DOI: https://doi.org/10.3389/fmars.2026.1787597
تاريخ النشر: 2026-03-06
المؤلف: Ali Salman Fahd Ibrahim وآخرون
الموضوع الرئيسي: تكنولوجيا مراقبة جودة المياه
نظرة عامة
تبحث هذه الدراسة في فعالية استخدام صور الأقمار الصناعية Sentinel-2 مع نماذج التعلم الآلي لتقدير معايير جودة المياه، وبشكل خاص الكلوروفيل-أ (Chl-a) والمواد الصلبة المعلقة الكلية (TSS)، في المياه الساحلية لأبوظبي. باستخدام Google Earth Engine (GEE) لقيم الانعكاس السطحي، دمجت الدراسة قياسات ميدانية من مواقع مختلفة، مما أسفر عن 365 عينة للكلوروفيل-أ و196 للمواد الصلبة المعلقة الكلية. تم مقارنة استراتيجيتين لتوليد الميزات: المؤشرات الطيفية من الأدبيات الموجودة وتحليل المكونات الرئيسية (PCA) المطبق على الأطياف الخام. تم تقييم أربعة خوارزميات تعلم آلي—انحدار الغابة العشوائية (RFR)، انحدار دعم المتجهات (SVR)، تعزيز التدرج المتطرف (XGB)، وانحدار المربعات الصغرى الجزئية (PLS)—من خلال التحقق المتقاطع بخمسة طيات.
تشير النتائج الرئيسية إلى أن النموذج العام للكلوروفيل-أ، الذي تم تدريبه على جميع البيانات المتاحة، حقق دقة متوسطة (اختبار $R^2 = 0.65$) ولكنه واجه صعوبات مع أخطاء توقع عالية، خاصة خلال أحداث الازدهار المحلية. من خلال استبعاد بيانات القيم الشاذة من المخرجات الساحلية، تم تطوير نموذج متخصص “للظروف المحيطة”، مما حسن الأداء بشكل كبير إلى اختبار $R^2 = 0.70$ وتقليل RMSE إلى 1.62 ميكروغرام/لتر، مما يمثل تحسينًا بنسبة 80% في الدقة. بالنسبة للمواد الصلبة المعلقة الكلية، أدى حجم البيانات المحدود إلى تحقيق نموذج PCA + غابة عشوائية اختبار $R^2 = 0.61$، مما يبرز أهمية تقليل الأبعاد في التخفيف من الإفراط في التخصيص. بشكل عام، تُظهر الدراسة أن الأساليب المعتمدة على البيانات، وخاصة تلك التي تستخدم PCA، تتفوق على المؤشرات الطيفية التقليدية في تقدير معايير جودة المياه، مما يوفر رؤى قيمة للمراقبة البيئية المحلية والبحوث المستقبلية حول الازدهارات المدفوعة بالمغذيات المحلية.
مقدمة
تؤكد المقدمة على أهمية تقييم جودة المياه في البيئات البحرية للصحة البيئية والصحة العامة، مما يبرز الحاجة إلى تقنيات مراقبة فعالة. غالبًا ما تكون الطرق التقليدية، التي تعتمد على أخذ عينات في الموقع والتحليل في المختبر، مستهلكة للوقت ومحدودة في التغطية المكانية. في المقابل، ظهرت الاستشعار عن بعد (RS) كبديل قابل للتطبيق على مدى الستين عامًا الماضية، حيث تقدم تغطية جغرافية وزمنية واسعة لمراقبة جودة المياه. تستخدم RS بيانات طيفية من مستشعرات مختلفة، مثل Landsat وSentinel-2، لتقدير معايير جودة المياه (WQPs) مثل المواد الصلبة المعلقة الكلية (TSS) والكلوروفيل-أ (Chl-a)، والتي تعتبر ضرورية للكشف عن تلوث المياه وإدارته.
