Remote Sensing of Shallow Coastal Benthic Substrates: In situ Spectra and Mapping of Eelgrass (Zostera marina) in the Gulf Islands National Park Reserve of Canada
Notice bibliographique
Résumé
Eelgrass (Zostera marina) is a keystone component of inter- and sub-tidal ecosystems. However, anthropogenic pressures have caused its populations to decline worldwide. Delineation and continuous monitoring of eelgrass distribution is an integral part of understanding these pressures and providing effective coastal ecosystem management. A proposed tool for such spatial monitoring is remote imagery, which can cost- and time-effectively cover large and inaccessible areas frequently. However, to effectively apply this technology, an understanding is required of the spectral behavior of eelgrass and its associated substrates. In this study, in situ hyperspectral measurements were used to define key spectral variables that provide the greatest spectral separation between Z. marina and associated submerged substrates. For eelgrass classification of an in situ above water reflectance dataset, the selected variables were: slope 500–530 nm, first derivatives (R’) at 566 nm, 580 nm, and 602 nm, yielding 98% overall accuracy. When the in situ reflectance dataset was water-corrected, the selected variables were: 566:600 and 566:710, yielding 97% overall accuracy. The depth constraint for eelgrass identification with the field spectrometer was 5.0 to 6.0 m on average, with a range of 3.0 to 15.0 m depending on the characteristics of the water column. A case study involving benthic classification of hyperspectral airborne imagery showed the major advantage of the variable selection was meeting the sample size requirements of the more statistically complex Maximum Likelihood classifier. Results of this classifier yielded eelgrass classification accuracy of over 85%. The depth limit of eelgrass spectral detection for the AISA sensor was 5.5 m.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».