软件影响15（2023）100482原创软件PublicationABD：一款基于智能的机器代数云探测器，用于遥感图像彼得·恩里克M。亚拿尼亚A，B，罗杰里奥G。Negria，b，*，Adriano Bressanea，c，Marilaine Colnagod，拉丁文：外套外套而且aSão Paulo State University（UNESP），圣若泽多斯坎波斯，圣保罗，巴西bGraduate Program in Natural Disasters（UNESP/CEMADEN），圣保罗，巴西CCivil and Environmental Engineering Graduate Program（UNESP），Bauru，巴西dSão Paulo State University（UNESP），Araraquara，圣保罗，巴西SãoPaulo State University（UNESP），圣若泽杜里奥普雷图，圣保罗，巴西A R T I C L E I N F O我不英文名称：Algal bloomRemoteSensingSpectral indexMachine Learning机器学习Code元数据A B S T R A C T T T本 文 提出 了 一 个 新的 方 法 ， 用 于检 测 水 中 环境 中 的 藻 类异 常 ， 由 使 用远 程 传 感 图像 系 列 。The designedmethodology provides a robust and accurate algorithm as an alternative to typical algal bloom detection methods（英语：The designed methodology）提供了一个机器人和正确的算法作为一种替代算法来计算算法。技术性更强，只能输入一个图像时间序列，一个完全自动化的数据驱动的程序输入预处理和功能提取过程已经消失，whichmodel a intelligent-based machines classifier of detecting algal blooms.最后，拉斯特利，Algal Insurgence地图是由传递到一个普通的图像taken在一个即时的interest的类生产。当前代码版本v1Permanent link to code/repository used for this code versionhttps://github.com/SoftwareImpacts/SIMPAC-2023-10Permanent link to Reproducible Capsulehttps://codeocean.com/capsule/3090790/tree/v1MIT法律代码许可Code versioning system used git代码版本系统使用Software code languages，tools，and services used Python and Google Earth Engine enabled account使用的Python和 Google地球引擎启用帐号Compilation requirements，operating environments dependencies Python（≥3.7.7，<3.10）64-bit; Google Earth Engine已启用账号If available Link to developerdocumentation/手册Not provided如果有链接到开发者文档支持电子邮件，问题pedro. unesp.br1. 导言有些研究是科学界经常讨论的话题，研究了许多最近的研究，并导致了它们对普通生活和社会的在面对环境时--这种退化和最近的气候变化，控制某些因素导致了对人类的挑战。地球观察通过卫星和远程感测图像Allows同时定量，定性和时间评估的代数块，使房间开发新算法与苏奇一个issue进行copeThreshold-based schemes built by manipulating spectral indiceshave been as a very flexible approach for algal bloom detection根据实际操作系统建立的索引已经使用了作为一个非常监控（2Despite the simplicity of use and versatility，threshold-basedmethods tend to produce a concreable amity of false positive/negativeoccurrence [ 6 ].抛弃使用和真实性的简单性，以threshold-based方法倾向于生产一个可比较的假正/负性occurrences [6]。Such an issue issuetypically occurs due to the variations in atmospheric conditions andacquisition instru- ments that may influence the targets' response.在大气条件下，对变量的选择进行排序，并对目标的反应进行评估。作为结果，更多的认同和robust战略的使用是需要的，such为非线性或非固定的基于股权的方案.考 虑 对 检 测 新 工 具 和 技 术 的 需 求 -ing and monitoring algalinsurgence events ， this paper proposes an effective and highlycustomizable alternative that is not limited to the straightforwardapplication of spectral indices and private set.（这篇文章是一个有效的和高度可定制的替代方案，不是有限的，以推动应用的光谱和特定的指数） of thresholds as found in the literature，but rather uses Machine（在文献中找到了但是父亲使用机器）这篇文章中的代码（和数据）已经被证明是代码海洋的可复制品：（https://codeocean.com/）。More information on重复性Badge Initiative是可用的在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals。*Corresponding author at：São Paulo State University（UNESP），圣若泽多斯坎波斯，圣保罗，巴西.电子邮件addresses：pedro. unesp.br（P.H.M.）Ananias），roberio. unesp.br（R.G.）Negri），adriano. unesp.br（A。作者：marilaine. unesp.br（M. M. P.）Colnago），wallace. unesp.br（W。外套）。Contents lists available atScienceDirect软件影响journal主页：www.journals.elsevier.com/software-impactshttps://doi.org/10.1016/j.simpa.2023.100482已收到9一月2023;已收到revised form 26一月2023;已接受11二月20232019 - 05 - 26作者（The Author）Elsevier B. V. This是CC BY许可下的开放访问文章（http://creativecommons.org/licenses/by/4.0/）。