تناقش هذه القسم أيضًا التحديات التي تواجه النماذج التجريبية التقليدية في البيئات المعقدة بصريًا، وخاصة في الخليج العربي، حيث تعقد التركيزات العالية من المواد الصلبة المعلقة الكلية (TSS) والمواد العضوية الملونة المذابة (CDOM) العلاقة مع الكلوروفيل-أ. أظهرت التطورات الأخيرة في التعلم الآلي وعدًا في تحسين دقة توقعات جودة المياه من خلال نمذجة العلاقات المعقدة وغير الخطية بين عدة معايير بشكل فعال. تختتم المقدمة بتحديد فجوة معرفية حاسمة في تطبيق خوارزميات الاستشعار عن بعد المصممة خصيصًا للمياه الساحلية في المناطق الجافة مثل الإمارات العربية المتحدة، مما يبرز الحاجة إلى نماذج تعلم آلي متخصصة لتعزيز مراقبة جودة المياه في هذه البيئات الفريدة. تهدف الدراسة إلى معالجة هذه الفجوة من خلال تطوير أدوات قوية وقابلة للنقل لمراقبة تركيزات الكلوروفيل-أ والمواد الصلبة المعلقة الكلية في الخليج العربي.
النتائج
توضح قسم النتائج النتائج الكمية لعملية العمل الخاصة بالتعلم الآلي المستخدمة لاسترجاع الكلوروفيل-أ (Chl-a) والمواد الصلبة المعلقة الكلية (TSS). يبدأ بوصف عملية اختيار الميزات الأولية، والتي تعتبر حاسمة لتحديد المتغيرات الأكثر صلة التي تؤثر على أداء النموذج. بعد ذلك، تتناول القسم تحسين المعلمات الفائقة، الذي يعزز دقة النموذج التنبؤية من خلال ضبط معلمات مختلفة.
علاوة على ذلك، تقدم القسم مقاييس أداء شاملة للنماذج المطورة لاسترجاع الكلوروفيل-أ والمواد الصلبة المعلقة الكلية. من المحتمل أن تشمل هذه المقاييس مقاييس إحصائية مثل R-squared، وجذر متوسط مربع الخطأ (RMSE)، وغيرها التي تقيس فعالية النماذج في توقع تركيزات هذه المواد بدقة. تؤكد النتائج على فعالية نهج التعلم الآلي في تطبيقات المراقبة البيئية.
المناقشة
تبحث الدراسة في جودة المياه في المياه الساحلية للخليج العربي بالقرب من أبوظبي، الإمارات العربية المتحدة، مع التركيز على تأثير الأنشطة الحضرية والصناعية، وخاصة من محطات التحلية. تم جمع بيانات جودة المياه في الموقع من 22 موقع مراقبة بين يناير 2023 وديسمبر 2024، حيث تم قياس معايير مثل درجة الحرارة، والملوحة، والأكسجين المذاب، والكلوروفيل-أ (Chl-a)، وpH، والمواد الصلبة المعلقة الكلية (TSS)، وطلب الأكسجين البيوكيميائي (BOD)، والعكارة. خضعت مجموعة البيانات لعمليات معالجة صارمة لضمان الجودة، بما في ذلك إزالة الصفوف التي تحتوي على قيم مفقودة أو غير واقعية. كشفت التحليلات الإحصائية عن وجود قيم شاذة كبيرة في تركيزات الكلوروفيل-أ، مما يشير إلى حدوث ازدهارات ضارة للطحالب (HABs) في المنطقة.
تم دمج صور الأقمار الصناعية من Sentinel-2 مع القياسات في الموقع لتطوير نماذج تعلم آلي لتوقع تركيزات الكلوروفيل-أ والمواد الصلبة المعلقة الكلية. استخدمت الدراسة نهج نمذجة من مرحلتين، حيث تم أولاً إنشاء نموذج “جميع الظروف” ثم نموذج متخصص “للظروف المحيطة” الذي استبعد القيم الشاذة المتطرفة المرتبطة بالازدهارات المحلية. أظهرت النماذج المحسنة، وخاصة خوارزمية تعزيز التدرج المتطرف (XGB)، دقة تنبؤية محسنة، حيث حققت اختبار R² قدره 0.70 واختبار RMSE قدره 1.62 ميكروغرام/لتر لنموذج “الظروف المحيطة”. في المقابل، كان لنموذج “جميع الظروف” R² اختبار أقل قدره 0.65 وRMSE أعلى قدره 8.21 ميكروغرام/لتر، مما يبرز التحديات في توقع أحداث الازدهار المتطرفة. تؤكد النتائج على فعالية نهج النمذجة المخصصة في تعزيز مراقبة جودة المياه في البيئات الساحلية المعقدة.
