Automatic detection of Cyanobacterial blooms using multi-source optical satellite imagery: method development and application
Notice bibliographique
Résumé
Cyanobacterial blooms (CyanoBloom) are a widespread environmental concern in lakes, and optical satellite imagery has been widely used to monitor their spatiotemporal dynamics. Many spectral-based CyanoBloom detection methods rely on Rayleigh- or atmosphere-corrected surface reflectance. However, these methods require ancillary atmospheric data and preprocessing procedures, thereby limiting their operational efficiency and scalability. The potential of multi-source satellite imagery remains underexploited due to the lake of robust methods for automatic CyanoBloom detection across various satellite platforms. To address this challenge, we proposed a novel automatic CyanoBloom detection (ACD) method that directly utilizes satellite top-of-atmosphere reflectance ( R TOA ) data. Cross-index and cross-sensor analyses confirmed the high detection accuracy and robustness of the ACD method against atmospheric and observational variations. The method was successfully applied to various inland lakes, including Lake Taihu, Lake Chaohu, Lake Dianchi, and Lake Xingyun in China, Lake Okeechobee in the United States, and Lough Neagh in Northern Ireland. Requiring only for four spectral bands (blue, green, red, and near-infrared), the ACD method was compatible with various optical sensors, including HY1C/D-CZI, GF-WFV, GF4-PMS, HJ-CCD, Sentinel2-MSI, Landsat9-OLI, and Terra-MODIS. This study presents a novel automatic and rapid approach for detecting CyanoBloom in lakes, providing valuable technical support for water quality monitoring and bloom 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 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 | 0,000 | 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 ».