P. H. M 安德里亚，R. G。黑人，A。布雷希和阿尔。软件影响15（2023）1004822[]⋃������������������（）哪里ALearning-based models trained on specific features taken from theanalyzed region and period of interest.学习基于模型的训练来自分析区域和兴趣周期的特定功能。实验证明Demonstrate That云计算趋势与平均趋势减去Such a process is formally expressed by：这个过程是由以下方式表达的：Our implementation outperforms typical threshold-based methods for我们的实现实现基于物理的方法(���)∶=(( ���)− ̃)⊗̄( ���)⊗（���1，���1，，1）#21487;的精确性和稳定性[7]。2. 基于Threshold-based的方法用于藻类出血检测2.1. 基本概念Let be an image remotely sessed by a sensor whose pixels���∈⊂N2 are associated to a dimensional attribute vector（相关） =第 五 ， ���Assuming that a given set of images comprises atimeserieswithdistincttempstakenfromthesamespatialdomain，notation，= 1，���2.2. Spectral Indies and Algal Bloom Detection（英语：Spectral Indies andAlgal Bloom Detection）Spectral indices allow the extraction and analysis of remote sens-ing data.（光谱指标会降低提取和分析数据）他们可以支持特定功能的特 征 扩 散 超 过 图 像 。 Spectral indices are computed from algebraicoperations on the feature vector assigned with every pixel of （ ）Spectral indices are computed from algebraic operations on the featurevector assigned with every pixelof（）.（频谱指标是从代数操作系统中计算出来的）。���常见差异植被指数（英语：Normalized Difference Vegetation Index其中，'-'和'destiny' denote the matrix subtraction and the lement-wise multiplication，分别; and（）isthe reverse of mask（）.分别是矩阵减函数和放大倍数。Noticethatinouralgorithm ， thecombineduseofNDVIadFAI indies （seeSection2.2 ） allowstheextraction ofrelportantfeaturesfrommultitemporal image according to EQ.在我们算法中，t e combined使用NDVI ad������第一个在"The Identification of Algal Blooms in a Scalableand Transient Fashion"的论坛里发言11.一次只能计算时间序列的所有像 素 ， 一 次 只 能 计 算 时 间 序 列 的 所 有 像 素 ， 一 次 训 练 集 is thenautomatically created so that it gather both regular and anomalyexamples when the values���{ NDVI，FAI} fall hin the ranges[]������������������������__������������������最后，基于机器的学习分类是从建立，which is applied on eachpositionin（ ��� ） to map algal blooms。In our formulation，the One-class Support Vector Machine （ OC-SVM ） [8] and Random Forest（RF ） [9] methods are taken as Potential classifiers to detect algaloccurrence [ 9]在我们的公式中，支持向量机（OC-SVM）[8 ]和随机森林（RF）[9]方法是用来检测代数密度的潜在类。分类参数的调谐参数被选择通过随机搜索策略，使其可能的便利决策规则来捕获代数对跟踪指标行为的可能性。definedby（）（）=���，，���������������������������������As the output from our computational code，maps generated in计算代码生成的地图生成tothetarge tbehaviora���t���posi+tionandinstantw.r.t.向塔be h飞行员at���p o s i + t i���oo������������n和立即w.r.t. Thenear-infrared and red wavelengths，Zhao [2]假设一个人的描述Tagged Image File Format（TIFF）and GeoJSON forms classify thebody region between algal（anomaly）and water（regular）objects.标记图像文件格式（TIFF）和GeoJSON格式对代数（异常）和水（常规）对象之间的水区域进行分类。algal bloom when(���)(���) suppresses−0.15.类似的，Jia et al。（5）区 分 代 数 -- The FAI spectral index for an image（） at position���isrepresentedby（������）=������+������������������∶−������∶������×，4. 软件描述The Python [10] programming language was used to emplement使用的语言-infraredwave���lengt−h���;������∶11、【11】【12】【11】【12】【11】【12】【11】【12】【11】【22】【11】【21】【第一名，第二名，第二名，中间点，and wavelength bands，分别。3. 