Estimation of Water Quality Parameters in Lake Erie from MERIS Using Linear Mixed Effect Models
Notice bibliographique
Résumé
Linear Mixed Effect (LME) models are applied to the CoastColour atmospherically-corrected Medium Resolution Imaging Spectrometer (MERIS) reflectance, L2R full resolution product, to derive chlorophyll-a (chl-a) concentration and Secchi disk depth (SDD) in Lake Erie, which is considered as a Case II water (i.e., turbid and productive). A LME model considers the correlation that exists in the field measurements which have been performed repeatedly in space and time. In this study, models are developed based on the relation between the logarithmic scale of the water quality parameters and band ratios: B07:665 nm to B09:708.75 nm for log10chl-a and B06:620 nm to B04:510 nm for log10SDD. Cross validation is performed on the models. The results show good performance of the models, with Root Mean Square Errors (RMSE) and Mean Bias Errors (MBE) of 0.31 and 0.018 for log10chl-a, and 0.19 and 0.006 for log10SDD, respectively. The models are then applied to a time series of MERIS images acquired over Lake Erie from 2004–2012 to investigate the spatial and temporal variations of the water quality parameters. Produced maps reveal distinct monthly patterns for different regions of Lake Erie that are in agreement with known biogeochemical properties of the lake. The Detroit River and Maumee River carry sediments and nutrients to the shallow western basin. Hence, the shallow western basin of Lake Erie experiences the most intense algal blooms and the highest turbidity compared to the other sections of the lake. Maumee Bay, Sandusky Bay, Rondeau Bay and Long Point Bay are estimated to have prolonged intense algal bloom.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».