Hidrológiai Közlöny, 2022 (102. évfolyam)
2022 / 1. szám
6 Hidrológiai Közlöny 2022. 102. évf. 1. szám Gépi tanulás módszerek a Balaton távérzékelésében Blix Katalin* és Tóth R. Viktor** *Department of Physics and Technology, UiT The Arctic University of Norway, Tromso, Norway ** Balatoni Limnológiai Kutatóintézet, Tihany, Magyarország (E-mail: katalin.blix@uit.no, toth.viktor@blki.hu) Kivonat A nagy területű tavak vízminőségének szinoptikus megfigyelése effektiven csak távérzékeléssel valósítható meg. A műholdas távérzékelés pontossága nem közelíti meg az analitikai módszerek precízióját, azonban a gépi tanulás és a mesterséges intelligencia fejlődése számottevően javíthat a módszer használhatóságán. A műholdas érzékelők és a vízi környezet típusától függően a víz klorofill tartalom, vagyis az algabiomassza meghatározására számos modell létezik. Ez a tanulmány bemutatja a mesterséges intelligencia algoritmusok egy csoportjának a használhatóságát. A vizsgálataink felmérték az alkalmazott algoritmusok pontosságát a Balaton vízminőségének műholdas meghatározása esetében. A vizsgálataink szerint a balatoni műholdas adatsorokra és viszonyokra szabott mély tanulás neurális háló, illetve a mesterséges intelligenciával (explainable Artificial Intelligence - XAI) javított Gauss-folyamat regresszió bizonyultak a legjobb módszereknek a Balaton a-klorofill koncentrációjának becslésére. Ezen modelleknek a vizsgált statisztikai értékei (átlag abszolút hiba, regressziós korrelációs együttható, a tanuláshoz használt idő, az előrejelzéshez szükséges idő) kiemelkedőek voltak, illetve a használatóságuk tágabb időkeretekre is kiterjeszthető volt, így az algoritmusok a 2019-es, extrém balatoni algavirágzás adataira is alkalmazhatónak bizonyultak. Kulcsszavak Mesterséges intelligencia, gépi tanulás, Balaton, a-klorofill, műholdas megfigyelés.__________________________________________ Machine learning methods for remote sensing of Lake Balaton Abstract Satellite technology enabled the large-scale continuous monitoring of various water quality parameters globally. One of the most important parameters that can be estimated from satellite derived data is Chlorophyll-a (Chl-a). There are numerous models for Chl-a retrieval depending on the spacebome sensor and type of aquatic environment. Most methods are based on relating the so-called Remote sensing reflectance (Rrs) to Chl-a concentrations. The parameters Rrs describes the water leaving radiance that contains the information about the optical properties of the water bodies. In open oceans and clear waters, the ratio of the Rrs on certain spectral bands are used in empirical models to estimate Chl-a content. In optically complex waters, such as coastal and inland waters, these empirical band ratio models fail. Alternative approaches including the powerful machine learning methods have been introduced for Chl-a content estimation in optically complex waters. Lake Balaton shows various degree of optical complexity; therefore, it is not straight-forward, which method should be applied. This work evaluates three popular machine learning methods for estimating Chl-a content from remotely sensed data in Lake Balaton. These methods are the Support Vector Machine (SVM), Neural Nets (NN) and deep learning and the Gaussian Process Regression (GPR). The results indicate that both the deep learning and GPR performs well. Both methods have different advantageous properties, for instance explainability and certainty in case of the GPR, while computational efficiency in case of deep learning. The performance of the methods was studied on an extreme algal bloom event, which occurred in 2019. Both algorithms indicated more reliable estimation of Chl-a content than the default algorithm. Keywords Artificial intelligence, machine learning, Balaton, chlorophyll-a, satellite remote sensing. BEVEZETÉS A műholdas megfigyelés és az arra alapozott technológiák lehetővé teszik nagy területek folyamatos és szinoptikus megfigyelését, így elvben a módszer használható pl. a Balaton vízminőségének meghatározására. A műholdas technológia öt évtizedes használata során több vízminőséget leíró paramétert is sikerült kidolgozni. így a műholdon lévő műszer által gyűjtött adatokból, különböző algoritmusok felhasználásával sikerült meghatározni a víz a-klorofill tartalmát, a víztest lebegőanyag koncentrációját és más fontos paramétert. Az optikailag komplex vizekben (pl. könnyen felkavarodó, eutrof tavak, tengerek partmenti régiói stb.) több optikailag aktív elem (algák, oldott vagy oldatlan szerves és szervetlen anyagok stb.) befolyásolja a visszaverődő fény mennyiségi és minőségi összetételét, így a távérzékeléssel rögzített adatokból a sekély tavak, illetve a folyók vízminőségi paramétereinek meghatározása rendszerint nehéz feladat. Ehhez gyakran a mesterséges intelligencia (MI) algoritmusokat hívják segítségül. A vízminőségi paraméterek, így a a-klorofill koncentrációjának (algabiomassza) kiszámításához többek között a Sentinel- 3 Ocean and Land Color Instrument (S3 OLCI) érzékelőjének adatait használhatjuk. Erre egy általános víztest adatra tanított Ml algoritmus, az úgynevezett Case 2 Regional Coast Colour (C2RCC) processzora használható. Azonban ez az algoritmus esetenként hibás eredményeket produkálhat (Blix és társai 2018). Ez többek között magára az algoritmusra (a modell kimondottan turbid vizekre lett kidolgozva), illetve a Balaton vízének jellegzetességére vezethető vissza. Ugyanis a Balaton időben és térben változó optikai komplexitást mutat, pl. jellemző rá a DNY - ÉK trofíkus gradiens, a területileg specifikus színes szervesanyag tartalom és felkeveredési mintázatok, de felosztható a tó mezo-oligotróf, illetve eutróf időszakokra is. Ennél fogva a Balatonra a kimondottan felkeveredett vagy nyílt óceánokra kidolgozott standard algoritmusok csak
