Novel Spectra-Derived Features for Empirical Retrieval of Water Quality Parameters: Demonstrations for OLI, MSI, and OLCI Sensors
Notice bibliographique
Résumé
The empirical (regression-based) methods for estimation of water quality parameters are mostly built upon the features derived from the original feature space of optical imagery (e.g., band ratios). This article aims at examining novel features to retrieve in-water constituents including chlorophyll-a (Chl-a), total suspended solids (TSS), and colored dissolved organic matter (CDOM). In this article, direction cosines and transformation of either color space or the coordinate system are applied to the original feature space in order to derive new features. A full-search approach is exploited to identify the optimal band combination for a given type of feature. The proposed analysis seeks for a band combination among all the possible ones that yield the strongest correlation through regressing a given feature against the concentration of the constituent of interest. The effectiveness of the proposed features is examined against standard ones using radiative transfer simulations, in situ measurements, and satellite imagery in a wide range of in-water optical conditions. The simulated and in situ data enabled in-depth analyses on the efficacy of recent satellite sensors with the primary focus of the aquatic science community [Operational Land Imager (OLI), MutiSpectral Instrument (MSI), and Ocean and Land Color Instrument (OLCI)] for retrieval of in-water constituents. TSS and Chl-a concentration of two alpine lakes (Lake Constance and Lake Lucerne) are also mapped using a real OLI image. The results suggest the effectiveness of the proposed features that can be leveraged to estimate the constituents in inland/coastal waters. OLI-based retrievals of in-water constituents proved difficulties in optically complex waters, whereas enhanced spectral resolution of MSI and OLCI permitted accurate estimates.
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 ».