A new video survey method of microtopographic laser scanning (MiLS) to measure small‐scale seafloor bottom roughness
Notice bibliographique
Résumé
A novel video survey method measures small‐scale seafloor bottom roughness in fragile and deep‐sea habitats called microtopographic laser scanning (MiLS). Using a controlled submersible platform, an attached downward‐ facing video camera with a single optical laser can return imagery to detail the bottom profile at a resolution of ~1–2 cm. The method compares the position of the underlying substratum and laser dot between successive video frames to determine distance traveled in the forward direction and substratum height. The video imagery is processed using photogrammetry to calculate small‐scale topography (horizontal and vertical axes). MiLS is adaptable for most aquatic habitats as it can be executed using any platform that can move forward with a constant slope over the desired transect. Traditional techniques of measuring small‐scale roughness are largely restricted to easily accessible habitats and often yield measurements that are relative and not comparable among different habitats and studies. Quantifying roughness in ways that permit comparisons is critical to understanding effects of bottom roughness and would benefit many fields of aquatic science. With its versatility, ability to access remote locations and output of quantified measurements, MiLS has the potential to fill this need. It is also likely this method will be useful in subaerial habitats such as wetlands. Here, we describe the MiLS equipment, theory, and method in detail, and then demonstrate its application in a lab trial and in a field study in a deep‐sea (≤450 m depth) sponge and coral habitat where its high resolution, accuracy, and precision is made evident.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».