Evaluación de algoritmos de aprendizaje automático para la determinación de parámetros de calidad del agua mediante teledetección

Abstract

El seguimiento de la calidad del agua es una prioridad para las necesidades de abastecimiento y consumo, y también para el buen funcionamiento de los ecosistemas naturales. En este trabajo se estudia el potencial del monitoreo de parámetros indicativos de la calidad del agua empleando técnicas avanzadas de teledetección y algoritmos de aprendizaje automático en el embalse El Val (Aragón), ya que está catalogado como -Zona Sensible- y se encuentra en situación de vulnerabilidad y riesgo medioambiental. Este trabajo presenta los resultados de la validación de imágenes térmicas del sensor TIRS a bordo de las misiones Landsat para obtener la temperatura superficial del agua, y la validación de imágenes ópticas capturadas por el sensor MSI a bordo de la misión Sentinel para obtener la turbidez y concentración de clorofila-a entre enero de 2018 y diciembre de 2022. En la estimación de la temperatura, las imágenes se han calibrado con los datos de campo obteniendo un modelo de regresión lineal (R2=0.98) con error de 1 °C. Para la estimación de clorofila-a y turbidez se han evaluado los algoritmos Decision Tree, Random Forest y SVM con búsqueda automática de la mejor combinación de hiper parámetros y validación cruzada con 5 particiones estratificadas. En la estimación de clorofila-a el desempeño de Decision Tree y Random Forest ha sido similar explicando un 88 % de la varianza del modelo y con errores entre los 10-15 mg/l. Los modelos evaluados para estimar la turbidez no han sabido representar el comportamiento de la variable de forma adecuada.

Monitoring water quality is a priority for supply and consumption needs, and also for the proper functioning of natural ecosystems. This paper studies the potential of monitoring indicative parameters of water quality using advanced remote sensing techniques and machine learning algorithms in the El Val reservoir (Arag´on), since it is classified as a -Sensitive Zoneand it is in a vulnerable and environmental risk situation. This paper presents the results of the validation of thermal images of the TIRS sensor on board the Landsat missions to obtain the surface temperature of the water, and the validation of optical images captured by the MSI sensor on board the Sentinel mission to obtain the turbidity and chlorophyll-a concentration between January 2018 and December 2022. In estimating temperature, the images have been calibrated with field data, obtaining a linear regression model (R2=0.98) with an error of 1 °C. For the estimation of chlorophyll-a and turbidity, the Decision Tree, Random Forest and SVM algorithms have been evaluated with automatic search for the best combination of hyperparameters and cross validation with 5 stratified partitions. In the estimation of chlorophyll-a, the performance of Decision Tree and Random Forest has been similar, explaining 88 % of the variance of the model and with errors between 10-15 mg/l. The models evaluated to estimate turbidity have not been able to adequately represent the behavior of the variable.

El seguiment de la qualitat de l'aigua és una prioritat per a les necessitats de proveïment i consum, i també per al bon funcionament dels ecosistemes naturals. En aquest treball s'estudia el potencial del monitoratge de paràmetres indicatius de la qualitat de l'aigua emprant tècniques avançades de teledetecció i algorismes d'aprenentatge automàtic en l'embassament El Val (Aragó), ja que està catalogat com a -Zona Sensible- i es troba en situació de vulnerabilitat i risc mediambiental. Aquest treball presenta els resultats de la validació d'imatges tèrmiques del sensor TIRS a bord de les missions Landsat per a obtenir la temperatura superficial de l'aigua, i la validació d'imatges òptiques capturades pel sensor MSI a bord de la missió Sentinel per a obtenir la terbolesa i concentració de clorofil·la-a entre gener de 2018 i desembre de 2022. En l'estimació de la temperatura, les imatges s'han calibrat amb les dades de camp aconseguint un model de regressió lineal (R2=0.98) amb error d'1 °C. Per a l'estimació de clorofil·la-a i terbolesa s'han avaluat els algorismes Decision Tree, Random Forest i SVM amb cerca automàtica de la millor combinació de hiperparàmetres i validació creuada amb 5 particions estratificades. En l'estimació de clorofil·la-a l'acompliment de Decision Tree i Random Forest ha estat similar explicant un 88% de la variància del model i amb errors entre els 10-15 mg/l. Els models avaluats per a estimar la terbolesa no han sabut representar el comportament de la variable de manera adequada.