Estimation of Suspended Sediment Concentration by M5 Model Tree Based on Hydrological and Moderate Resolution Imaging Spectroradiometer (MODIS) Data

Zahiri, Javad; Mollaee, Zeynab; Ansari, Mohammad Reza

doi:10.1007/s11269-020-02577-6

Cited by 10 publications

(3 citation statements)

References 22 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Hence, the utilization of satellite imagery for monitoring suspending sediment concentration in coastal and ocean waters is particularly significant in distance settings and complex environments where the presence of monitoring stations is limited [44]. In addition, satellite remote sensing can serve as a swift and costeffective alternative for evaluating suspended sediment concentration not just in rivers and river deltas, but also in oceans and seas [45,46].…”

Section: Introductionmentioning

confidence: 99%

Mid-Term Monitoring of Suspended Sediment Plumes of Greek Rivers Using Moderate Resolution Imaging Spectroradiometer (MODIS) Imagery

Karalis,

Karymbalis,

Tsanakas

2023

Remote Sensing

View full text Add to dashboard Cite

This study focuses on the suspended sediment delivery of 17 rivers and streams of various sizes to the sea over a wide geographical area covering most of the Greek peninsula, utilizing two Moderate Resolution Imaging Spectroradiometer (MODIS) products. Equal-area polygons (“plume” polygons), were delineated at the mouths of each selected river. These polygons were utilized to estimate the suspended sediment load of each river through the application of suspended sediment indices, ratios, and masks. To achieve this, 669 Level 1B MODIS images (MOD02) and their corresponding MODIS cloud products (MOD35) were downloaded and processed for a 10-water-year period (2004–2014). During this period of 669 days, there were 58 flood events (episodes) ranging in duration from 5 to 45 days. Relative atmospheric correction was applied to the images based on four selected bright invariant areas (PIFs) scattered along mainland Greece. The second product used in this study was MOD09Q1, an atmospherically corrected 8-day composite processed for the entire record period (2000–2019). Suspended sediment indices, ratios, and masks were developed using all three visible channels and near-infrared (NIR) for the MOD02 dataset, while only Red and Near-InfraRed (NIR) channels were available from the MOD09Q dataset. The resulting rankings from the remote sensing analysis were compared with the predictions of soil loss models, and the outcomes were largely consistent. While the remote sensing results can be considered as a type of experimental data or measurements, they come with inherent limitations. These include infrequent access to cloud-free data on stormy days, the influence of wind and currents, and the potential impact of dust storms originating from Africa, among others. On the other hand, soil loss models are sensitive to the parameter values used, and in some cases, the uncertainties are significant. Hence, the ranking derived from remote sensing can serve as a calibration of the models, particularly for the BQART model, which provides information on the catchment’s sink capacity. An index of “sediment productivity per square kilometer and mm of rainfall” was developed. This index can be considered a “sediment delivery ratio” and is crucial for accurately quantifying the phenomenon.

show abstract

Section: Introductionmentioning

confidence: 99%

Mid-Term Monitoring of Suspended Sediment Plumes of Greek Rivers Using Moderate Resolution Imaging Spectroradiometer (MODIS) Imagery

Karalis,

Karymbalis,

Tsanakas

2023

Remote Sensing

View full text Add to dashboard Cite

show abstract

“…A CSS está relacionada, principalmente, com as bandas da região do espectro visível e infravermelho próximo, isso devido ao elevado coeficiente de absorção da água em comprimentos de onda acima de 750 nm (BARBOSA; NOVO; MARTINS, 2019). Diversos trabalhos têm obtido resultados promissores no monitoramento da CSS em grandes rios, utilizando principalmente o sensor Moderate Resolution Imaging Spectoradiometer (MODIS) a bordo dos satélites AQUA e TERRA do programa Earth Observation System (EOS) (MARTINEZ et al, 2009;LATRUBESSE, 2014LATRUBESSE, , 2015ESPINOZA-VILLAR et al, 2018;MARINHO et al, 2018;GALLAY et al, 2019;ZAHIRI;MOLLAEE;ANSARI, 2020).…”

Section: Introductionunclassified

“…Os dados observados da CSS demonstram que o monitoramento do fluxo de sedimentos por meio de sensoriamento remoto orbital teve boa representação da dinâmica dos sedimentos na calha do rio Doce. Os resultados obtidos no presente trabalho são corroborados por diversos outros estudos utilizando sensoriamento remoto orbital, nos quais foram observadas forte relação entre os dados observados da CSS com os dados estimados por satélites(MARTINEZ et al, 2009;LATRUBESSE, 2014LATRUBESSE, , 2015 ESPINOZA-VILLAR et al, 2018;MARINHO et al, 2018;GALLAY et al, 2019;ZAHIRI;MOLLAEE;ANSARI, 2020).A grande vantagem da utilização de sensoriamento remoto orbital consiste na obtenção da variação da CSS ao longo da calha do rio e não somente em um único ponto, como é o caso das estações sedimentométricas. Além disso, nota-se que nem sempre é possível observar a relação entre a CSS e vazão fluvial, a qual é utilizada para gerar a curva chave de sedimentos(POLETO, 2018;.…”

unclassified

Modelagem temporal e espacial da concentração superficial de sedimentos utilizando sensoriamento remoto orbital e aprendizado de máquina

