Sentinel 2 analysis of turbidity retrieval models in inland water bodies: The case study of Jordanian dams
Notice bibliographique
Résumé
Abstract This study investigates the potential of using Sentinel 2 multispectral satellite images to develop turbidity retrieval models and further estimate the turbidity values of inland water bodies in Jordan. Traditionally, laboratory analysis has been used to assess surface water quality, which is expensive, time‐consuming, and requires accessing the field physically. In contrast, remote sensing technologies can detect the water contaminant level at a consistent spatial and temporal coverage. Turbidity is an essential indicator of inland water quality as it directly reflects under‐water light penetration. This study was held in three Jordanian dams, King Talal Dam, Mujib Dam, and Wadi Al Arab Dam, which vary in their water quality level. Twenty water samples were collected from each dam. Forty samples were used to calibrate the models, and the rest samples were used to validate the predictive models. The results show that Sentinel 2 near‐infrared band to green band (B8/B3) achieved high fitting accuracies with R 2 = 0.832 and root mean square error (RMSE) = 1.123 NTU. Overall, this study has demonstrated the ability of Sentinel 2 data to estimate the turbidity in different ranges of inland water bodies’ quality and indicates that remote sensing can be used as an efficient tool for monitoring inland water quality. This study presents empirical data that could act as a platform to extend future work to cover more sites and contexts.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».