Published January 1, 2021
| Version v1
Publication
Open
Hybrid Predictive Model for Water Quality Monitoring Based on Sentinel-2A L1C Data
- 1. Fayoum University
- 2. National Institute of Oceanography and Fisheries
Description
Monitoring water quality is an important challenge in both developed and developing countries.Remote sensing data can form a highly frequent dataset with acceptable spatial coverage that can be used to remotely monitor water quality.This paper presents a novel automated model for remotely monitoring water quality to address the problem of insufficient samples and save the time and cost of sample collection.The proposed model estimates both optical and non-optical water quality parameters via Sentinel-2A data.A bio-inspired hybrid model of a Binary Whale Optimization Algorithm (BWOA) and Artificial Neural Network (ANN) (BWOA-ANN) is applied to determine the relationship between extracted reflectance values from Sentinel-2A images and analyzed samples.The novelty of this model is to solve two main problems of remote water quality monitoring: poor applicability and low non-optical parameter estimation accuracy.For the first problem, a proposed fully automated model with band selection using the BWOA to automatically select the optimal features (Sentinel-2A bands) that are suitable for each water quality parameter.The second problem is addressed by automatically detecting the relationship between non-optical parameters, such as the total phosphorus, and optical parameters, such as chlorophyll-a.Three datasets with different locations, seasons, and parameters were selected to test the proposed BWOA-ANN.The experimental results demonstrated good regression with a mean R 2 value of 0.916 for optical parameters and 0.890 for non-optical parameters.The proposed model was found to outperform the ANN with an R 2 value higher by 40% and 52% for the optical and non-optical parameters, respectively.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تعد مراقبة جودة المياه تحديًا مهمًا في كل من البلدان المتقدمة والنامية. يمكن أن تشكل بيانات الاستشعار عن بعد مجموعة بيانات متكررة للغاية مع تغطية مكانية مقبولة يمكن استخدامها لمراقبة جودة المياه عن بُعد. تقدم هذه الورقة نموذجًا آليًا جديدًا لمراقبة جودة المياه عن بُعد لمعالجة مشكلة عدم كفاية العينات وتوفير الوقت والتكلفة لجمع العينات. يقدر النموذج المقترح معايير جودة المياه البصرية وغير البصرية عبر بيانات Sentinel -2A. نموذج هجين مستوحى من الحيوية لخوارزمية تحسين الحيتان الثنائية (BWOA) والشبكة العصبية الاصطناعية (يتم تطبيق ANN) (BWOA - ANN) لتحديد العلاقة بين قيم الانعكاس المستخرجة من صور Sentinel -2A والعينات التي تم تحليلها. تتمثل حداثة هذا النموذج في حل مشكلتين رئيسيتين لمراقبة جودة المياه عن بُعد: قابلية التطبيق الضعيفة ودقة تقدير المعلمة غير البصرية المنخفضة. بالنسبة للمشكلة الأولى، يتم اقتراح نموذج آلي بالكامل مع اختيار النطاق باستخدام BWOA لتحديد الميزات المثلى تلقائيًا (نطاقات Sentinel -2A) المناسبة لكل معلمة جودة مياه. تتم معالجة المشكلة الثانية عن طريق الكشف التلقائي عن العلاقة بين المعلمات غير البصرية، مثل إجمالي الفوسفور، والمعلمات البصرية، مثل الكلوروفيل- أ. تم اختيار ثلاث مجموعات بيانات ذات مواقع ومواسم ومعلمات مختلفة لاختبار BWOA - ANN المقترحة. أظهرت النتائج التجريبية انحدارًا جيدًا بمتوسط قيمة R 2 تبلغ 0.916 للمعلمات البصرية و 0.890 للمعلمات غير البصرية. وجد أن النموذج المقترح يتفوق على ANN بقيمة R 2 أعلى بنسبة 40 ٪ و 52 ٪ للمعلمات البصرية وغير البصرية، على التوالي.Translated Description (French)
La surveillance de la qualité de l'eau est un défi important à la fois dans les pays développés et en développement. Les données de télédétection peuvent former un ensemble de données très fréquent avec une couverture spatiale acceptable qui peut être utilisé pour surveiller à distance la qualité de l'eau. Ce document présente un nouveau modèle automatisé pour surveiller à distance la qualité de l'eau afin de résoudre le problème d'échantillons insuffisants et d'économiser du temps et des coûts de collecte d'échantillons. Le modèle proposé estime les paramètres de qualité de l'eau optiques et non optiques via les données Sentinel-2A. Un modèle hybride bio-inspiré d'un algorithme d'optimisation des baleines binaires (BWOA) et d'un réseau de neurones artificiels (ANN) (BWOA-ANN) est appliqué pour déterminer la relation entre les valeurs de réflectance extraites des images Sentinel-2A et les échantillons analysés. La nouveauté de ce modèle est de résoudre deux problèmes principaux de surveillance à distance de la qualité de l'eau : une mauvaise applicabilité et une faible précision d'estimation des paramètres non optiques. Pour le premier problème, un modèle entièrement automatisé proposé avec sélection de bande à l'aide du BWOA pour sélectionner automatiquement les caractéristiques optimales (bandes Sentinel-2A) qui conviennent à chaque paramètre de qualité de l'eau. Le deuxième problème est résolu en détectant automatiquement la relation entre les paramètres non optiques, tels que le phosphore total, et des paramètres optiques, tels que la chlorophylle-a.Trois ensembles de données avec différents emplacements, saisons et paramètres ont été sélectionnés pour tester le BWOA-ANN.Les résultats expérimentaux ont démontré une bonne régression avec une valeur moyenne de R 2 de 0,916 pour les paramètres optiques et de 0,890 pour les paramètres non optiques. Le modèle proposé s'est avéré surpasser le RNA avec une valeur de R 2 supérieure de 40 % et 52 % pour les paramètres optiques et non optiques, respectivement.Translated Description (Spanish)
