁酰基氧化盐藻黄素、别藻黄素与玉米黄素），基于现场多波段激发荧光光谱数据，通过构建激发荧光光谱特征表征量，利用XGBoost（eXtreme Gradient Boosting，极限梯度提升）机器学习算法，建立了浮游植物色素浓度的反演模型。验证结果表明反演模型具有良好的估算精度，其中总叶绿素a的反演模型精度最高(决定系数R~2为0.87，平均绝对相对百分比误差为28.1%，均方根误差为1.168 mg m -3 )。将建立的色素反演模型应用于东海典型断面，成功获取了色素浓度的垂向分布特征。本研究为浮游植物色素浓度的快速监测提供了有力的技术支持。