An enhanced deep learning approach to assessing inland water quality and the affecting factors using Landsat 8 and Sentinel-2
Notice bibliographique
Résumé
The estimation of water quality parameters (WQPs) using remote sensing is difficult due to the complex correlation between WQPs and water optical properties, the interactions of WQPs, and the impacts of climate. We proposed enhanced multimodal deep learning (EMDL) models for Chlorophyll-a (Chla), total phosphorous (TP), total nitrogen (TN), Secchi disk depth (SDD), dissolved organic carbon (DOC), and dissolved oxygen (DO) estimation in Lake Simcoe, Canada. The EMDL models were developed and validated using the remote sensing reflectance derived from the harmonized Landsat and Sentinel-2 images, synchronized in-situ water quality measurements, water surface temperature, and climate data (N = 950). Using the EMDL models, the spatiotemporal water quality patterns of Lake Simcoe from 2013 to 2019 were reconstructed. Besides, we quantitatively analyzed the impacts of 12 potential natural and anthropogenic factors on the water quality of Lake Simcoe. The results showed that the EMDL models had the potential to detect the spatiotemporal dynamics of water quality with the Slope being close to 1 (0.84−0.95), normalized mean absolute error ≤ 20.17%, and Bias ≤ 14.68%. Human activities such as urban development and agricultural activities mainly affected the water quality of Lake Simcoe. This study provides a practical approach to supporting the environmental management of regional inland watersheds.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».