Machine-learning-estimation of high-spatiotemporal-resolution chlorophyll-a concentration using multi-satellite imagery

Wachidatin Nisaul ChusnahHone-Jay ChuTatas & Lalu Muhamad Jaelani

Chlorophyll-a concentration for quantifying phytoplankton biomass is commonly used as an indicator for evaluating the trophic level of lakes and water quality. This research aimed to develop a high spatiotemporal-resolution model for the retrieval of chlorophyll-a in inland water. Firstly, the machine learning based models considering Sentinel-2 Multispectral Instrument and Sentinel-3 Ocean and Land Color Instrument (OLCI) images were applied to estimate chlorophyll-a concentrations (R2 = 0.873 and 0.822, respectively). The spatiotemporal fusion was performed to fuse the OLCI and MSI chlorophyll-a images with low temporal resolution but fine spatial-resolution, and with high temporal resolution but coarse spatial-resolution. The random forest was applied to fuse images from two distinct sensors, and to refine the spatial resolution of OLCI estimations to be the same as those of Sentinel-2 MSI. Results showed that the spatiotemporal fusion can estimate dense-temporal 10 m spatial resolution chlorophyll-a concentration in the Tsengwen Reservoir (Root-Mean-Square Error, RMSE = 1.25–1.47 μg L−1). The spatiotemporal fusion model was effectively applied to determine high spatiotemporal-resolution chlorophyll-a measurements in the aquatic system.

Konsentrasi klorofil-a untuk mengukur biomassa fitoplankton umumnya digunakan sebagai indikator untuk mengevaluasi tingkat trofik danau dan kualitas air. Penelitian ini bertujuan untuk mengembangkan model resolusi spatiotemporal tinggi untuk pengambilan klorofil-a di perairan pedalaman. Pertama, model berbasis pembelajaran mesin yang mempertimbangkan citra Sentinel-2 Multispectral Instrument dan Sentinel-3 Ocean and Land Color Instrument (OLCI) diterapkan untuk memperkirakan konsentrasi klorofil-a (masing-masing R2 = 0,873 dan 0,822). Fusi spatiotemporal dilakukan untuk memadukan gambar OLCI dan MSI klorofil-a dengan resolusi temporal rendah tetapi resolusi spasial halus, dan dengan resolusi temporal tinggi tetapi resolusi spasial kasar. Hutan acak diterapkan untuk memadukan gambar dari dua sensor berbeda, dan untuk menyempurnakan resolusi spasial estimasi OLCI agar sama dengan Sentinel-2 MSI. Hasil menunjukkan bahwa fusi spatiotemporal dapat memperkirakan konsentrasi klorofil-a resolusi spasial 10 m-temporal padat di Waduk Tsengwen (Root-Mean-Square Error, RMSE = 1.25–1.47 μg L−1). Model fusi spatiotemporal secara efektif diterapkan untuk menentukan pengukuran klorofil-a beresolusi spatiotemporal tinggi dalam sistem perairan.

https://sustainenvironres.biomedcentral.com/articles/10.1186/s42834-023-00170-1

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout /  Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout /  Ubah )

Connecting to %s

Buat situs web atau blog di WordPress.com

Atas ↑

%d blogger menyukai ini: