Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

HydroVision : Prédiction des paramètres optiquement actifs dans les eaux de surface grâce à la vision par ordinateur

Created by
  • Haebom

Auteur

Shubham Laxmikant Deshmukh, Matthew Wilchek, Feras A. Batarseh

Contour

HydroVision est un outil de classification de scènes basé sur l'apprentissage profond. Il estime les paramètres optiquement actifs de la qualité de l'eau, tels que la chlorophylle alpha, la chlorophylle, la matière organique dissoute pigmentée (CDOM), la phycocyanine, les sédiments en suspension et la turbidité, à partir d'images RVB des eaux de surface. Formé à partir de plus de 500 000 images saisonnières collectées entre 2022 et 2024 par le système de visualisation et d'information d'images hydrologiques de l'U.S. Geological Survey, HydroVision démontre son potentiel pour la surveillance de la qualité de l'eau en conditions réelles, dans des conditions variées. Il exploite les images RVB comme une alternative évolutive et économique à la télédétection multispectrale et hyperspectrale traditionnelle. Lors d'une évaluation de VGG-16, ResNet50, MobileNetV2, DenseNet121 et du réseau Vision Transformer, DenseNet121 a obtenu les meilleures performances avec un score R2 de 0,89 pour la prédiction CDOM. Bien que le modèle actuel soit optimisé pour les images bien éclairées, des travaux futurs sont prévus pour améliorer sa robustesse dans les situations de faible luminosité et d'obstruction afin d'étendre son utilité opérationnelle.

Takeaways, Limitations

•
Takeaways:
◦
Contribue à la réponse aux catastrophes et à la protection de la santé publique en présentant une méthode de surveillance de la qualité de l'eau sans contact utilisant l'apprentissage profond.
◦
L'imagerie RVB permet la construction de systèmes de surveillance de la qualité de l'eau rentables et évolutifs par rapport aux méthodes conventionnelles de télédétection multispectrale et hyperspectrale.
◦
La prévision précise de divers paramètres de qualité de l’eau contribue à la détection précoce des tendances en matière de pollution et au renforcement de la surveillance par les organismes de réglementation.
◦
Haute précision (score R2 de 0,89 dans la prédiction CDOM) obtenue grâce à l'architecture DenseNet121.
•
Limitations:
◦
Le modèle actuel est optimisé pour les images bien éclairées, les performances peuvent donc se dégrader dans des situations de faible luminosité et sujettes aux obstacles.
◦
Nécessité d’améliorer les performances de généralisation pour diverses conditions environnementales.
◦
Une analyse de l’incertitude et une évaluation de la fiabilité des résultats de prédiction du modèle sont nécessaires.
👍
Made with Slashpage