القيود
تقدم الدراسة نتائج ملحوظة ولكنها تعترف أيضًا بعدة قيود يمكن أن توجه اتجاهات البحث المستقبلية. يتمثل التحدي الرئيسي في صغر حجم مجموعات البيانات في الموقع، مما يحد من فعالية نماذج التعلم الآلي التي تتطلب مجموعات بيانات أكبر للتدريب الأمثل. على الرغم من استخدام تقنيات التحقق المتقاطع للتخفيف من هذه المشكلة، إلا أن حجم العينة المحدود يؤثر سلبًا على قابلية تعميم النماذج. علاوة على ذلك، أظهرت النماذج ميلًا لتقليل تقديرات شدة الأحداث المتطرفة، خاصة في توقع أعلى تركيزات الكلوروفيل-أ (Chl-a) والمواد الصلبة المعلقة الكلية (TSS). تنشأ هذه التقليل من تكرار مثل هذه الأحداث المتطرفة في بيانات التدريب، مما يجعل النماذج موثوقة لمراقبة الظروف النموذجية والمعتدلة، ولكن أقل موثوقية في تقدير التركيزات القصوى خلال الازدهارات الطحلبية الكبيرة أو سحب العكارة.
لتحسين قوة النموذج، يجب أن تركز الأبحاث المستقبلية في الخليج العربي الساحلي على توسيع مجموعة البيانات في الموقع، وخاصة من خلال زيادة الملاحظات خلال الأحداث ذات التركيز العالي والمتطرفة. سيكون جمع عينات إضافية عبر مجموعة متنوعة من الظروف والمواسم أمرًا حاسمًا لتطوير نماذج قادرة على تقدير الطيف الكامل لظروف جودة المياه، بما في ذلك تلك التي تهم البيئة والصحة العامة.
DOI: https://doi.org/10.3389/fmars.2026.1787597
Publication Date: 2026-03-06
Author(s): Ali Salman Fahd Ibrahim et al.
Primary Topic: Water Quality Monitoring Technologies
Overview
This research investigates the effectiveness of using Sentinel-2 satellite imagery combined with machine learning models to estimate water quality parameters, specifically Chlorophyll-a (Chl-a) and Total Suspended Solids (TSS), in the coastal waters of Abu Dhabi. Utilizing Google Earth Engine (GEE) for surface reflectance values, the study incorporated field measurements from various locations, yielding 365 samples for Chl-a and 196 for TSS. Two feature engineering strategies were compared: spectral indices from existing literature and Principal Component Analysis (PCA) applied to raw bands. Four machine learning algorithms—Random Forest Regression (RFR), Support Vector Regression (SVR), Extreme Gradient Boosting (XGB), and Partial Least Squares (PLS) Regression—were evaluated through 5-fold cross-validation.
Key findings indicate that the general model for Chl-a, which was trained on all available data, achieved a moderate accuracy (Test $R^2 = 0.65$) but struggled with high prediction errors, particularly during localized bloom events. By excluding outlier data from coastal outlets, a specialized “Ambient-Conditions” model was developed, significantly improving performance to a Test $R^2 = 0.70$ and reducing RMSE to 1.62 μg/L, marking an 80% enhancement in precision. For TSS, the limited dataset resulted in a PCA + Random Forest model achieving a Test $R^2 = 0.61$, underscoring the importance of dimensionality reduction in mitigating overfitting. Overall, the study demonstrates that data-driven approaches, particularly those utilizing PCA, outperform traditional spectral indices in estimating water quality parameters, providing valuable insights for local environmental monitoring and future research on localized nutrient-driven blooms.
Introduction
The introduction emphasizes the importance of water quality assessment in marine environments for ecological and public health, highlighting the need for efficient monitoring techniques. Traditional methods, which rely on in situ sampling and laboratory analysis, are often time-consuming and limited in spatial coverage. In contrast, remote sensing (RS) has emerged as a viable alternative over the past six decades, offering extensive geographical and temporal coverage for water quality monitoring. RS utilizes spectral data from various sensors, such as Landsat and Sentinel-2, to estimate water quality parameters (WQPs) like Total Suspended Solids (TSS) and chlorophyll-a (Chl-a), which are crucial for detecting and managing water pollution.
