WATER QUALITY MONITORING OVER FINGER LAKES REGION USING SENTINEL-2 IMAGERY ON GOOGLE EARTH ENGINE CLOUD COMPUTING PLATFORM
Notice bibliographique
Résumé
Abstract. Surface water quality is degrading continuously both due to natural and anthropogenic causes. There are several indicators of water quality, among which sediment loading is mainly determined by turbidity. Normalized Difference Water Index (NDWI) is one indirect measure of sediments present in water. This study focuses on detecting and monitoring sediments through NDWI over the Finger Lakes region, New York. Time series analysis is performed using Sentinel 2 imagery on the Google Earth Engine (GEE) platform. Finger Lakes region holds high socio-economic value because of tourism, water-based recreation, industry, and agriculture sector. The deteriorating water quality within the Finger Lake region has been reported based on ground sampling techniques. This study takes advantage of a cloud computing platform and medium resolution atmospherically corrected satellite imagery to detect and analyse water quality through sediment detection. In addition, precipitation data is used to understand the underlying cause of sediment increase. The results demonstrate the amount of sediments is greater in the early spring and summer months compared to other seasons. This can be due to the agricultural runoff from the nearing areas as a result of high precipitation. The results confirm the necessity for monitoring the quality of these lakes and understanding the underlying causes, which are beneficial for all the stakeholders to devise appropriate policies and strategies for timely preservation of the water quality.
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 | 0,001 | 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 | 0,001 | 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 ».