利用Sentinel-2 MSI数据和谷歌地球引擎云计算改进香港水质时间序列预测
机器学习
2024-08-28 v2
摘要
由于污染和人类活动导致的逐渐恶化，沿海地区有效的水质监测至关重要。为解决此问题，本研究利用Sentinel-2卫星数据和谷歌地球引擎（GEE）在香港沿海地区开发了预测叶绿素a（Chl-a）、悬浮固体（SS）和浊度的时间序列模型。研究利用长短期记忆（LSTM）循环神经网络，结合广泛的时间序列数据集以提高预测精度。模型利用Sentinel-2的光谱数据，重点关注光学活性成分，并表明所选变量与Chl-a和SS的光谱特征紧密对齐。结果表明，与先前方法相比，预测性能有所提升，突显了遥感技术在连续和全面水质评估中的潜力。
引用
@article{arxiv.2408.14010,
title = {Improving Water Quality Time-Series Prediction in Hong Kong using Sentinel-2 MSI Data and Google Earth Engine Cloud Computing},
author = {Rohin Sood and Kevin Zhu},
journal= {arXiv preprint arXiv:2408.14010},
year = {2024}
}