Aires¹

View full text Add to dashboard Cite

Entender a dinâmica da produção, transporte e deposição de sedimentos é de interesse em diversas áreas do conhecimento, pois a concentração de sedimentos em corpos hídricos é a principal causa de problemas relacionados com a qualidade da água, assoreamento de rios e reservatórios. No entanto, a medição em campo desta informação é bastante trabalhosa, o que dificulta a obtenção de bases de dados detalhadas e contínuas. Desta forma, o objetivo deste trabalho é modelar a variação temporal e espacial da concentração superficial de sedimentos (CSS) na bacia hidrográfica do rio Doce utilizando sensoriamento remoto orbital e modelos de aprendizado de máquina. A modelagem da CSS foi realizada a partir de duas metodologias distintas. A primeira abordou a utilização de sensoriamento remoto, em que foram utilizadas imagens orbitais dos sensores da contestação MultiSpectral Instrument (MSI)/Sentinel 2 e Operational Land Imager/(OLI) Landsat 8. Estabeleceu-se relação entre a refletância estimada pelos satélites com a CSS observada em campo medidas pela Agência Nacional de Águas e Saneamento (ANA) e pela Fundação Renova, por meio dos modelos regressão linear simples e múltipla (RLS e RLM), least absolute shrinkage and selection operator (LASSO) e elastic net. A segunda metodologia abordou a aplicação de modelos baseados em aprendizado de máquina, em que se utilizou dados históricos da medição da CSS realizada pela ANA em sete estações sedimentométricas instaladas ao longo da calha do rio Doce. Para a predição CSS foram utilizadas 62 variáveis preditoras derivadas das informações de declividade, pedologia, uso e cobertura da terra, precipitação, vazão fluvial, velocidade fluvial, evapotranspiração real, escoamento superficial, umidade do solo, temperatura e normalized difference vegetation index. Os seguintes algoritmos de aprendizado de máquina foram utilizados: random forest (RF), cubist, support vector machines (SVMs), extreme gradient boosting machine (XGboost) e regressão LASSO. Nas duas metodologias foram utilizadas a validação cruzada leave-one-out para o treinamento e testes dos modelos. As métricas adotadas para avaliação de desempenho foram erro médio absoluto (MAE), raiz do erro médio quadrático (RMSE), porcentagem do viés (PBIAS), coeficiente de Nash–Sutcliffe (NSE), índice de concordância de Willmot (d), coeficiente de determinação (R²), coeficiente de Kling-Gupta (KGE) e índice de eficiência (c). A banda do infravermelho próximo apresentou forte relação linear com a CSS, tanto utilizando o satélite MSI/Sentinel 2, quanto o OLI/Landsat 8. Dentre os modelos de regressão linear que utilizam múltiplas variáveis, a regressão linear múltipla, as regressões LASSO e Elastic Net apresentaram bom desempenho para a predição da CSS. Entretanto, a regressão LASSO e Elastitic Net facilitam na definição do conjunto ótimo de variáveis. Os mapas de fluxos de sedimentos indicam redução da CSS na calha do rio Doce em anos mais recentes, o que pode ser indicativo de que parte do material oriundo do rompimento da barragem de rejeitos de Fundão, em 2015, pode ter sido carreado pelos processos de ressuspensão e transporte de sedimentos. Bons resultados foram obtidos com a utilização de algoritmos de aprendizado de máquina para a predição da CSS na bacia hidrográfica do rio Doce, com destaque para os modelos cubist e XGBoost, que apresentaram o menor erro de predição e métricas de eficiência mais elevadas. As variáveis mais importantes para os modelos de predição se configuraram nas vazões fluviais diárias da data da coleta dos sedimentos e as vazões defasadas no tempo. A precipitação média diária acumulada também foi importante na modelagem dos sedimentos. A utilização dos modelos de aprendizado de máquina pode ser de grande auxílio para o monitoramento dos sedimentos, e servir como ferramenta para entender a dinâmica da produção de sedimentos na bacia hidrográfica do rio do Doce ao longo do tempo. Palavras-chave: Sentinel 2 e Landsat 8. Modelagem hidrossedimentológica. Aprendizado supervisionado. Barragem de rejeitos de Fundão.

show abstract

Neurocomputing intelligence models for lakes water level forecasting: a comprehensive review

Demir

Yaseen‬‬‬‬‬‬‬‬‬‬‬‬‬‬‬‬

2022

Neural Comput & Applic

View full text Add to dashboard Cite

Estimation of Suspended Sediment Concentration by M5 Model Tree Based on Hydrological and Moderate Resolution Imaging Spectroradiometer (MODIS) Data

Cited by 10 publications

References 22 publications

Mid-Term Monitoring of Suspended Sediment Plumes of Greek Rivers Using Moderate Resolution Imaging Spectroradiometer (MODIS) Imagery

Mid-Term Monitoring of Suspended Sediment Plumes of Greek Rivers Using Moderate Resolution Imaging Spectroradiometer (MODIS) Imagery

Modelagem temporal e espacial da concentração superficial de sedimentos utilizando sensoriamento remoto orbital e aprendizado de máquina

Neurocomputing intelligence models for lakes water level forecasting: a comprehensive review

Contact Info

Product

Resources

About