使用机器学习模型从水质和基于无人机的RGB图像数据中估计灌池中的大肠杆菌度
Seok Min Hong1, Billie J Morgan2, Matthew D Stocker2
1USDA-ARS Environmental Microbial and Food Safety Laboratory, 10300 Baltimore Ave, Bldg. 173, Beltsville, MD, 20705, USA; Department of Civil Urban Earth and Environmental Engineering, Ulsan National Institute of Science and Technology, UNIST-gil 50, Ulsan, 44919, South Korea.
Water research
|June 14, 2024
概括
使用遥感和机器学习估计大肠杆菌 (E. coli) 度是水质监测的关键. 将RGB图像与水质数据相结合,显著提高了灌池中的大肠杆菌预测准确度.
科学领域:
- 环境科学 环境科学
- 水质监测 水质监测
- 遥感 遥感 遥感 遥感
背景情况:
- 精确量化大肠杆菌 (大肠杆菌) 对于评估水质至关重要.
- 遥感和机器学习为大肠杆菌检测提供了潜力,但在数据可用性和平衡方面面临挑战.
研究的目的:
- 估计灌池中的大肠杆菌度,使用来自RGB图像和水质参数的可见和红外光谱数据.
- 在不同的数据利用场景和数据分割方法下,评估四个机器学习模型 (RF,GBM,XGB,KNN) 的性能.
主要方法:
- 利用demozaiced自然颜色 (RGB) 图像和14个水质参数来估计大肠杆菌度.
- 部署的随机森林 (RF),梯度提升机 (GBM),极端梯度提升 (XGB) 和K-最近邻居 (KNN) 模型.
- 应用普通和量子数据分解方法,量子分解显示出优异的性能.
主要成果:
- 量子数据的分割改善了模型性能,并减少了培训和测试数据集之间的差异.
- 射频,GBM和XGB模型通过量子分解实现了超过0.847 (训练) 和0.689 (测试) 的R2值.
- 将水质数据与RGB图像相结合,产生了最高的测试数据集R2值 (>0.896).
结论:
- 分散的RGB图像是灌池中的大肠杆菌度的有价值预测指标.
- 可见蓝色频谱强度和水温被确定为RF模型中的关键预测因素.
- 机器学习模型,特别是在集成遥感数据时,显示出对高效的水质监测的希望.