机器学习算法Bloom Detection推荐算法，Algal Bloom Detector（简称ABD），具有二进制远程感知数据，图像处理技术和机器学习概念，高效框架，如图中的总结。 1.我们从假定一个图像系列购买开始：（i）一个包含水身体的感兴趣区域;（ii）一个跨度，概述了图像系列的周期;和（iii）一个即时的兴趣，什么目标被检测并塑造了这些藻类血。该图像系列具有特定空间，空间和辐射分辨率是从一个given远程传感器，选择符合最终用户需求。The obtained series，arranged in temporal ordering，is mathemati（相关）callyrepresented by（ 1 ）， ���������������，（），where（）references to themost recent instant，and（），≤，expressions a given instant .请注意，请点击此处查看原文。这两个周期之间的差异是（1）和（1���），这两个周期的差异是不同的。Additionally，for each image from the generated data collection，masksare built so to desellate the water bodies and the presence.（补充说明，对于一般数据收集的each图像，masks是这样建立的，以概述水身体和存在）云/阴影当前位置：首页>>云计算>云计算时代的阴影已过时间，这是必要的，以确定指导1、（）（，）（）������英文名：In Contrast，the Region Comparising操纵任务。The Scikit-Learn [13] library was also employed（英语：Library was also employed）训练机器学习类（Machine Learning-based classiers）首页>外文书>人文>科普> As a Useful and Effective Way to Accessthe Satellite Image Series Google地球引擎平台是整合作为默认输入数据源的proposed algorithm。这是通过使用Python lan- guage（GEE-API）的应用程序编程接口有效地执行的[7]。无源，替代数据源也可以成功地为我们的代码提供真正的数据5. 影响Impact关注减少酗酒和其警告效应的挑战，与健康或经济损失有关的挑战，它是检测和追踪苏克事件的重要指标。西弗勒斯在科学文献面对问题 时 ， 用 基 于 指 数 的 观 点 来 进 行 论 证 [2 有 时 候 ， 什 至 需 要使 用Straightforward，threshold-based methods通常被排除/包含检测错误。Such errors can substantially increase a function of input data andstudy region（Such errors can substantially increase as a function ofinput data and study region）（Such errors can substantially increaseas a function of the input data and study region）（Such errors cansubstantially increase as a function of the input data and studyregion）（Such errors can substantially increase）（Such errors）是一个输入数据和学习区域的函数。algal blooms detection，surpassing classic methods in terms的问题;xx目的地在短浪中的回应建议algorithm。Additionally，functions and Routines provided添加，功能和路由提供P. H. M 安德里亚，R. G。黑人，A。布雷希和阿尔。软件影响15（2023）1004823In order to overcome the above-discused issues ， the proposedalgorithm was designed to be a robust，very accurate，and easy-to-use alternative for mapping algal blooms from any remote sensingimages在滥用争议问题，建议的算法就是为成为一个机器人，每一个Accurate和easy-to-use alternativefor mapping algal blooms from anyremote源。·莫鲁夫，我们的方法实现愿望，提高检测错误TheWatandrbodyisdefinedby asinglemask.（在这里你可以看到一个面具）���������.从Masks Caring the Regions affected by Cloud/ Shadows的集合开始，我们计算了整个系列，计算了媒体信息造成的错过的数据。对于数学和计算简单性的结论，我们确定了平均图像whose属性vectors与each位置代表平均值的each属性超过所考虑的时间系列。By taking the initial time series and its supporting data（最初的时间系列及其支持数据）Masks and median image），the images arefiltered out to keep the water body ， followed by the correction oftarget spectral response with the removal.（图像被过滤掉了，保持了水的身体，跟着改正目标的光谱与removal反应）输入数据和兴趣区域的调整6. 影响，限制和未来工作在[7]，测试覆盖Landsat−8 OLI和Terra MODIS传感器的理解性抨击，作为严重的区域和周期，导致对拟议方法的强大性的The ob- tainedresultswerecomparedagainstwell-establishedthreshold-basedapproaches based on NDVI and FAI indies [2，5]，and the responsiveperformances were measured in terms of kappa coefficient，overall相关的表现是针对以下方面的：P. H. M 安德里亚，R. G。黑人，A。布雷希和阿尔。软件影响15（2023）1004824ph. 1。 工作流算法The ProposedAlgorithmaccuracy，和F1-Score。广泛的参考样本是计算结果的重要因素。该实验结果显示，当使用的OC-SVM分类器，我们的方法实现最高平均水平kappa 的有效性，overall accuracy，和F1-Score 值，即，68%，87%和86%;反对28%，67%和57%由NDVI-Driven反应;和-4%，53% 和46% 由FAI-Driven 方法。Furthermore ，it was observed thatboth with- petitors overestimates the non-occurrence of algal blooms.