水质基 该存储库包含用于使用Google Earth Engine从遥感数据评估水质的脚本 如果使用这些材料或脚本中的任何一种，请引用：Page，BP和D.Mishra（2018），《结合Sentinel-2A和Landsat-8进行内陆水质监测时的修正大气校正》，ISPRS J照片，正在审查中 要求： 这些脚本需要一个帐户。 要在，请下载javascript文件，然后单击“运行”。 要在Python环境中使用，请安装GEE Python API并在您选择的Python IDE中运行程序。 内容： javascript /包含javascript实现的水质处理代码 python /包含水质处理代码的Python实现 贡献： 如果您有任何想法，请提出并告诉我们您的想法。 如果您想贡献，请分叉存储库并根据需要进行更改。 拉请求是欢迎的。 免责声明： 这是一个正在进行的工作。 脚本

河流水质实时评价技术对当前河流水资源管理和保护具有重要意义。本文以淮河水质为例，利用粒子群优化的极限学习机（Particle Swarm Optimization-Extreme Learning Machine，PSO-ELM）分类算法对淮河水质进行类别判定。在极限学习机（ELM）分类算法中随机给定输入权值矩阵和隐含层偏置，需要较多的隐含层节点才能达到所需的精度要求，隐含层节点过多易于出现过拟合现象并增加算法的计算量。本文利用粒子群算法(PSO)优化极限学习机的输入权值矩阵和隐含层偏置，计算输出权值矩阵，以减少隐含层节点。通过对比PSO-ELM、ELM这两种算法发现，PSO-ELM算法以较少的隐含层节点可获得更高的精度，降低了对实验样本的需求量，提高了模型的拟合能力。实验结果表明，PSO-ELM对于水质类别判定具有一定的可行性和有效性。