Chlorophyll-a Prediction Based on Machine Learning and Satellite Data in the South Sea of Korea
Notice bibliographique
Résumé
Chlorophyll-a (Chl-a) is a critical indicator of phytoplankton biomass, offering key insights into changes in marine ecosystems, including algal blooms and nutrient cycling. However, predicting Chl-a concentrations using numerical models remains challenging due to the intricate interplay of climatic and geographical factors. Moreover, conventional studies relying heavily on localized marine measurement instruments face limitations in both scope and generalizability. To address these challenges, this study integrates high-resolution satellite imagery with advanced machine learning (ML) techniques to develop a robust and scalable model for predicting Chl-a concentrations in the South Sea of Korea. Multiple linear regression, random forest, and extreme gradient boosting models were evaluated, along with an averaging ensemble that combines their predictions. A feature ablation study was also conducted to assess the contribution of individual input variables. The results showed that the Ensemble model achieved the highest performance, withR2values of 0.821 for 1-day predictions, 0.750 for 2-day predictions, and 0.713 for 3-day predictions. These findings demonstrate the potential of integrating high-resolution (250 m) satellite data with ML to achieve accurate and wide-scale predictions of Chl-a concentrations. These advancements are expected to provide foundational data for applications in marine environmental monitoring, sustainable aquaculture management, and harmful algal bloom prediction.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».