論文の概要: Time series and machine learning to forecast the water quality from satellite data

• arxiv url: http://arxiv.org/abs/2003.11923v1
• Date: Mon, 16 Mar 2020 18:16:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 03:06:04.411676
• Title: Time series and machine learning to forecast the water quality from satellite data
• Title（参考訳）: 衛星データによる水質予測のための時系列と機械学習
• Authors: Maryam R. Al Shehhi and Abdullah Kaya
• Abstract要約: アルガルブルームは沿岸の汚染物質であり、その原因となっている。 多くの衛星データ、例えばMODISは、花を検知するために水質の高い製品を生成するために使われてきた。 監視のためには、汚染管理委員会がいかなる汚染も予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Managing the quality of water for present and future generations of coastal regions should be a central concern of both citizens and public officials. Remote sensing can contribute to the management and monitoring of coastal water and pollutants. Algal blooms are a coastal pollutant that is a cause of concern. Many satellite data, such as MODIS, have been used to generate water-quality products to detect the blooms such as chlorophyll a (Chl-a), a photosynthesis index called fluorescence line height (FLH), and sea surface temperature (SST). It is important to characterize the spatial and temporal variations of these water quality products by using the mathematical models of these products. However, for monitoring, pollution control boards will need nowcasts and forecasts of any pollution. Therefore, we aim to predict the future values of the MODIS Chl-a, FLH, and SST of the water. This will not be limited to one type of water but, rather, will cover different types of water varying in depth and turbidity. This is very significant because the temporal trend of Chl-a, FLH, and SST is dependent on the geospatial and water properties. For this purpose, we will decompose the time series of each pixel into several components: trend, intra-annual variations, seasonal cycle, and stochastic stationary. We explore three such time series machine learning models that can characterize the non-stationary time series data and predict future values, including the Seasonal ARIMA (Auto Regressive Integrated Moving Average) (SARIMA), regression, and neural network. The results indicate that all these methods are effective at modelling Chl-a, FLH, and SST time series and predicting the values reasonably well. However, regression and neural network are found to be the best at predicting Chl-a in all types of water (turbid and shallow). Meanwhile, the SARIMA model provides the best prediction of FLH and SST.
• Abstract（参考訳）: 現在及び将来の沿岸地域の水質管理は、市民と公務員の双方にとって中心的な関心事である。 リモートセンシングは、沿岸の水と汚染物質の管理とモニタリングに寄与する。 アルガルブルームは沿岸の汚染物質であり、その原因となっている。 MODISのような多くの衛星データは、クロロフィルa(Chl-a)、蛍光線高さ(FLH)と呼ばれる光合成指数、海面温度(SST)など、水質の高い生成物を生成するために使用されている。 これらの生成物の数学的モデルを用いて、これらの水質生成物の空間的および時間的変動を特徴付けることが重要である。 しかし、監視のためには、汚染管理委員会がいかなる汚染も予測する。 そこで本研究では,MODIS Chl-a, FLH, SSTの今後の値を予測することを目的とする。 これは1種類の水に限らず、深さや濁度によって異なる種類の水をカバーする。 これはChl-a, FLH, SSTの時間的傾向が空間的および水的特性に依存するため, 非常に重要である。 この目的のために、各ピクセルの時系列をトレンド、年内変動、季節周期、確率定常といったいくつかの構成要素に分解する。 本研究では,非定常時系列データを特徴付ける3つの時系列機械学習モデルを探索し,季節的ARIMA(Auto Regressive Integrated Average, SARIMA)や回帰, ニューラルネットワークなどの将来の値を予測する。 その結果,これらの手法はChl-a,FLH,SSTの時系列をモデル化し,適切な値の予測に有効であることが示唆された。 しかし、回帰とニューラルネットワークはあらゆる種類の水(濁度と浅度)でChl-aを予測するのに最適である。 一方、SARIMAモデルはFLHとSSTの最良の予測を提供する。

関連論文リスト

• SEN12-WATER: A New Dataset for Hydrological Applications and its Benchmarking [40.996860106131244]
  気候と干ばつの増加は、世界中の水資源管理に重大な課題をもたらしている。 本稿では,干ばつ関連分析のためのエンドツーエンドディープラーニングフレームワークを用いたベンチマークとともに,新しいデータセットであるSEN12-WATERを提案する。
  論文  参考訳（メタデータ） (2024-09-25T16:50:59Z)
• Improving Water Quality Time-Series Prediction in Hong Kong using Sentinel-2 MSI Data and Google Earth Engine Cloud Computing [2.186901738997927]
  本研究は,香港沿岸域におけるクロロフィルa (Chl-a), 懸濁固体 (SS), 濁度を予測するための時系列モデルを構築した。
  論文  参考訳（メタデータ） (2024-08-26T04:31:55Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• Using Multi-Temporal Sentinel-1 and Sentinel-2 data for water bodies mapping [40.996860106131244]
  気候変動は極端な気象現象を激化させ、水不足と激しい降雨の予測不可能の両方を引き起こしている。 本研究の目的は,多様な気象条件下での総合的な水資源モニタリングに有用な知見を提供することである。
  論文  参考訳（メタデータ） (2024-01-05T18:11:08Z)
• Attention-based Models for Snow-Water Equivalent Prediction [12.340236862664195]
  スノーウォーター等価(SWE、Snow Water-Equivalent)は、水管理機関が灌水、洪水制御、発電、干ばつ管理決定に使用する重要な決定変数である。 本稿では、SWE予測のための一般的な注意に基づくモデリングフレームワークを提案し、空間的注意と時間的注意に適応する。 米国内の323のSNOTEL局での観測結果から、我々の注意に基づくモデルは、他の機械学習手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-03T23:33:35Z)
• Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
  この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。 我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
  論文  参考訳（メタデータ） (2023-09-29T03:33:53Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Towards Generating Large Synthetic Phytoplankton Datasets for Efficient Monitoring of Harmful Algal Blooms [77.25251419910205]
  有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。 現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。 合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
  論文  参考訳（メタデータ） (2022-08-03T20:15:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。