Hidrológiai Közlöny, 2022 (102. évfolyam)
2022 / 1. szám
12 Hidrológiai Közlöny 2022. 102. évi. 1. szám Összefoglalva megállapítható, hogy mind a két itt közölt kiemelkedő modellt (a mély tanulás és a GPR 2(3)) tovább érdemes vizsgálni. Fontos lenne a modellek további tesztelése a Balatontól különböző, optikailag komplex vizeken is, ezzel biztosítva a modell robusztusságát. A GPR 2 (3) algoritmus további vizsgálata a modell belső mechanikájának felderítése miatt is javasolt, így elősegítve, hogy az MI „fekete doboz” jellege kiküszöbölésre kerüljön. Végezetül megemlítendő, hogy ezen modellek már atmoszférára korrigált adatra lettek tanítva, így az atmoszférás korrekciós algoritmusból származó esetleges hibák közvetve jelen vannak az algoritmusokban, vagyis a Balaton adatainak specifikus atmoszférikus kalibrációja is szükséges lehet a modellek megfelelő pontosságának elérése érdekében. Ez csak in-situ radiometrikus adat gyűjtésével érhető el. A jövőben javasolt ilyen típusú adatgyűjtés ahhoz, hogy a Balaton vízminősége magas megbízhatósággal megfigyelhető legyen műholdas technológia alkalmazásával. ÖSSZEFOGLALÁS Ez a tanulmány bemutatta, hogy a Balaton viszonyaihoz igazított és tanított MI algoritmusok segítségével megbecsülhető a víz a-klorofill tartalma műholdas adatokból. A felhasznált módszerek közül két modell emelkedett ki, a mély tanulás és a GPR 2 (3) algoritmus. Mindkét algoritmusnak vannak előnyei és hátrányai, de összességében elmondható, hogy az átlagostól eltérő adatok esetében is használhatóak, még az atmoszférás korrekció pontosságának vizsgálata nélkül is. Megállapítható továbbá, hogy a Ml elősegítheti a Balaton vízminőségének folyamatos megfigyelését műholdas adatok felhasználásával, feltételezve, hogy a tanított MI modellek helyesen vannak kalibrálva és a jövőben terepi mérésekkel validálva. KÖSZÖNETNYILVÁNÍTÁS A cikkben bemutatott kutatás az NKF1H K 135832 számú pályázatnak és a Nansen Legacy projekt (Norvég Kutatói Alap, A31161) támogatásával valósult meg. IRODALOMJEGYZÉK Mix, K, Pálffy, K, Tóth, R. V., Elloft, T (2018). Remote sensing of water quality parameters over Lake Balaton by using Sentinel-3 OLCI. Water, 10(10). Camps-Valls, G., Gómez-Chova, L., Munoz-Marí, J, Vila-Francés, J., Amorós-López, J., Calpe-Maravilla, J. (2006). Retrieval of oceanic chlorophyll concentration with relevance vector machines. Remote. Sens. Environ., 105, 23-33. Camps-Valls, G., Muhoz-Mari, J., Gómez-Chova, L., Calpe-Maravilla, J. (2009). Biophysical Parameter Estimation With a Semisupervised Support Vector Machine. IEEE Geosci. Remote. Sens. Lett., 6, 248-252. Hieronymi, M., Müller D., Doerffer R. (2017). The OLCI Neural Network Swarm (ONNS): A Bio-Geo-Optical Algorithm for Open Ocean and Coastal Waters. Front. Mar., 4(140). KDTV1Z1G (Közép-dunántúli Vízügyi Igazgatóság) (2019). Adatszolgáltatás Kwiatkowska, E. J„ Fargion, G. S. (2003). Application of Machine-Learning Techniques Toward the Creation of a Consistent and Calibrated Global Chlorophyll Concentration Baseline Dataset Using Remotely Sensed Ocean Color Data. IEEE Trans. Geosci. Remote. Sens., 41,2844-2860. Pasolli, L., Melgani, Blanzieri, E. (2010). Gaussian Process Regression for Estimating Chlorophyll Concentration in Subsurface Waters From Remote Sensing Data. IEEE Geosci. Remote. Sens. Lett., 7, 464^168. Rasmussen, C.E., Williams, C.K.I. (2006). Gaussian Process for Machine Learning; MIT Press: Cambridge, MA, USA Smola, A. J.. Schölkopf B. (2004). A tutorial on support vector regression. Stat. Comput., 14, 199-222. Zhan, H., Shi, P„ Chen, C. (2003). Retrieval of Oceanic Chlorophyll Concentration Using Support Vector Machines. IEEE Trans. Geosci. Remote. Sens., 41,2947-2951. A SZERZŐK BLIX KATALIN PhD fokozatát 2019-ben szerezte reál és technológia szakon az „UiT The Arctic University of Norway” egyetemen, ahol 2014 óta tudományos munkatárs. Kutatási területe sarki óceánok, optikailag komplex vizek és sarki tengerjég távérzékelése, gépi tanulás és mesterséges intelligencia algoritmus fejlesztés és alkalmazás. TÓTH R. VIKTOR PhD fokozatát 2001-ben szerezte terresztris ökológiából a Debreceni Egyetemen. 1998 óta a Balatoni Limnológiai Kutatóintézet munkatársa. Elsősorban magasabb rendű növények ökofiziológiájával, ökológiájával, limnológiával és távérzékelésével foglalkozik. MF1T tag, a Limnológiai Szakosztály volt titkára (2014-2018).
