A machine learning approach for spatiotemporal imputation of MODIS chlorophyll-a
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
The Moderate Resolution Imaging Spectroradiometer (MODIS) level-3 chlorophyll-a (Chl-a) product is one of the widely used ocean colour products that is often used for water quality monitoring of marine ecosystems. However, this product includes a large amount of missing data due to high surface reflectance and cloudy conditions that inevitably affect its suitability for spatiotemporal analysis of water quality. The objective of this study was to compare four Machine Learning (ML) techniques including K-nearest neighbour (KNN), Support Vector Regression (SVR), Random Forest Regression (RFR), and Artificial Neural Network (ANN) with well-known Data Interpolation Empirical Orthogonal Function (DINEOF) method for spatiotemporal missing imputation of MODIS Chl-a. The Southern Caspian Sea, which has a high Chl-a concentration, was selected as the case study. A cross-validation approach ranging missing data ratio from 0.1 to 0.8 was implemented to investigate the optimal parameters of the models and compare their performance for missing imputation. The results indicated that all ML models, except KNN, outperformed the DINEOF method for missing imputation of MODIS Chl-a. The SVR with the highest accuracy and the lowest variability of errors had the best performance among the five competing models, while the KNN showed the worst performance. The main reason for the better accuracy of the SVR than the other models is its structural risk minimization procedure that leads to the better generalization of the SVR model. The current results showed that the ML techniques used in the current study, the SVR in particular, are able to produce reliable imputations of the MODIS Chl-a missing data and can be a useful tool in water quality monitoring of marine ecosystems.
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 | 0,000 | 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 découle