ABSTRACT Monitoring of inland water quality is of significant importance due to the increase in water quality related issues, especially within the Midwestern United States. Traditional monitoring techniques, although highly accurate, are vastly insufficient in terms of spatial and temporal coverage. Using a virtual constellation by harmonizing Landsat-8 and Sentinel-2 data a high temporal frequency dataset can be created at a relatively fine spatial scale. In this study, we apply a novel deep learning method for the estimation of blue-green algae (BGA), chlorophyll-α (Chl), fluorescent dissolved organic matter (fDOM), dissolved oxygen (DO), specific conductance (SC), and turbidity. The developed model is evaluated against previously studied machine learning methods and found to outperform multiple linear regression (MLR), support vector machine regression (SVR), and extreme learning machine regression (ELR) generating R2 of 0.91 for BGA, 0.88, 0.89, 0.93, 0.87, and 0.84 for Chl, DO, SC, and turbidity respectfully. This model is then applied to all available data ranging from 2013–2018 and time series for each variable were generated for four selected waterbodies. We then use the Empirical Data Analytics (EDA) anomaly detection method on the time series to identify abnormal data points. Upon further analysis, the EDA method successfully identifies abnormal events in water quality. Our results also demonstrate strong correlation between non-optically active variables such as SC with Chl and fDOM. The framework developed in this study represents an efficient and accurate empirical method for inland water quality monitoring at the regional scale.

中文翻译：

---

使用 Landsat-8/Sentinel-2 虚拟星座和云计算的基于深度学习的水质估计和异常检测

摘要 由于水质相关问题的增加，特别是在美国中西部，内陆水质的监测非常重要。传统的监测技术虽然精度很高，但在空间和时间覆盖方面却远远不够。通过协调 Landsat-8 和 Sentinel-2 数据使用虚拟星座，可以在相对精细的空间尺度上创建高时间频率数据集。在这项研究中，我们应用了一种新的深度学习方法来估计蓝绿藻 (BGA)、叶绿素-α (Chl)、荧光溶解有机物 (fDOM)、溶解氧 (DO)、比电导 (SC)、和浊度。开发的模型根据先前研究的机器学习方法进行评估，发现其性能优于多元线性回归 (MLR)，支持向量机回归 (SVR) 和极限学习机回归 (ELR) 分别为 BGA 生成 R2 为 0.91，分别为 Chl、DO、SC 和浊度生成 R2 为 0.88、0.89、0.93、0.87 和 0.84。然后将该模型应用于 2013-2018 年的所有可用数据，并为四个选定的水体生成每个变量的时间序列。然后我们在时间序列上使用经验数据分析 (EDA) 异常检测方法来识别异常数据点。经过进一步分析，EDA 方法成功识别出水质异常事件。我们的结果还证明了非光学活性变量（例如 SC 与 Chl 和 fDOM）之间的强相关性。本研究中开发的框架代表了一种有效且准确的区域尺度内陆水质监测经验方法。和极限学习机器回归 (ELR) 分别为 BGA 生成 0.91 的 R2，对于 Chl、DO、SC 和浊度分别生成 0.88、0.89、0.93、0.87 和 0.84。然后将该模型应用于 2013-2018 年的所有可用数据，并为四个选定的水体生成每个变量的时间序列。然后我们在时间序列上使用经验数据分析 (EDA) 异常检测方法来识别异常数据点。经过进一步分析，EDA 方法成功识别出水质异常事件。我们的结果还证明了非光学活性变量（例如 SC 与 Chl 和 fDOM）之间的强相关性。本研究中开发的框架代表了一种有效且准确的区域尺度内陆水质监测经验方法。和极限学习机器回归 (ELR) 分别为 BGA 生成 0.91 的 R2，对于 Chl、DO、SC 和浊度分别生成 0.88、0.89、0.93、0.87 和 0.84。然后将该模型应用于 2013-2018 年的所有可用数据，并为四个选定的水体生成每个变量的时间序列。然后我们在时间序列上使用经验数据分析 (EDA) 异常检测方法来识别异常数据点。经过进一步分析，EDA 方法成功识别出水质异常事件。我们的结果还证明了非光学活性变量（例如 SC 与 Chl 和 fDOM）之间的强相关性。本研究中开发的框架代表了一种有效且准确的区域尺度内陆水质监测经验方法。BGA 为 91，Chl、DO、SC 和浊度分别为 0.88、0.89、0.93、0.87 和 0.84。然后将该模型应用于 2013-2018 年的所有可用数据，并为四个选定的水体生成每个变量的时间序列。然后我们在时间序列上使用经验数据分析 (EDA) 异常检测方法来识别异常数据点。经过进一步分析，EDA 方法成功识别出水质异常事件。我们的结果还证明了非光学活性变量（例如 SC 与 Chl 和 fDOM）之间的强相关性。本研究中开发的框架代表了一种有效且准确的区域尺度内陆水质监测经验方法。BGA 为 91，Chl、DO、SC 和浊度分别为 0.88、0.89、0.93、0.87 和 0.84。然后将该模型应用于 2013-2018 年的所有可用数据，并为四个选定的水体生成每个变量的时间序列。然后我们在时间序列上使用经验数据分析 (EDA) 异常检测方法来识别异常数据点。经过进一步分析，EDA 方法成功识别出水质异常事件。我们的结果还证明了非光学活性变量（例如 SC 与 Chl 和 fDOM）之间的强相关性。本研究中开发的框架代表了一种有效且准确的区域尺度内陆水质监测经验方法。然后将该模型应用于 2013-2018 年的所有可用数据，并为四个选定的水体生成每个变量的时间序列。然后我们在时间序列上使用经验数据分析 (EDA) 异常检测方法来识别异常数据点。经过进一步分析，EDA 方法成功识别出水质异常事件。我们的结果还证明了非光学活性变量（例如 SC 与 Chl 和 fDOM）之间的强相关性。本研究中开发的框架代表了一种有效且准确的区域尺度内陆水质监测经验方法。然后将该模型应用于 2013-2018 年的所有可用数据，并为四个选定的水体生成每个变量的时间序列。然后我们在时间序列上使用经验数据分析 (EDA) 异常检测方法来识别异常数据点。经过进一步分析，EDA 方法成功识别出水质异常事件。我们的结果还证明了非光学活性变量（例如 SC 与 Chl 和 fDOM）之间的强相关性。本研究中开发的框架代表了一种有效且准确的区域尺度内陆水质监测经验方法。然后我们在时间序列上使用经验数据分析 (EDA) 异常检测方法来识别异常数据点。经过进一步分析，EDA 方法成功识别出水质异常事件。我们的结果还证明了非光学活性变量（例如 SC 与 Chl 和 fDOM）之间的强相关性。本研究中开发的框架代表了一种有效且准确的区域尺度内陆水质监测经验方法。然后我们在时间序列上使用经验数据分析 (EDA) 异常检测方法来识别异常数据点。经过进一步分析，EDA 方法成功识别出水质异常事件。我们的结果还证明了非光学活性变量（例如 SC 与 Chl 和 fDOM）之间的强相关性。本研究中开发的框架代表了一种有效且准确的区域尺度内陆水质监测经验方法。