实时叶绿素-a预测使用机器学习框架与尺寸缩小和超频谱数据
Doyun Kim1, KyoungJin Lee2, SeungMyeong Jeong3
1Department of Information and Statistics, Chungbuk National University, South Korea.
Environmental research
|August 22, 2024
概括
这项研究介绍了物联网平台上的超光谱成像和机器学习的实时叶绿素a预测. 轻GBM实现了最佳性能,使得藻类繁殖的早期检测和有效的水质监测.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 数据科学数据科学数据科学
背景情况:
- 水质监测至关重要,甲度是关键指标.
- 超光谱成像提供了超出传统RGB相机的详细光谱信息.
- 现有的甲基预测方法在实时应用和精度方面存在局限性.
研究的目的:
- 开发一种对甲度的实时预测机制.
- 利用超频谱数据和机器学习算法来改善水质评估.
- 通过准确的叶绿素预测,使藻类繁殖的早期检测成为可能.
主要方法:
- 利用超光谱成像来捕获水体的详细光谱数据.
- 应用的部分最小方程 (PLS) 用于缩小高光谱数据的维度.
- 实施和优化各种机器学习算法,包括LightGBM,用于预测.
主要成果:
- 实现了高预测准确度,R2值为0.9或以上,RMSE低.
- 轻GBM模型表现出卓越的性能,平均R2为0.963和平均RMSE为2.679.
- 成功开发了一个实时叶绿素预测系统.
结论:
- 开发的系统提供了一种强大而精确的实时甲基预测方法.
- 这种方法对早期发现藻类繁殖和水质管理具有重大潜力.
- 与物联网平台的集成有助于在环境监测系统中广泛应用.
更多相关视频
10:28Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information
Published on: June 13, 2020
5.8K
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
3.8K
