Evaluación de algoritmos de aprendizaje automático para la determinación de parámetros de calidad del agua mediante teledetección
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 avanz...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2023 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/147355 |
| Acceso en línea: | http://hdl.handle.net/10609/147355 |
| Access Level: | acceso abierto |
| Palabra clave: | teledetección calidad del agua aprendizaje automático qualitat d'aigua teledetecció aprenentatge automàtic water quality remote sensing machine learning Big data -- TFM Dades massives -- TFM Datos masivos -- TFM |
| Sumario: | 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. |
|---|