A novel algorithm of cloud detection for water quality studies using 250 m downscaled MODIS imagery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study is part of a project aimed at developing an automated algorithm for algal bloom detection and quantification in inland water bodies using Moderate Resolution Imaging Spectroradiometer (MODIS) imagery. An important step is to adequately detect and exclude clouds and haze because their presence affects chlorophyll-a (chl-a) estimations. Currently available cloud masking products appear to be ineffective in turbid coastal waters. The purpose of this study is to develop a cloud masking algorithm based on a probabilistic algorithm (Linear Discriminant Analysis) and designed for water bodies by using MODIS images downscaled at a 250 m spatial resolution (MODIS-D-250). Confusion matrix shows that the new cloud mask algorithm yields very satisfactory results, enabling water classification for heavy turbid conditions with a mean kappa coefficient (κ) of 0.993 and a 95% confidence interval ranging from 0.990 to 0.997. The model also shows a very low commission error (sensitive to the presence of haze), which is essential for accurate water quality monitoring, knowing that the presence of clouds/haze/aerosols leads to major issues in the estimation of water quality parameters. The cloud mask model applied on MODIS-D-250 images improves the sensitivity to haze and the classification of turbid waters located at the edge of urban areas better than the operational MODIS products, and it clearly shows an improvement of the spatial resolution (250 m spatial resolution) compared to other cloud mask algorithms (500 m or 1 km spatial resolution), leading to an increase in exploitable data for water quality studies.
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.
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 | 0,001 | 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 découle