Estimation of Suspended Sediment Concentration along the Pao River using Sentinel-2 Imagery

Abstract

Monitoring and quantifying suspended sediment concentration (SSC) along the rivers provide important information for reservoir management. Traditional monitoring based on in situ measurements of SSC through in-situ sampling in rivers is expensive and time-consuming to perform. The objective of this study was to use spectral information provided by remote sensing from Sentinel-2 images in combination with machine learning to estimate SSC in the pao river. Three machine-learning regression algorithms (multiple linear regression, deep learning, and Support Vector Machine : SVM) were evaluated and a suitable model created to estimate SSC of the pao river. The results show that the Support Vector Machine model gave the most balanced results, with the lowest RMSE values and a high statistical correlation (R2=0.863 ; RMSE = 11.9) for the whole range of SSC (0 to 90 mg/l) measured at this station during the studied period. The methodology presented in this study can be used as a guideline for the combination of machine learning with Sentinel-2 images for estimating

การติดตามและตรวจวัดค่าความเข้มข้นของตะกอนแขวนลอยมีสำคัญมากสำหรับการจัดการอ่างเก็บน้ำ โดยการตรวจวัดค่าความเข้มข้นของตะกอนแขวนลอยแบบดั้งเดิมต้องใช้การสุ่มเก็บตัวอย่างน้ำในแม่น้ำซึ่งต้องใช้เวลาและงบประมาณมาก การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อใช้ข้อมูลสเปกตรัมจากการรับรู้จากระยะไกลจากภาพถ่ายดาวเทียม Sentinel-2 ร่วมกับการเรียนรู้ของเครื่องจักร (machine learning) เพื่อประมาณค่าความเข้มข้นของตะกอนแขวนลอยในแม่น้ำปาว โดยใช้อัลกอริทึมแบบถดถอยด้วยการเรียนรู้ของเครื่องจักร 3 วิธี (แบบจำลองเชิงเส้นวางนัยทั่วไป (Generalized Linear Model) การวิเคราะห์โครงข่ายประสาทเทียมเชิงลึก (Deep Learning) และ แบบจำลอง Support Vector Machine : SVM เพื่อประเมินอัลกอริทึมที่เหมาะสมสำหรับประมาณค่าความเข้มข้นของตะกอนแขวนลอยแม่น้ำปาว ผลการศึกษาพบว่าแบบจำลอง Support Vector Machine ให้ผลลัพธ์ที่ดีที่สุดโดยมีค่าเฉลี่ยของรากที่สองของกำลังสองของความคลาดเคลื่อน (RMSE) ต่ำที่สุดและมีความสัมพันธ์ทางสถิติสูงที่สุด (R2 = 0.863 ; RMSE = 11.9) สำหรับข้อมูลทั้งหมดของค่าความเข้มข้นของตะกอนแขวนลอยในแม่น้ำปาว (0 ถึง 90 mg/l) ในช่วงระยะเวลาของการศึกษา วิธีการที่นำเสนอในการศึกษาครั้งนี้สามารถใช้เป็นแนวทางในการผสมผสานการเรียนรู้ของเครื่องจักรกับภาพถ่ายดาวเทียม Sentinel-2 สำหรับการประมาณค่าความเข้มข้นของตะกอนแขวนลอยในแม่น้ำอื่น ๆ ถึงแม้ว่ายังมีปัจจัยบางอย่างที่มีอิทธิพลที่จำเป็นต้องมีการศึกษาเพิ่มเติมเพื่อปรับปรุงความแม่นยำของการประมาณค่าความเข้มข้นของตะกอนแขวนลอยในแม่น้ำ