The section further discusses the challenges of traditional empirical models in optically complex environments, particularly in the Arabian Gulf, where high concentrations of Total Suspended Solids (TSS) and Colored Dissolved Organic Matter (CDOM) complicate the correlation with Chl-a. Recent advancements in machine learning have shown promise in improving the accuracy of water quality predictions by effectively modeling complex, nonlinear relationships among multiple parameters. The introduction concludes by identifying a critical knowledge gap in the application of remote sensing algorithms tailored for coastal waters in arid regions like the UAE, underscoring the need for specialized machine learning models to enhance water quality monitoring in these unique environments. The research aims to address this gap by developing robust, transferable tools for monitoring Chl-a and TSS concentrations in the Arabian Gulf.
Results
The results section outlines the quantitative outcomes of the machine learning workflow employed for the retrieval of chlorophyll-a (Chl-a) and total suspended solids (TSS). It begins with a description of the initial feature selection process, which is critical for identifying the most relevant variables influencing the model’s performance. Following this, the section details the hyperparameter optimization, which enhances the model’s predictive accuracy by fine-tuning various parameters.
Furthermore, the section presents comprehensive performance metrics for the models developed for Chl-a and TSS retrieval. These metrics likely include statistical measures such as R-squared, root mean square error (RMSE), and others that quantify the models’ effectiveness in accurately predicting the concentrations of these substances. The findings underscore the efficacy of the machine learning approach in environmental monitoring applications.
Discussion
The study investigates water quality in the coastal waters of the Arabian Gulf near Abu Dhabi, UAE, focusing on the impact of urban and industrial activities, particularly from desalination plants. In situ water quality data were collected from 22 monitoring sites between January 2023 and December 2024, measuring parameters such as temperature, salinity, dissolved oxygen, chlorophyll-a (Chl-a), pH, total suspended solids (TSS), biochemical oxygen demand (BOD), and turbidity. The dataset underwent rigorous preprocessing to ensure quality, including the removal of rows with missing or unrealistic values. Statistical analyses revealed significant outliers in Chl-a concentrations, indicating harmful algal blooms (HABs) in the region.
Satellite imagery from Sentinel-2 was integrated with in situ measurements to develop machine learning models for predicting Chl-a and TSS concentrations. The study employed a two-phase modeling approach, first creating an “All-Conditions” model and then a specialized “Ambient-Conditions” model that excluded extreme outliers linked to localized blooms. The optimized models, particularly the Extreme Gradient Boosting (XGB) algorithm, demonstrated improved predictive accuracy, achieving a Test R² of 0.70 and a Test RMSE of 1.62 μg/L for the “Ambient-Conditions” model. In contrast, the “All-Conditions” model had a lower Test R² of 0.65 and a higher RMSE of 8.21 μg/L, highlighting the challenges in predicting extreme bloom events. The findings underscore the effectiveness of tailored modeling approaches in enhancing water quality monitoring in complex coastal environments.
Limitations
The study presents notable findings but also acknowledges several limitations that could inform future research directions. A primary challenge is the small size of the in situ datasets, which restricts the effectiveness of machine learning models that require larger datasets for optimal training. Although cross-validation techniques were employed to mitigate this issue, the limited sample size adversely affects the models’ generalizability. Furthermore, the models exhibited a tendency to underestimate the magnitudes of extreme events, particularly in predicting the highest concentrations of chlorophyll-a (Chl-a) and total suspended solids (TSS). This underestimation arises from the infrequency of such extreme events in the training data, rendering the models reliable for monitoring typical and moderately elevated conditions but less so for accurately quantifying peak concentrations during significant algal blooms or turbidity plumes.
To enhance model robustness, future research in the coastal Arabian Gulf should focus on expanding the in situ dataset, particularly by increasing observations during high-concentration and extreme events. Collecting additional samples across a diverse range of conditions and seasons will be crucial for developing models capable of accurately estimating the full spectrum of water quality conditions, including those of ecological and public concern.