Überwachung von Algenblüten in Seen mittels Fernerkundung mit biomimetischer und rechnergestützter Intelligenz

Traditionelle überwachte Klassifikationen für die auf Fernerkundung basierende Überwachung der Wasserqualität verlassen sich auf eine Reihe von Klassifikatoren, um Merkmale zu extrahieren und ihre Vorhersagegenauigkeiten basierend auf Bodenproben zu verbessern. Viele bestehende Methoden zur Merkmalsextraktion in der Fernerkundung sind jedoch nicht in der Lage, nichtlineare räumliche Mustererkennung mit mehreren Instanzen in Verbindung mit Ensemble-Lernen auf verschiedenen Skalen zu zeigen. Dieses Paper, das für die Überwachung von Algenblüten in Seen entworfen wurde, präsentiert intelligente Merkmalsextraktion zur Harmonisierung lokaler und globaler Merkmale durch tensorflussbasiertes Ensemble-Lernen mit integrierter biomimetischer und rechnergestützter Intelligenz. Um eine solche Komplexität zu erforschen, wurde ein integrierter biomimetischer und Ensemble-Lernalgorithmus (IBELA) entwickelt, um den Beitrag verschiedener Klassifikatoren zu synthetisieren, der mit der biomimetischen Philosophie integrierter Bänder verbunden ist. Dies führt zu einer verstärkten Mustererkennung mit mehreren Instanzen in der Überwachung von Algenblüten in Seen durch Bildfusion auf Entscheidungsebene. Mit der Implementierung von IBELA zeigt eine Fallstudie eines eutrophen Süßwassersees, dem Lago de Managua, zur Überwachung der Wasserqualität sechs Eingangssehsinne, die unterschiedliche Auswirkungen auf die Rückgewinnung von Chl-a-Konzentrationen in der Trocken- und der Regenzeit haben. Der Eingang des gesamten Stickstoffs aus dem Einzugsgebiet spielt in beiden Jahreszeiten eine entscheidende Rolle bei den Variationen der Wasserqualität in einem wasserbasierten Nahrungs-Wasser-Nexus. Obwohl ultraviolette und Mikrowellenbänder in der Trockenzeit wichtig sind, ist die Secchi-Scheibentiefe in der Regenzeit entscheidend für die Überwachung der Wasserqualität.