A Multispectral Bayesian Classification Method for Increased Acoustic Discrimination of Seabed Sediments Using Multi-Frequency Multibeam Backscatter Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multi-frequency backscatter data collected from multibeam echosounders (MBESs) is increasingly becoming available. The ability to collect data at multiple frequencies at the same time is expected to allow for better discrimination between seabed sediments. We propose an extension of the Bayesian method for seabed classification to multi-frequency backscatter. By combining the information retrieved at single frequencies we produce a multispectral acoustic classification map, which allows us to distinguish more seabed environments. In this study we use three triple-frequency (100, 200, and 400 kHz) backscatter datasets acquired with an R2Sonic 2026 in the Bedford Basin, Canada in 2016 and 2017 and in the Patricia Bay, Canada in 2016. The results are threefold: (1) combining 100 and 400 kHz, in general, reveals the most additional information about the seabed; (2) the use of multiple frequencies allows for a better acoustic discrimination of seabed sediments than single-frequency data; and (3) the optimal frequency selection for acoustic sediment classification depends on the local seabed. However, a quantification of the benefit using multiple frequencies cannot clearly be determined based on the existing ground-truth data. Still, a qualitative comparison and a geological interpretation indicate an improved discrimination between different seabed environments using multi-frequency backscatter.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle