Jan, 2024

利用大气校正的 Sentinel-2 数据应用机器学习算法监测沿海地区水体污染物

PDF
TL;DR监测水质的关键参数浊度对公共健康和环境福祉至关重要，而本研究以 CatBoost 机器学习方法结合 Sentinel-2 Level-2A 的高分辨率数据，开创了一种新方法用于监测浊度污染物，为全球水质管理提供了可扩展和精确的测量模式。
monitoringwater qualityturbiditycontaminantscatboost machine learning
发现论文，激发创造
  • 未来 Phisat-2 任务中海岸水体污染的近实时监测的 AI 技术

    通过卫星遥感数据、人工智能技术和机载处理，提供近实时检测沿海水体中污染物的突破性水质监测方案，以填补现有文献中存在的重要空白，并在环境监测、公共卫生保护和资源保护方面取得实质性进展。

    Apr, 2024

  • 利用多时期 Sentinel-1 和 Sentinel-2 数据进行水体绘制

    通过将雷达数据与现有的多光谱数据相结合，生成了一种新颖的多源多时期数据集，用于拓展 SEN2DWATER 数据集的能力以进行水资源监测，取得了有希望的结果，并探讨了未来可能的发展和应用。

    Jan, 2024

  • 油气开采现场水质监测

    本研究旨在开发一种新的水质增强指数模型（Water Quality Enhanced Index Model），以通过卫星数据快速高效地进行大面积水质监测，并验证出该模型是一个能够确定水体浊度的良好指标，适用于弱反射光模式的水体，使运营商能够优化存储在地表水库中的水质量并增加非淡水水的可靠性和可用性。

    Jan, 2023

  • 利用无监督分类技术对模拟和观测的 Sentinel-2/MSI 图像中的海洋垃圾进行光谱分析

    本研究旨在使用光学遥感与机器学习算法，研究海洋塑料污染的光谱行为，并评价辐射传输模型在此研究领域中的适用性。结果表明，污染物的光谱行为受到聚合物类型和像素覆盖百分比等因素的影响。这些发现可以指导未来在遥感应用中检测海洋塑料污染的研究。

    Jun, 2023

  • Sentinel-2 在海岸地区大规模检测海洋垃圾

    本文介绍了基于深度分割模型和远程遥感技术，对海洋垃圾进行快速、自动化定量监测和检测的方法，实验结果表明设计强调样本多样性和标签优化的数据集比深度学习模型的选择更加重要。

    Jul, 2023

  • 城市空气污染预测：利用卫星观测和气象预报的机器学习方法

    利用 Sentinel-5P 卫星、气象条件和拓扑特征的数据，本研究引入了一系列机器学习模型来预测未来 5 种主要污染物的水平。通过在米兰都市区进行的实验，这些模型在预测未来一天的污染物水平方面表现出了良好的效果，误差率约为 30%。该研究对提升我们对城市空气质量动态的理解以及强调结合卫星、气象和地形数据来开发强大的污染物预测模型的重要性做出了贡献。

    May, 2024

  • 基于卫星的特征提取与贝类毒素污染的多元时间序列预测

    通过使用卫星数据构建预测模型，结合贝类毒素污染数据，能够提升贝类毒素污染水平的预测，并证明了远程感应等高维数据的集成对模型的预测能力没有负面影响。

    Nov, 2023

  • 基于数据驱动的监督式机器学习方法估计全球环境空气污染浓度及其相关预测区间

    通过数据驱动的监督机器学习框架填补空缺的时间和空间测量来生成全面的污染物数据集，为依赖室外空气污染数据进行下游评估的各方提供了具有 0.25 度细粒度和小时间隔的数据，同时为每个估计值提供了预测区间，从而支持更详细的研究。还通过检查模型在不同地理位置上的表现，为将来监测站的战略放置提供了见解和建议，以进一步提高模型的准确性。

    Feb, 2024

  • 利用物联网、大数据和机器学习技术的空气污染监测和预测系统现状

    本文回顾了近期的研究，重点关注数据来源、监测和预测模型，采用智能设备、机器学习、大数据技术和物联网等方法，展示了改善空气污染模型的各种方面的研究进展和面临的问题和挑战。

    Apr, 2023

  • 基于物联网的空气质量监测系统结合机器学习实现精准实时数据分析

    本文提出了开发一种可在任何地方使用的便携式空气质量检测设备，该设备使用 MQ135 和 MQ3 两个传感器检测有害气体并以每百万为单位测量空气质量，同时通过 ThinkSpeak 云平台存储和可视化数据，并进行机器学习分析。

    Jul, 2023