El monitoreo de la calidad del agua es un desafío importante tanto en los países desarrollados como en los países en desarrollo. Los datos de teledetección pueden formar un conjunto de datos muy frecuente con una cobertura espacial aceptable que se puede utilizar para monitorear de forma remota la calidad del agua. Este documento presenta un nuevo modelo automatizado para monitorear de forma remota la calidad del agua para abordar el problema de muestras insuficientes y ahorrar el tiempo y el costo de la recolección de muestras. El modelo propuesto estima los parámetros ópticos y no ópticos de la calidad del agua a través de los datos de Sentinel-2A. Un modelo híbrido bioinspirado de un algoritmo binario de optimización de ballenas (BWOA) y una red neuronal artificial (ANN) (BWOA-ANN) se aplica para determinar la relación entre los valores de reflectancia extraídos de las imágenes Sentinel-2A y las muestras analizadas. La novedad de este modelo es resolver dos problemas principales del monitoreo remoto de la calidad del agua: mala aplicabilidad y baja precisión de estimación de parámetros no ópticos. Para el primer problema, se propone un modelo totalmente automatizado con selección de bandas utilizando el BWOA para seleccionar automáticamente las características óptimas (bandas Sentinel-2A) que son adecuadas para cada parámetro de calidad del agua. El segundo problema se aborda detectando automáticamente la relación entre los parámetros no ópticos, como el fósforo total, y parámetros ópticos, como la clorofila-a. Se seleccionaron tres conjuntos de datos con diferentes ubicaciones, estaciones y parámetros para probar el BWOA-ANN propuesto. Los resultados experimentales demostraron una buena regresión con un valor medio de R2 de 0.916 para los parámetros ópticos y 0.890 para los parámetros no ópticos. Se encontró que el modelo propuesto superaba al ANN con un valor de R2 superior en un 40% y 52% para los parámetros ópticos y no ópticos, respectivamente.Files
09416446.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:b6ce69e4afec08fa6604bd40f2265757
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نموذج تنبؤي هجين لمراقبة جودة المياه بناءً على بيانات Sentinel -2A L1C
- Translated title (French)
- Modèle prédictif hybride pour la surveillance de la qualité de l'eau basé sur les données L1C Sentinel-2A
- Translated title (Spanish)
- Modelo predictivo híbrido para el monitoreo de la calidad del agua basado en datos Sentinel-2A L1C
Identifiers
- Other
- https://openalex.org/W3161130658
- DOI
- 10.1109/access.2021.3075849
References
- https://openalex.org/W1831644796
- https://openalex.org/W1966245430
- https://openalex.org/W1971234322
- https://openalex.org/W1971517391
- https://openalex.org/W2033003384
- https://openalex.org/W2039767812
- https://openalex.org/W2079454091
- https://openalex.org/W2089453774
- https://openalex.org/W2093784300
- https://openalex.org/W2098002040
- https://openalex.org/W2121885753
- https://openalex.org/W2146661895
- https://openalex.org/W2230051944
- https://openalex.org/W2236421749
- https://openalex.org/W2281658227
- https://openalex.org/W2290883490
- https://openalex.org/W2342796120
- https://openalex.org/W2418765907
- https://openalex.org/W2444116201
- https://openalex.org/W2444185468
- https://openalex.org/W2499899645
- https://openalex.org/W2511122687
- https://openalex.org/W2513884524
- https://openalex.org/W2561131998
- https://openalex.org/W2577509811
- https://openalex.org/W2585855126
- https://openalex.org/W2739894346
- https://openalex.org/W2747733138
- https://openalex.org/W2754507236
- https://openalex.org/W2755811257
- https://openalex.org/W2765937321
- https://openalex.org/W2766685544
- https://openalex.org/W2803964271
- https://openalex.org/W2804002326
- https://openalex.org/W2805751255
- https://openalex.org/W2808590714
- https://openalex.org/W2885191712
- https://openalex.org/W2887383641
- https://openalex.org/W2890516051
- https://openalex.org/W2897301007
- https://openalex.org/W2897315613
- https://openalex.org/W2900744904
- https://openalex.org/W2907102908
- https://openalex.org/W2920938544
- https://openalex.org/W2921202857
- https://openalex.org/W2938079525
- https://openalex.org/W2942816023
- https://openalex.org/W2955130389
- https://openalex.org/W2983376237
- https://openalex.org/W2990460145
- https://openalex.org/W2994972744
- https://openalex.org/W2996041315
- https://openalex.org/W2996583662
- https://openalex.org/W2997142983
- https://openalex.org/W3003214897
- https://openalex.org/W3003383879
- https://openalex.org/W3004411778
- https://openalex.org/W3008938341
- https://openalex.org/W3009053370
- https://openalex.org/W3011988525
- https://openalex.org/W3016950746
- https://openalex.org/W3023628261
- https://openalex.org/W3046794198
- https://openalex.org/W3106741750
- https://openalex.org/W3110136003