Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.contributor | Science and Technology of Pará State – IFPA | - |
Autor(es): dc.creator | Watanabe, Fernanda S.Y. [UNESP] | - |
Autor(es): dc.creator | Miyoshi, Gabriela T. [UNESP] | - |
Autor(es): dc.creator | Rodrigues, Thanan W.P. | - |
Autor(es): dc.creator | Bernardo, Nariane M.R. [UNESP] | - |
Autor(es): dc.creator | Rotta, Luiz H.S. [UNESP] | - |
Autor(es): dc.creator | Alcântara, Enner [UNESP] | - |
Autor(es): dc.creator | Imai, Nilton N. [UNESP] | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:30:44Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:30:44Z | - |
Data de envio: dc.date.issued | 2020-12-11 | - |
Data de envio: dc.date.issued | 2020-12-11 | - |
Data de envio: dc.date.issued | 2020-08-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.rsase.2020.100326 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/200465 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/200465 | - |
Descrição: dc.description | In this work, we tested machine learning algorithms in classifying waters in a reservoir cascade with basis in trophic state. The classification was done through remote sensing reflectance (Rrs) measurements collected in situ. Chlorophyll-a (chla) content determined in the laboratory were used to define the trophic state in the sampling points distributed in four reservoirs (Barra Bonita, Bariri, Ibitinga and Nova Avanhandava), located at the Tietê River, Brazil. Those four impoundments exhibit widely differing optical properties from each other, which is rather evident in relation to chla concentration. From the dataset collected in the reservoir cascade, a trophic gradient is observed, decreasing from up-to downstream. To classify the trophic state, we tested three machine learning algorithms: Artificial Neural Network (ANN), Random Forest (RF) and Support Vector Machine (SVM). Results showed that ANN and RF algorithms exhibited the best performance in classifying the different trophic state in the cascade of reservoirs. Both approaches raised a global accuracy of 80.00% and average area under Receiver Operating Characteristics (ROC) curve (AUCROC) of 0.928 and 0.912, respectively. Comparing the machine learning approaches with a parametric algorithm, only SVM presented a slightly lower performance. The outcomes of this classification can be useful for trophic state mapping considering the large cascade of reservoirs or rivers. In addition, it can give a direction in bio-optical modeling studies, which have shown that a unique bio-optical algorithm is unable to accurately retrieving concentrations of optically active constituents in aquatic system with high optical variability. So that, it is possible to develop specific chla prediction models considering the optical characteristics of each stretch of river, since machine learning-based classifications (ANN and RF) indicate different optical regions. | - |
Descrição: dc.description | Universidade Estadual Paulista | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Department of Cartography Faculty of Sciences and Technology São Paulo State University – UNESP | - |
Descrição: dc.description | Federal Institute for Education Science and Technology of Pará State – IFPA | - |
Descrição: dc.description | Department of Environmental Engineering Institute of Science and Technology São Paulo State University – UNESP | - |
Descrição: dc.description | Department of Cartography Faculty of Sciences and Technology São Paulo State University – UNESP | - |
Descrição: dc.description | Department of Environmental Engineering Institute of Science and Technology São Paulo State University – UNESP | - |
Descrição: dc.description | CNPq: 151001/2019-7 | - |
Descrição: dc.description | FAPESP: 2012/19821-1 | - |
Descrição: dc.description | FAPESP: 2013/09045-7 | - |
Descrição: dc.description | FAPESP: 2015/21586-9 | - |
Descrição: dc.description | FAPESP: 2019/00259-0 | - |
Descrição: dc.description | CNPq: 310660/2019-0 | - |
Descrição: dc.description | CNPq: 400881/2013-6 | - |
Descrição: dc.description | CNPq: 472131/2012-5 | - |
Descrição: dc.description | CNPq: 482605/2013-8 | - |
Descrição: dc.description | CNPq: 53854/2016-2 | - |
Descrição: dc.description | CAPES: 88882.317841/2019-01 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Remote Sensing Applications: Society and Environment | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Artificial neural network | - |
Palavras-chave: dc.subject | Multispectral data | - |
Palavras-chave: dc.subject | Random forest | - |
Palavras-chave: dc.subject | Remote sensing | - |
Palavras-chave: dc.subject | Support vector machine | - |
Título: dc.title | Inland water's trophic status classification based on machine learning and remote sensing data | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: