ABF: A data-driven approach for algal bloom forecasting using machine intelligence and remotely sensed data series[Formula presented]

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.creatorAnanias, Pedro Henrique M.-
Autor(es): dc.creatorNegri, Rogério G.-
Autor(es): dc.creatorBressane, Adriano-
Autor(es): dc.creatorDias, Maurício A.-
Autor(es): dc.creatorSilva, Erivaldo A.-
Autor(es): dc.creatorCasaca, Wallace-
Data de aceite: dc.date.accessioned2025-08-21T20:38:01Z-
Data de disponibilização: dc.date.available2025-08-21T20:38:01Z-
Data de envio: dc.date.issued2025-04-29-
Data de envio: dc.date.issued2023-09-01-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.1016/j.simpa.2023.100518-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/302644-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/302644-
Descrição: dc.descriptionThis paper presents a fully automated framework for algal bloom forecasting in inland water by combining remote sensing data series and unsupervised machine learning concepts. In contrast to other methods in the specialized literature that usually employ pre-labeled data, the proposed approach was designed to be fully autonomous concerning pre-requisites, assuming as input only a time series of remotely sensed products to forecast algal proliferation. In more technical terms, the designed machine-intelligent methodology comprises the steps of pre-processing, feature extraction and modeling, and it learns unsupervised from past events to predict future scenarios of algal blooms, outputting algal insurgence maps.-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionSão Paulo State University (UNESP), São José dos Campos-
Descrição: dc.descriptionGraduate Program in Natural Disasters (UNESP/CEMADEN), São José dos Campos-
Descrição: dc.descriptionCivil and Environmental Engineering Graduate Program (UNESP), Bauru-
Descrição: dc.descriptionSão Paulo State University (UNESP), Presidente Prudente-
Descrição: dc.descriptionSão Paulo State University (UNESP), São José do Rio Preto-
Descrição: dc.descriptionSão Paulo State University (UNESP), São José dos Campos-
Descrição: dc.descriptionGraduate Program in Natural Disasters (UNESP/CEMADEN), São José dos Campos-
Descrição: dc.descriptionCivil and Environmental Engineering Graduate Program (UNESP), Bauru-
Descrição: dc.descriptionSão Paulo State University (UNESP), Presidente Prudente-
Descrição: dc.descriptionSão Paulo State University (UNESP), São José do Rio Preto-
Descrição: dc.descriptionFAPESP: 2016/24185-8-
Descrição: dc.descriptionFAPESP: 2021/01305-6-
Descrição: dc.descriptionFAPESP: 2021/03328-3-
Descrição: dc.descriptionCNPq: 305220/2022-5-
Descrição: dc.descriptionCNPq: 316228/2021-4-
Idioma: dc.languageen-
Relação: dc.relationSoftware Impacts-
???dc.source???: dc.sourceScopus-
Palavras-chave: dc.subjectAlgal bloom-
Palavras-chave: dc.subjectForecasting-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectRemote sensing-
Título: dc.titleABF: A data-driven approach for algal bloom forecasting using machine intelligence and remotely sensed data series[Formula presented]-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.