Mapping Water Clarity in Small Oligotrophic Lakes Using Sentinel-2 Imagery and Machine Learning Methods: A Case Study of Canandaigua Lake in Finger Lakes, New York
Notice bibliographique
Résumé
Optical remote sensing of water quality poses challenges in small oligotrophic lakes due to the diminishing contribution of constituents to the water-leaving radiance as water clarity increases. For monitoring water clarity over such lakes, this study utilizes machine learning models and data from citizen science to develop effective models for retrieving Secchi disk depth (SDD) in Canandaigua Lake, USA. Using Sentinel-2 band ratios as input, we trained Random Forest (RF), Adaptive Boosting (AB), Extreme Gradient Boosting (XGB), and Support Vector Regression (SVR) models using spatiotemporally distributed in-situ data within 7 days of Senitnel-2 overpass. Each model was optimized using hyperparameter tuning, and cross-validation was used for accuracy assessment to compare the models' effectiveness in retrieving SDD. The results indicate the superior performance of RF with an R2 of ∼0.74 and an RMSE of ∼0.72 m. A feature importance analysis for RF indicated high relevance of the blue and green bands ratio in estimation of SDD. The RF model was subsequently employed to generate temporal maps for Canandaigua Lake, indicating that water clarity tends to be higher during the early summer months (May and June) but declines during late summer and fall (September and October). This pattern can be closely associated with the increased algal presence in the lake. The spatial variability of the SDD indicated the possibility of greater sediments entering from the southern part of the lake. This study can be expanded to encompass other Finger Lakes, offering a comprehensive understanding of water clarity in these lake systems.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».