（更进一步地说，它服务于那个孩子）Regular Regions）。这是增加到OC-SVM和RF ones使用我们的原始methodol- ogy [7]其他机器学习模型的高度增加，可能还包括classifiers。我们的公式化的特别局限性是只有两个典型的指标是当建模我们的决策规则时才会出现。Despite this ， other well-established spectral indices apart from theNDVI and FAI ones can be used to increase the capability of ourapproach in discriminating algal bloom patterns in image time series.除此之外，其他人从NDVI和FAI的人可以被使用，以增加我们的能力歧视algal bloom模式在图像时间序列。Considering the Above-mentionedIssues，future work will focus on：（i）a new battery of tests coveringother multispectral sensors and study regions; （ ii ） a performanceanalysis of new classification models beyond OC-SVM and RF; and（ iii ） the assessment of additional stral indicies as part of themodeling process.（在某些情况下，未来的工作将集中于以下几个方面 ） ： （ i ） a new battery analysis of new classifixes beyondmodelsoftware，（在一个测试基准上的新的基准测试中，包括多指标的一部分）。投资利益声明作者声明，他们没有任何已知的有限利益或个人关系的能力，可能已经影响了本文中报道的工作Acknowledgments的This research was funded by the São Paulo Research Foundation（FAPESP），巴西，grants 2021/01305-6 and 2021/03328-3，andNA- tional Council for Scientific and Technological Development（CNPq），巴西，grant 316228/2021-4.References的[1]H.- S. Yi ， S 。 公 园 ， K 。 G. An ， K.- C. Kwak ， Algal bloom prediction usingextremelearning model at artificial weirs in the Nakdong River，Korea，Int. J.，2009年，作者：进。雷。Publal。Health 15（10）（2018）2078。[2] D.赵：《从AVHRR检测中国东海中的藻滴的应用：海洋遥感和应用》，第4892卷，国际光学与光子学学会，2003年，第 1 1 页。241-246号[3] S. Mishra，D. R。Mishra，标准化差异氯氯代费尔指数：远程估计氯代费尔的一种新型方法-涡轮生产性waters，远程Sens. Environ的浓度。117（2012），394-406。[4] Y。Zhang，R。但是，H。杜安，S.A. Loiselle，J. Xu，M. 2011年，出版了《Anovel algorithm toestimate algal bloom coverage to subpixel resolution in LakeTaihu》。TOP. Apple。美国Earth ObsRemote Sense。7（2014）3060[5] T.加油吧X Zhang，R。Dong，长期空间和时间监测cyanobacteria blooms使用谷 歌 地 球 引 擎 的 MODIS ： 在 TaihuLake ， Remote Sense 的 案 例 研 究 。 2019（2019）2269。[6] K.施，Y。Zhang，B。秦，乙。《地球生物钟》的英文名是：Remote Sensing ofCyanobacterialBloomsinLandWaters：PresentKnowledgeandFutureChallenges。Bull. （2019年）。[7] P. H. M 安 德 里 亚 ， R. G 。 Negri ， Anomalous Behaviour Detection using one-classsupport vector machine and remote sensing images ： a case of algalbloomoccurencein inland waters，Int.使用单一类支持向量机和远程传感图像：内陆水域中的藻块测量的案例。J。Digit的地球14（7）（2021）921[8] B. Schölkopf，J.C. Platt，J.C. Shawe-Taylor，A.J. Smola，R.C. Williamson，Estimating the support of a high-dimensional distribution ， Neural Com- put（ 高维 分布 ， Neural Com- put ） 。(ISSN： 0899-7667 ）13 （ 7） （ 2001 ）1443http://dx.doi.org/10.1162/[9] L. 作者/Random Forests，MachLearn。45（1）（2001）5[10] G. van Rossum ， F.L. Drake ， The Python Language Reference Manual ，NetworkTheoryLtd. 2011年，ISBN：1906966141，9781906966140。[11]S. 范 德 沃 尔 特 ， S.C. 科 尔 伯 特 ， G 。 《 NumPy array ： A Structure forEfficientnumerical computation》（NumPy数组：高效计算的结构，数据结构，数据结构）Sci。2011年（2）22。[12] W. McKinney，et al.（麦肯尼等人）Python中的数据结构：第9届Python科学会议论文集，第445卷，奥斯汀，TX，2010，页。51-56号[13] F.皮卡丘，G。瓦罗科，A。Gramfort，V. Michel，B.蒂利恩，O。格雷，M。Blondel，P. Prettenhofer，R.布隆德尔，P. Prettenhofer，R.魏斯，V. Dubourg，etal.，Scikit-learn：Machine Learning in Python，J.（英语：Scikit-learn：MachineLearning in Python，J.）马赫Learn。雷。2011年（2825[14] GEE-API，GoogleEarthEngineAPI，2019年，URLhttps://github.com/google/earthengine-api。（2019年10月29日）。
我的内容管理
展开
