沿海和内陆水域的长期水质评估:使用卫星数据的整体机器学习方法
Murugan Karthick1, Palanisamy Shanmugam1, Gurunathan Saravana Kumar2
1Ocean Optics and Imaging Laboratory, Department of Ocean Engineering, Indian Institute of Technology Madras, Chennai 600036, India.
Marine pollution bulletin
|November 17, 2024
概括
一个整体机器学习模型使用遥感数据准确地估计了水质参数,如甲,有色溶解有机物和度. 这种方法为有效的水资源管理和可持续发展提供了全面的观点.
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:
- 传统的水质监测在空间和时间上是有限的.
- 光学遥感提供了对水质的综合视图.
- 现有的机器学习模型在与各种水类作斗争.
研究的目的:
- 开发一套机器学习模型,用于估计沿海和内陆水域的关键水质参数 (甲,aCDOM440,度).
- 利用现场测量和来自MODIS-Aqua,Sentinel-2 MSI和PlanetScope的光谱数据进行模型训练和优化.
- 验证模型在各种水体中的性能,并评估其适用于长期监测的适用性.
主要方法:
- 开发了一个集体机器学习模型,使用现场测量进行培训 (70%) 和测试 (30%).
- 模型经过训练,并使用来自公海,沿海和内陆水域的数据进行测试.
- 验证使用5倍交叉验证进行.
主要成果:
- 整体ML模型表现出卓越的性能 (Chl-a:R2=0.96,aCDOM440:R2=0.93,度:R2=0.95).这些模型具有较高的性能.
- 对MODIS-Aqua数据的应用揭示了20年来水质参数和指数的显著季节性变化.
- 该模型成功记录了有害的藻类繁殖事件和的内陆水域的变化.
结论:
- 拟议的整体ML模型对于准确估计水质参数和指数是有效的.
- 这些模型捕捉空间和时间的变化,作为水资源管理的宝贵工具.
- 这种方法通过提高对水生环境的理解和管理来支持可持续发展目标.
