Optimization of Landsat Chl-a Retrieval Algorithms in Freshwater Lakes through Classification of Optical Water Types
Notice bibliographique
Résumé
The application of remote sensing data to empirical models of inland surface water chlorophyll-a concentrations (chl-a) has been in development since the launch of the Landsat 4 satellite series in 1982. However, establishing an empirical model using a chl-a retrieval algorithm is difficult due to the spatial heterogeneity of inland lake water properties. Classification of optical water types (OWTs; i.e., differentially observed water spectra due to differences in water properties) has grown in favour in recent years over traditional non-turbid vs. turbid classifications. This study examined whether top-of-atmosphere reflectance observations in visible to near-infrared bands from Landsat 4, 5, 7, and 8 sensors can be used to identify unique OWTs using a guided unsupervised classification approach in which OWTs are defined through both remotely sensed reflectance and surface water chemistry data taken from samples in North American and Swedish lakes. Linear regressions of algorithms (Landsat reflectance bands, band ratios, products, or combinations) to lake surface water chl-a were built for each OWT. The performances of chl-a retrieval algorithms within each OWT were compared to those of global chl-a algorithms to test the effectiveness of OWT classification. Seven unique OWTs were identified and then fit into four categories with varying degrees of brightness as follows: turbid lakes with a low chl-a:turbidity ratio; turbid lakes with a mixture of high chl-a and turbidity measurements; oligotrophic or mesotrophic lakes with a mixture of low chl-a and turbidity measurements; and eutrophic lakes with a high chl-a:turbidity ratio. With one exception (r2 = 0.26, p = 0.08), the best performing algorithm in each OWT showed improvement (r2 = 0.69–0.91, p < 0.05), compared with the best performing algorithm for all lakes combined (r2 = 0.52, p < 0.05). Landsat reflectance can be used to extract OWTs in inland lakes to provide improved prediction of chl-a over large extents and long time series, giving researchers an opportunity to study the trophic states of unmonitored lakes.
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 ».