Benutzer: Gast  Login
Originaltitel:
Monitoring Water Quality of Inland Waters by Remote Sensing and Machine Learning: From Local to Global Applications
Übersetzter Titel:
Überwachung der Wasserqualität von Binnengewässern durch Fernerkundung und Machine Learning: Von lokalen zu globalen Anwendungen
Autor:
Arias Rodriguez, Leonardo Francisco
Jahr:
2022
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Engineering and Design
Betreuer:
Disse, Markus (Prof. Dr.)
Gutachter:
Disse, Markus (Prof. Dr.); Duan, Zheng (Prof. Dr.); Helmreich, Brigitte (Prof. Dr. habil.)
Sprache:
en
Fachgebiet:
UMW Umweltschutz und Gesundheitsingenieurwesen
Stichworte:
Remote sensing, Water quality, Harmonize RS data, Machine learning, Global modelling
Übersetzte Stichworte:
Fernerkundung, Wasserqualität, Harmonisierung von RS-Daten, maschinelles Lernen, globale Modellierung
TU-Systematik:
BAU 650; UMW 300; BAU 651
Kurzfassung:
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.
Übersetzte Kurzfassung:
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
Eingereicht am:
04.07.2022
Mündliche Prüfung:
06.10.2022
Dateigröße:
187694724 bytes
Seiten:
166
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221006-1663203-1-1
Letzte Änderung:
09.01.2023
 BibTeX