Retrieving Inland Water Quality Parameters via Satellite Remote Sensing: Sensor Evaluation, Atmospheric Correction, and Machine Learning Approaches
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
Satellite remote sensing provides a cost-effective and large-scale alternative to traditional methods for retrieving water quality parameters for inland waters. Effective water quality parameter retrieval via optical satellite remote sensing requires three key components: (1) a sensor whose measurements are sensitive to variations in water quality; (2) accurate atmospheric correction to eliminate the effect of absorption and scattering in the atmosphere and retrieve the water-leaving radiance/reflectance; and (3) a bio-optical model used to estimate water quality from the optical signal. This study provides a literature review and an evaluation of these three components. First, a review of decommissioned, active, and upcoming satellite sensors is presented, highlighting their advantages and limitations, and a ranking method is introduced to assess their suitability for retrieving chlorophyll-a, colored dissolved organic matter, and non-algal particles in inland waters. This ranking can aid in selecting appropriate sensors for future studies. Second, the strengths and weaknesses of atmospheric correction algorithms used over inland waters are examined. The results show that no atmospheric correction algorithm performed consistently across all conditions. However, understanding their strengths and weaknesses allows users to select the most suitable algorithm for a specific use case. Third, the challenges, limitations, and recent advances of machine learning use in bio-optical models for inland water quality parameter retrieval are discussed. Machine learning models have limitations, including low generalizability, low dimensionality, spatial/temporal autocorrelation, and information leakage. These issues highlight the importance of locally trained models, rigorous cross-validation methods, and integrating auxiliary data to enhance dimensionality. Finally, recommendations for promising research directions are provided.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 découle