elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Evaluating multilinear and machine learning regression methods for Satellite-derived Bathymetry mapping using ICESat-2 and Sentinel-2 data on Google Earth Engine

Pertiwi, Avi Putri und Thomas, Nathan und Carpenter, Stephen und Lee, Chengfa Benjamin und Traganos, Dimosthenis (2021) Evaluating multilinear and machine learning regression methods for Satellite-derived Bathymetry mapping using ICESat-2 and Sentinel-2 data on Google Earth Engine. AGU Fall Meeting 2021, 2021-12-13 - 2021-12-17, New Orleans, LA; hybrid.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Offizielle URL: https://agu.confex.com/agu/fm21/meetingapp.cgi/Paper/938659

Kurzfassung

Information of the water depth in coastal areas is important for navigation, risk assessment, disaster mitigation, coastal environmental management, marine habitat monitoring, and many other activities. Spaceborne shallow water bathymetry mapping has been an emerging practice to estimate the water depth where there are limited field data points. In this study, we evaluated five purely-spaceborne satellite-derived bathymetry (SDB) methods, namely clustered-based Lyzenga with 3 different regression functions (multilinear, robust multilinear, and ridge), Support Vector Machine regression, and Random Forest regression using multitemporal Sentinel-2 composites that were synthesized from over 800 images. We test these methods at the national-scale of Belize in optically shallow waters between the depth of 0 and 10 m and over 6,690 sq. km. We employed 641,562 bathymetry transect points derived from ICESat-2 ATL03 LiDAR (IS2) platform stratified within 2-m-interval to train the model and validated it with 3,100 field data acquired with CAMELS, Multibeam, and LiDAR sensors. We compared the performance of these five methods for SDB mapping by assessing the following error metrics: root mean square error (RMSE), mean absolute error (MAE), mean error (µ), and coefficient of determination (R2) over 2-m depth intervals as well. Our results show that the clustered-based Lyzenga method with multi-linear regression yields the best result, with error less than 10% of the maximum depth below the depth of 8 m. Beyond the depth of 8 m, the IS2-trained models tend to underestimate the depth when compared to the field data. This could show the lower sensitivity of the IS2 sensor on the deeper waters. We discuss preliminary benefits and challenges of big satellite data analytics, empirical and machine learning methods, and ICESat-2 data for national-scale satellite-derived bathymetry estimation.

elib-URL des Eintrags:https://elib.dlr.de/147374/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Evaluating multilinear and machine learning regression methods for Satellite-derived Bathymetry mapping using ICESat-2 and Sentinel-2 data on Google Earth Engine
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Pertiwi, Avi Putriavi.pertiwi (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Thomas, NathanNASA Goddard Space Flight CenterNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Carpenter, Stephenstcarp (at) noc.ac.ukNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Lee, Chengfa BenjaminChengfa.Lee (at) dlr.dehttps://orcid.org/0000-0002-2207-5615NICHT SPEZIFIZIERT
Traganos, DimosthenisDimosthenis.Traganos (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:17 Dezember 2021
Referierte Publikation:Nein
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
Status:veröffentlicht
Stichwörter:Bathymetry, ICESat-2, Sentinel-2, Belize, Machine learning regression, Lidar, Optical
Veranstaltungstitel:AGU Fall Meeting 2021
Veranstaltungsort:New Orleans, LA; hybrid
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:13 Dezember 2021
Veranstaltungsende:17 Dezember 2021
Veranstalter :American Geophysical Union
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Optische Fernerkundung
Standort: Berlin-Adlershof , Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > Photogrammetrie und Bildanalyse
Hinterlegt von: Traganos, Dimosthenis
Hinterlegt am:14 Dez 2021 11:44
Letzte Änderung:24 Apr 2024 20:45

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.