Expanding the Application of Sentinel-2 Chlorophyll Monitoring across United States Lakes
Notice bibliographique
Résumé
Eutrophication of inland lakes poses various societal and ecological threats, making water quality monitoring crucial. Satellites provide a comprehensive and cost-effective supplement to traditional in situ sampling. The Sentinel-2 MultiSpectral Instrument (S2 MSI) offers unique spectral bands positioned to quantify chlorophyll a, a water-quality and trophic-state indicator, along with fine spatial resolution, enabling the monitoring of small waterbodies. In this study, two algorithms—the Maximum Chlorophyll Index (MCI) and the Normalized Difference Chlorophyll Index (NDCI)—were applied to S2 MSI data. They were calibrated and validated using in situ chlorophyll a measurements for 103 lakes across the contiguous U.S. Both algorithms were tested using top-of-atmosphere reflectances (ρt), Rayleigh-corrected reflectances (ρs), and remote sensing reflectances (Rrs). MCI slightly outperformed NDCI across all reflectance products. MCI using ρt showed the best overall performance, with a mean absolute error factor of 2.08 and a mean bias factor of 1.15. Conversion of derived chlorophyll a to trophic state improved the potential for management applications, with 82% accuracy using a binary classification. We report algorithm-to-chlorophyll-a conversions that show potential for application across the U.S., demonstrating that S2 can serve as a monitoring tool for inland lakes across broad spatial scales.
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 | 0,000 | 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 | 0,000 | 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 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 ».