A Comparative Analysis of Machine Learning Methods for Algal Bloom Detection Using Remote Sensing Images
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
Algal blooms are a major environmental challenge for lakes and reservoirs and pose severe threats to water on both aquatic and human health. Conventional algorithms used for al-gal bloom detection based on remote sensing reflectance proved to be effective in some lakes. However, it is still difficult to obtain high accuracy for multiple lakes using single-threshold-based de-tection. Currently, machine learning (ML) algorithms have been applied to pinpoint algal bloom locations with excellent results, but the ability of different ML models to be applied in different lakes is still unknown. This paper presents the performance of al-gal bloom detection with commonly used ML algorithms in Chi-nese eutrophic inland lakes based on Sentinel-2 images. A series of comprehensive tests for accuracy, stability, and robustness were designed for four ML models, including random forest (RF), extreme gradient boosting, artificial neural network, and support vector machine, which were tested in Lake Taihu, Lake Chaohu, and Lake Dianchi. In addition, the index-based methods, includ-ing floating algae index and adjusted floating algae index, were also calculated for comparison with ML methods. The results showed that RF model outperformed other ML models. The com-parison results between the RF model and algal indices revealed that the overall accuracy of RF remained above 0.90. Even with a single lake dataset used as training samples, the RF still main-tained a fairly high accuracy of 0.88 for other lakes. To summa-rize, four ML models demonstrate promising potential for algal bloom detection across different lakes and provide a practical ref-erence for further applications.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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