基于时间序列与机器学习从卫星数据预报水质
大气与海洋物理
2020-03-27 v1 机器学习
机器学习
摘要
为沿海地区的当代及后代管理水质，应是公民与公职人员的核心关切。遥感可助力沿海水体与污染物的管理与监测。藻华是一种令人担忧的沿海污染物。诸多卫星数据（如 MODIS）已被用于生成水质产品以探测藻华，例如叶绿素 a（Chl-a）、称为荧光峰高度（FLH）的光合作用指数，以及海表温度（SST）。利用这些产品的数学模型刻画其时空变化十分重要。然而，对于监测而言，污染控制机构现在将需要任何污染的临近预报与预报。因此，我们旨在预测水体 MODIS Chl-a、FLH 与 SST 的未来值。这并不限于单一水体类型，而是覆盖深度与浊度各异的多种水体。这非常有意义，因为 Chl-a、FLH 与 SST 的时间趋势依赖于地理空间与水体的性质。为此，我们将每个像元的时间序列分解为若干分量：趋势、年內变化、季节循环与随机平稳项。我们探索了三种可刻画非平稳时间序列数据并预测未来值的时间序列机器学习模型，包括季节性 ARIMA（自回归积分滑动平均，SARIMA）、回归与神经网络。结果表明，所有这些方法都能有效建模 Chl-a、FLH 与 SST 时间序列并较合理地预测数值。然而，回归与神经网络被发现在所有水体类型（浊水与浅水）中预测 Chl-a 最佳。同时，SARIMA 模型对 FLH 与 SST 提供了最佳预测。
引用
@article{arxiv.2003.11923,
title = {Time series and machine learning to forecast the water quality from satellite data},
author = {Maryam R. Al Shehhi and Abdullah Kaya},
journal= {arXiv preprint arXiv:2003.11923},
year = {2020}
}