HABNet：基于机器学习与遥感的有害藻华检测与预测
机器学习
2020-04-17 v2 信号处理
摘要
本文描述了机器学习技术在开发用于遥感数据中时空事件的最先进检测与预测系统中的应用；具体而言，为有害藻华事件（HABs）。我们提出了一种基于以下内容的 HAB 检测系统：HAB 事件的地面真值历史记录、每个事件的新型时空数据立方体表示（来自 MODIS 和 GEBCO 测深数据），以及利用基于卷积神经网络（CNNs）、长短期记忆（LSTM）组件并结合随机森林与支持向量机（SVM）分类方法的最先进空间与时间分析方法的多种机器学习架构。本工作具体聚焦于佛罗里达沿海水域中 Karenia Brevis 藻类（K. brevis）HAB 事件的检测案例研究（2003 年至 2018 年超过 2850 个事件；比以往任何 HAB 事件的机器学习检测研究大一个数量级）。多模态时空数据立方体数据结构及相关的新型机器学习方法为环境事件的自动检测提供了独特的架构。具体而言，当应用于 HAB 事件检测时，对于所考虑的佛罗里达数据，其最大检测准确率为 91%，Kappa 系数为 0.81。我们还开发了一个 HAB 预测系统，其中使用每个数据立方体的时间子集来预测未来 HAB 的存在。该系统的准确率与检测系统相比无显著差异，能够提前最多 8 天以 86% 的准确率进行预测。
引用
@article{arxiv.1912.02305,
title = {HABNet: Machine Learning, Remote Sensing Based Detection and Prediction of Harmful Algal Blooms},
author = {P. R. Hill and A. Kumar and M. Temimi and D. R. Bull},
journal= {arXiv preprint arXiv:1912.02305},
year = {2020}
}