Login
- 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