Reproducibility of single-beam acoustic seabed classification
Notice bibliographique
Résumé
Single-beam acoustic seabed classification continues to be a popular method for mapping seabeds and their sediments. Modern methods can generate maps of acoustic classes that are useful and reasonably accurate. Research toward improved methods continues. A continuing impediment to this research is ranking the accuracy of maps produced by new methods. Non-acoustic data, or ground truth, is usually sparse compared to the detail of the acoustic survey, which can mean that ranking maps for accuracy can be inconclusive. Here we present a new tool for ranking classification maps, namely the reproducibility of acoustic classes from repeated surveys of the same area on different days. Methods that have high reproducibility achieve that by capturing echo characteristics that are strongly influenced by seabed type while suppressing details that are driven by sea state or the water column. Six surveys, done with a 50 kHz sounder over a pair of transects near Miami, FL, USA, between 1 May and 13 August 2007, were used to evaluate two questions. First, how reproducible were classifications of this dataset using QTC IMPACT¿ (Quester Tangent Corporation)? Second, can classification be improved with adjustments to the standard IMPACT processing? Reproducibility was quantified with the overall accuracy and Kappa statistics, which are both derived from the confusion matrix whose rows and columns are numbers of sites with particular class assignments under distinct circumstances.
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) | 0,002 | 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 ».