Hidrológiai Közlöny, 2022 (102. évfolyam)
2022 / 1. szám
Blix K., Tóth R. V.: Gépi tanulás módszerek a Balaton távérzékelésében 11 4. ábra. A Sentinel-3 OLCI adatokból C2RCC (A) és mély tanulás (B) algoritmusokkal becsült balatoni víz a-klorofill (mg/m3) értékek 2019.09.05-én az összes elérhető csatorna felhasználásával Figure 4. Predicted Chlorophyll-a content (mg/m3) by using the C2RCC (A) and deep learning (B) algorithms to data acquired by Sentinel- 3 OLCI on the 5,h of September 2019. All channels were used 5. ábra. A Sentinel-3 OLCI adatokból GPR (A) és mély tanulás (B) algoritmusokkal becsült balatoni víz a-klorofill (mg/m3) értékek 2019.09.05-én, 3 csatorna (443, 665 és 671 nm) felhasználásával Figure 5. Predicted Chlorophyll-a content (mg/m3) by using the GPR (A) and deep learning (B) algorithms to data acquired by Sentinel- 3 OLCI on the 5th of September 2019. Only selected channels (443, 665 és 671 nm) were used Következtetések és javaslatok A tanulmányunkban vizsgált algoritmusok közül két modell emelkedett ki regresszió tekintetében. Az egyik a mély tanulás algoritmus volt, mely az összes elérhető (11) csatornát használta a regressziós folyamatban. Ezen modellre kaptuk a legjobb regressziós statisztikákat. Ugyanakkor észrevehető, hogy a többi algoritmushoz viszonyítva a tanításhoz használt idő közepes (7,4 s) és a predikcióhoz szükséges idő (18 000 megfigyelés/s) a legkevésbé megfelelő. A modellel jól meg lehet becsülni a magas a-klorofill értékeket, ami ígéretes, tekintettel arra, hogy a tanító, 2017- es adatsorban található maximum a-klorofill koncentráció 60 mg/m3 volt. Jó volt a modell diszkriminációs képessége is, hiszen helyesen becsülte meg a Balatonban megfigyelhető nyugat-keleti trofikus gradienst (4. ábra). Ugyanakkor a módszer helytelenül becsülte meg a közepes a-klorofill értékekhez társított reflektanciákat, így a modell a Balaton középső részéhez magas a-klorofill koncentrációkat társított. A másik kiemelkedő algoritmus a GPR 2 (3) modell volt. A módszer 3 hullámhossz-csatornát használt a a-klorofill becslésére, ahogy már egy korábbi közleményben is jelezték (Blix és társai 2018). A modell kiemelkedő predikciós idővel jellemezhető, hiszen nagy mennyiségű adatot (39 000 megfigyelés/s) tud megbecsülni, amihez közepes (7,9 s) tanítási idő párosul. Ezen modell sikeresen becsülte meg a a-klorofill koncentrációkat a trofikus gradiens mentén. Azonban a modell az új input adat alapján sem tudott magasabb értékeket becsülni, mint amit tanult (maximum 60 mg/m3).
