A Segmentation Approach to Identify Underwater Dunes from Digital Bathymetric Models
Notice bibliographique
Résumé
The recognition of underwater dunes has a central role to ensure safe navigation. Indeed, the presence of these dynamic landforms on the seafloor represents a hazard for navigation, especially in navigation channels, and should be at least highlighted to avoid collision with vessels. This paper proposes a novel method dedicated to the segmentation of these landforms in the fluvio-marine context. Its originality relies on the use of a conceptual model in which dunes are characterized by three salient features, namely the crest line, the stoss trough, and the lee trough. The proposed segmentation implements the conceptual model by considering the DBM (digital bathymetric model) as the seafloor surface from which the dunes shall be segmented. A geomorphometric analysis of the seabed is conducted to identify the salient features of the dunes. It is followed by an OBIA (object-based image analysis) approach aiming to eliminate the pixel-based analysis of the seabed surface, forming objects to better describe the dunes present in the seafloor. To validate the segmentation method, more than 850 dunes were segmented in the fluvio-marine context of the Northern Traverse of the Saint-Lawrence river. A performance rate of nearly 92% of well segmented dunes (i.e., true positive) was achieved.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,001 |
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 ».