LAQUA: a LAndsat water QUality retrieval tool for east African lakes
Notice bibliographique
Résumé
East African lakes support the food and water security of millions of people. Yet, a lack of continuous long-term water quality data for these waterbodies impedes their sustainable management. While satellite-based water quality retrieval methods have been developed for lakes globally, African lakes are typically underrepresented in training data, limiting the applicability of existing methods to the region. Hence, this study aimed to (1) assess the accuracy of existing and newly developed water quality band algorithms for East African lakes and (2) make satellite-derived water quality information easily accessible through a Google Earth Engine application (app), named LAndsat water QUality retrieval tool for east African lakes (LAQUA). We collated a dataset of existing and newly collected in situ surface water quality samples from seven lakes to develop and test Landsat water quality retrieval models. Twenty-one published algorithms were evaluated and compared with newly developed linear and quadratic regression models, to determine the most suitable Landsat band algorithms for chlorophyll-a, total suspended solids (TSS), and Secchi disk depth (SDD) for East African lakes. The three-band algorithm, parameterised using data for East African lakes, proved the most suitable for chlorophyll-a retrieval (R2 = 0.717, p < 0.001, RMSE = 22.917 μg/L), a novel index developed in this study, the Modified Suspended Matter Index (MSMI), was the most accurate for TSS retrieval (R2 = 0.822, p < 0.001, RMSE = 9.006 mg/L), and an existing global model was the most accurate for SDD estimation (R2 = 0.933, p < 0.001, RMSE = 0.073 m). The LAQUA app we developed provides easy access to the best performing retrieval models, facilitating the use of water quality information for management and evidence-informed policy making for East African lakes.
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 | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».