多个远程传感数据集和机器学习模型用于预测韩国南韩纳克东河的叶绿素a度
Byeongwon Lee1, Jong Kwon Im2, Ji Woo Han3
1Department of Environmental Science & Ecological Engineering, College of Life Sciences & Biotechnology, Korea University, 145, Anam-Ro, Seongbuk-Gu, Seoul, 02841, South Korea.
Environmental science and pollution research international
|September 24, 2024
概括
机器学习模型使用多个遥感数据集准确地估计了Nakdong河中的叶绿素a. 多层感知子模型与Sentinel-2和Landsat-8数据的结合显示出水质监测的卓越性能.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 长东河是韩国的重要水资源,因污染而面临藻类繁殖的威胁.
- 精确监测叶绿素-a (Chl-a) 对于评估河流健康和管理水质至关重要.
研究的目的:
- 为了提高中东河Chl-a估计的准确性和可靠性.
- 用组合和独立的遥感数据集来评估不同机器学习模型 (MLM) 的性能.
主要方法:
- 我们比较了四个MLM:MLP,SVM,RF和XGB.
- 使用了三个输入数据集:Sentinel-2和Landsat-8组合,独立的Sentinel-2和独立的Landsat-8.
- 分析了不平衡的Chl-a度数据对模型性能的影响.
主要成果:
- 使用Sentinel-2和Landsat-8数据组合的MLP模型实现了最高的精度 (R2:0.43-0.86更高,RMSE:0.36-5.88更低).
- MLP有效地预测了高Chl-a度 (20 mg/m3以上) 并处理了不平衡的数据集.
- 生成的预测地图准确地描绘了空间Chl-a分布.
结论:
- 当与MLP模型一起使用时,多个遥感数据集显著提高了Chl-a估计的准确性.
- 解决数据不平衡对于在 Chl-a 监控中强大的 MLM 性能至关重要.
- 结果为使用MLMs有效监测Chl-a提供了有价值的见解.
更多相关视频
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
3.8K
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
