蓝藻细菌繁殖的时空动态:将机器学习和特征选择技术与无人机系统和自主水面船舶数据集成
Mohammed Shakiul Islam1, Padmanava Dash1, John P Liles1
1Department of Geosciences, Mississippi State University, Mississippi State, MS, 39762, USA.
Journal of environmental management
|April 7, 2025
概括
这项研究使用机器学习和无人机图像来监测蓝藻细菌的开花,通过测量植物 (PC) 水平. 极端梯度提升被证明是最有效的,提高了水质监测的准确性.
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:
- 蓝藻细菌的繁殖威胁着水生生态系统和公共健康,因为它们释放毒素并降低水质.
- 物理 (PC) 是一种独特的颜料,用于检测和量化蓝色细菌,使及时干预成为可能.
- 准确监测蓝藻细菌的开花对于环境管理和公共卫生保护至关重要.
研究的目的:
- 通过无人机系统 (UAS) 图像评估时空蓝菌度的十种机器学习算法 (MLA).
- 调查河流排水和气候变量对蓝菌度的影响.
- 开发一种强大而准确的方法来检索植物 (PC) 度,以便有效地监测开花.
主要方法:
- 利用无人机系统的远程传感图像和自主水面船 (ASV) 的现场PC测量.
- 创建了一个包含85个光谱和基于指数的特征的综合特征集.
- 采用了两步特征选择过程 (SBFS和EFS),随后对10个MLA进行了评估,其中极端梯度提升被确定为表现最好.
主要成果:
- 极端梯度提升在PC检索中实现了高精度 (R2=0.835),优于其他MLA.
- 从2018-2022年进行的时间序列分析显示了蓝藻细菌度的显著变化.
- 2019年,与密西西比河水分的转移有关,在夏季月份的度始终较高.
结论:
- 开发的数据驱动方法提高了使用UAS成像监测蓝藻细菌繁殖的准确性和稳定性.
- 机器学习,特别是极端梯度提升,为PC度的定量评估提供了一个强大的工具.
- 这些发现为未来的水质监测计划和对有害藻类繁殖的管理策略提供了宝贵的见解.
