Sentinel 2 analysis of turbidity retrieval models in inland water bodies: The case study of Jordanian dams
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
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.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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