Review of Recent Advances in Remote Sensing and Machine Learning Methods for Lake Water Quality Management
Notice bibliographique
Résumé
This review examines the integration of remote sensing technologies and machine learning models for efficient monitoring and management of lake water quality. It critically evaluates the performance of various satellite platforms, including Landsat, Sentinel-2, MODIS, RapidEye, and Hyperion, in assessing key water quality parameters including chlorophyll-a (Chl-a), turbidity, and colored dissolved organic matter (CDOM). This review highlights the specific advantages of each satellite platform, considering factors like spatial and temporal resolution, spectral coverage, and the suitability of these platforms for different lake sizes and characteristics. In addition to remote sensing platforms, this paper explores the application of a wide range of machine learning models, from traditional linear and tree-based methods to more advanced deep learning techniques like convolutional neural networks (CNNs), recurrent neural networks (RNNs), and generative adversarial networks (GANs). These models are analyzed for their ability to handle the complexities inherent in remote sensing data, including high dimensionality, non-linear relationships, and the integration of multispectral and hyperspectral data. This review also discusses the effectiveness of these models in predicting various water quality parameters, offering insights into the most appropriate model–satellite combinations for different monitoring scenarios. Moreover, this paper identifies and discusses the key challenges associated with data quality, model interpretability, and integrating remote sensing imagery with machine learning models. It emphasizes the need for advancements in data fusion techniques, improved model generalizability, and the developing robust frameworks for integrating multi-source data. This review concludes by offering targeted recommendations for future research, highlighting the potential of interdisciplinary collaborations to enhance the application of these technologies in sustainable lake water quality management.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».