Utility of satellite imagery in estimating coastal marine water attributes
Notice bibliographique
Résumé
Coastal water resources are essential for sustaining biodiversity and community well-being, yet rapid population growth and climate change increasingly threaten their sustainability. Satellite remote sensing has emerged as a powerful tool for monitoring coastal water quality due to its extensive spatial coverage, cost effectiveness, and rapid data acquisition. The scientific community has seen considerable advances in recent years through these technologies. In view of these developments, this study presents a scoping review of 465 peer-reviewed journal articles published between 2019 and 2024, sourced from Scopus. The analysis identifies commonly used satellite platforms for assessing five critical water quality parameters chlorophyll-a (Chl-a), temperature, colored dissolved organic matter (CDOM), pH, and phosphate across predefined climatic zones and water types. We further examine prevalent algorithmic approaches and validation metrics. Findings indicate that most studies rely on data from Aqua, Sentinel, and Landsat satellites. Results also reveal that Chl-a and temperature are the most widely measured parameters, particularly in temperate and subtropical marine waters, whereas Arctic regions and freshwater systems remain understudied. Recent trends show a growing reliance on empirical and machine learning based algorithms, with root mean square error (RMSE) and coefficient of determination (R 2 ) as the most common validation metrics. These results highlight the need for standardized validation protocols and expanded research efforts in underrepresented regions and parameters to enhance global water quality monitoring.
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 | 0,002 | 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) | 0,008 | 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 ».