Aprendizaje Novel de Batimetría a partir de Imágenes de Landsat 9 Usando Aprendizaje Automático, Extracción de Características y Optimización Meta-Heurística en una Laguna Turbia Superficial
Autores: Tran, Hang Thi Thuy; Nguyen, Quang Hao; Pham, Ty Huu; Ngo, Giang Thi Huong; Pham, Nho Tran Dinh; Pham, Tung Gia; Tran, Chau Thi Minh; Ha, Thang Nam
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 18
Citaciones: Sin citaciones
Los datos de batimetría son indispensables para una variedad de estudios de campo acuáticos e inventarios de recursos bentónicos. La determinación de la profundidad del agua se puede lograr a través de un sistema de sondeo acústico o estimaciones remotas utilizando datos de satélites y aeronaves en diversos entornos, como lagos, ríos, mares o lagunas. A pesar de ser una opción común para la cartografía batimétrica, el uso de imágenes satelitales enfrenta desafíos debido a las complejas propiedades ópticas inherentes de los cuerpos de agua (por ejemplo, agua turbia), limitaciones en la resolución espacial de los satélites y restricciones en el rendimiento de los modelos de recuperación. Este estudio se centra en avanzar en el método basado en teledetección aprovechando las capacidades de aprendizaje no lineales del modelo de aprendizaje automático (ML), empleando una selección de características avanzada a través de un algoritmo metaheurístico y utilizando técnicas de extracción de imágenes (es decir, relación de bandas, operación morfológica en escala de grises y descomposición morfológica multiescalar). En este contexto, validamos las capacidades predictivas de seis modelos de ML: Random Forest (RF), Support Vector Machine (SVM), CatBoost (CB), Extreme Gradient Boost (XGB), Light Gradient Boosting Machine (LGBM) y KTBoost (KTB), tanto con como sin la aplicación de optimización metaheurística (es decir, Dragon Fly, Particle Swarm Optimization y Grey Wolf Optimization), para determinar con precisión la profundidad del agua. Esto se logra utilizando un conjunto de datos de entrada diverso derivado de imágenes multiespectrales de Landsat 9 capturadas en un día sin nubes (19 de septiembre de 2023) en una laguna poco profunda y turbia. Nuestros hallazgos indican el rendimiento superior de LGBM acoplado con Particle Swarm Optimization ( = 0.908, RMSE = 0.31 m), afirmando la consistencia y fiabilidad del marco basado en la extracción y selección de características, al tiempo que ofrece nuevas perspectivas sobre la expansión de la cartografía batimétrica en entornos acuáticos complejos.
Descripción
Los datos de batimetría son indispensables para una variedad de estudios de campo acuáticos e inventarios de recursos bentónicos. La determinación de la profundidad del agua se puede lograr a través de un sistema de sondeo acústico o estimaciones remotas utilizando datos de satélites y aeronaves en diversos entornos, como lagos, ríos, mares o lagunas. A pesar de ser una opción común para la cartografía batimétrica, el uso de imágenes satelitales enfrenta desafíos debido a las complejas propiedades ópticas inherentes de los cuerpos de agua (por ejemplo, agua turbia), limitaciones en la resolución espacial de los satélites y restricciones en el rendimiento de los modelos de recuperación. Este estudio se centra en avanzar en el método basado en teledetección aprovechando las capacidades de aprendizaje no lineales del modelo de aprendizaje automático (ML), empleando una selección de características avanzada a través de un algoritmo metaheurístico y utilizando técnicas de extracción de imágenes (es decir, relación de bandas, operación morfológica en escala de grises y descomposición morfológica multiescalar). En este contexto, validamos las capacidades predictivas de seis modelos de ML: Random Forest (RF), Support Vector Machine (SVM), CatBoost (CB), Extreme Gradient Boost (XGB), Light Gradient Boosting Machine (LGBM) y KTBoost (KTB), tanto con como sin la aplicación de optimización metaheurística (es decir, Dragon Fly, Particle Swarm Optimization y Grey Wolf Optimization), para determinar con precisión la profundidad del agua. Esto se logra utilizando un conjunto de datos de entrada diverso derivado de imágenes multiespectrales de Landsat 9 capturadas en un día sin nubes (19 de septiembre de 2023) en una laguna poco profunda y turbia. Nuestros hallazgos indican el rendimiento superior de LGBM acoplado con Particle Swarm Optimization ( = 0.908, RMSE = 0.31 m), afirmando la consistencia y fiabilidad del marco basado en la extracción y selección de características, al tiempo que ofrece nuevas perspectivas sobre la expansión de la cartografía batimétrica en entornos acuáticos complejos.