Evaluation of machine learning methods for forecasting turbidity in river networks using Sentinel-2 remote sensing data
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
Turbidity is an important indicator of river water quality and of great interest to improve the data acquisition methods and efficiency of decision support systems for sustainable ecosystem management. However, river water quality monitoring stations are very expensive to operate and maintain and lack spatial coverage. Therefore, this study takes advantage of the vast spatial coverage of remote sensing datasets from satellites to provide a more efficient hybrid system with comprehensive coverage of both spatial and temporal changes in water quality across a vast river network. Spectral bands from Sentinel-2 were analyzed using machine learning algorithms, namely XGBoost, Random Forests, GMDH, Support Vector Regression, k-Nearest Neighbors and Least Absolute Shrinkage and Selection Operator to model turbidity, using data from twelve monitoring stations across the Mississippi River, USA. Results show that considering the individual monitoring stations, the ML algorithms for turbidity modeling were satisfactory at locations with a larger range and standard deviation of turbidity values, achieving a mean R 2 value of 59.5 %. Tree-based models were the best overall approach, often ranking as the best or second-best performing model. Using all the samples from the monitoring stations, the XGBoost provided a superior output for turbidity modeling, reaching R 2 equal to 75.7 %. This represents an improvement of over 16 % compared to the average metric value for the individual stations. A comprehensive comparison with the literature found that the models implemented using this study's methodology could provide competitive results, deeming it as an alternative for turbidity modeling from remote sensing data.
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 | 0,007 | 0,004 |
| 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 | 0,001 |
| 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 découle