Coastal Reef and Seagrass Monitoring for Coastal Ecosystem Management
Notice bibliographique
Résumé
The growth of human occupations in coastal areas and climate change impact have changed the dynamics of seagrass cover and accelerated the damage to coral reefs globally. For these reasons, coastal management measures need to be developed and renewed to preserve the state of seagrass beds and coral reefs. An example includes the improvement of spatial and multitemporal analyses. This study sought to analyze changes in seagrass cover and damages to coral reefs in Gili Sumber Kima, Buleleng Regency, Bali based on multitemporal Sentinel 2A-MSI imagery. The algorithms of a machine learning, Random Forest (RF), and a Support Vector Machine (SVM) were used to classify the benthic habitats (seagrass beds and coral reefs). Also, a change detection analysis was performed to identify the pattern and the extent to which seagrass beds had changed. The multispectral classification of, particularly, coral reefs was used to explain the condition of this benthic habitat. The results showed +-70% to +-83% accuracies of estimated seagrass cover, and the change detection analysis revealed three directions of change, namely an increase of 27.9 ha, a decrease by 86 ha, and a preserved state in 157 ha of seagrass cover. The product of coral reefs mapping had an accuracy of 42%, and the coral reefs in Gili Sumber Kima were split almost equally between the good (1505 ha) and damaged ones (1397 ha). With the spatial information on seagrass beds and coral reefs in every region, the ecological functions of the coast can be assessed more straightforwardly and appropriately incorporated as the basis for monitoring the dynamics of resources and coastal area management.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».