Monitoring Water Quality of Inland Waters by Remote Sensing and Machine Learning: From Local to Global Applications

Arias Rodriguez, Leonardo Francisco

TUM School of Engineering and Design

Back
Back to start of result list
Permanent link for displayed object

If you experience problems opening the document, please try this link.

Original title:: Monitoring Water Quality of Inland Waters by Remote Sensing and Machine Learning: From Local to Global Applications
Translated title:: Überwachung der Wasserqualität von Binnengewässern durch Fernerkundung und Machine Learning: Von lokalen zu globalen Anwendungen
Author:: Arias Rodriguez, Leonardo Francisco
Year:: 2022
Document type:: Dissertation
Faculty/School:: TUM School of Engineering and Design
Advisor:: Disse, Markus (Prof. Dr.)
Referee:: Disse, Markus (Prof. Dr.); Duan, Zheng (Prof. Dr.); Helmreich, Brigitte (Prof. Dr. habil.)
Language:: en
Subject group:: UMW Umweltschutz und Gesundheitsingenieurwesen
Keywords:: Remote sensing, Water quality, Harmonize RS data, Machine learning, Global modelling
Translated keywords:: Fernerkundung, Wasserqualität, Harmonisierung von RS-Daten, maschinelles Lernen, globale Modellierung
TUM classification:: BAU 650; UMW 300; BAU 651
Abstract:: Modeling water quality is supported in inland waters by remote sensing data and machine learning algorithms. Several locations are evaluated: the field data of the monitoring system in Mexico, the Danube River water measurements and a global application that comprises the available measurements around the world. The results allow substantial improvement of conventional monitoring in spatial and temporal scales identify challenges as atmospheric correction and data availability.
Translated abstract:: Die Simulation der Wasserqualität in Binnengewässern wird durch Fernerkundungsdaten und Algorithmen des Machine Learning ergänzt. Es werden mehrere Orte evaluiert: Felddaten des Überwachungssystems in Mexiko, Messungen an der Donau und eine globale Anwendung, die die verfügbaren Daten aus aller Welt umfasst. Die Ergebnisse lassen erhebliche Verbesserung der konventionellen Überwachung in räumlicher und zeitlicher Hinsicht zu und zeigen Probleme wie Bild Korrektur und Datenverfügbarkeit auf.
WWW:: https://mediatum.ub.tum.de/?id=1663203
Date of submission:: 04.07.2022
Oral examination:: 06.10.2022
File size:: 187694724 bytes
Pages:: 166
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221006-1663203-1-1
Last change:: 09.01.2023
BibTeX