FUSING DEEP LEARNING AND REMOTE SENSING DATA TO ESTIMATE NON-OPTICALLY ACTIVE WATER QUALITY VARIABLES
Vasiliki Thomopoulou · Panagiotis Kossieris · Georgios Bariamis 等 6 人
融合深度学习与遥感及实地数据，估算湖泊非光学活性水质变量（溶解氧和pH）。
深度学习融合地球观测与实地数据，处理数据不平衡，应用于希腊Yliki湖。
该方法能高精度、高覆盖、低延迟地估算非光学活性水质变量。
可探索将此类方法迁移至农业流域水质监测，结合农业活动数据提升预警能力。
将深度学习与遥感、地面实测数据融合估算内陆水体非光学活性水质参数，方法新颖且面向农业流域与饮用水源监测，具备较高专业参考价值。
对河流、湖泊等内陆水体的高效监测，不仅对保障人类健康和生态系统平衡至关重要，也对水资源的有效管理不可或缺。溶解氧（Dissolved Oxygen, DO）和pH值是两项备受关注且极为重要的水质变量。前者作为生态系统健康指标，与缺氧事件密切相关；后者则与生物化学过程及水体酸度相关。目前，传统的水质监测方法（如原位定点采样）对特定点位而言较为准确，但成本高昂且耗时费力。相比之下，卫星遥感提供了一种解决方案，因其具备较高的时空覆盖能力。遥感数据在水质方面的应用大多集中于光学活性参数，如叶绿素a和有色溶解有机物（Colored Dissolved Organic Matter, CDOM），而对pH值和溶解氧等非光学活性变量的估算则构成重大挑战。本研究提出了一种新方法，在深度学习框架下融合地球观测（Earth Observation, EO）数据与原位数据，以实现对非光学活性变量的高精度、高空间覆盖度和低延迟估算。该方法还考虑了环境数据集中常见的数据不平衡问题。该方法已应用于希腊中部的伊利基湖（Lake Yliki）。位于伊利基湖上游的维奥蒂亚基菲索斯河流域（Boeotikos Kifissos river basin）以密集的农业活动为主。该湖也是雅典供水系统的组成部分，因此对其开展高效监测尤为重要。