Coral Reef Mapping Using Remote Sensing Techniques and a Supervised Classification Algorithm
Notice bibliographique
Résumé
The vitality of the Great Barrier Reef (GBR) is threatened by many human-made impacts. Monitoring this ecosystem makes it possible to study the general condition and the health of the GBR. However, due to the large extent of the GBR and limited accessibility in the ocean environment, mapping and monitoring this ecosystem has been always challenging task and connived. In this regard, Remote Sensing (RS) is an effective technique that provides valuable information for mapping and monitoring this ecosystem. In an attempt to monitor the GBR, this article applied a supervised machine learning algorithm to classify the Landsat 8 imagery collected over the GBR. To this end, the spectral responses of coral reefs, shallow water, deep ocean, rocks and sands, and green alga were initially determined from the satellite images. This information was then ingested to the Maximum Likelihood supervised classifier to map coral reefs in the GBR. Additionally, this study discusses how the GBR has been affected by anthropogenic disturbance. The results provide confirmatory evidence that RS techniques present great promise as a means of mapping coral reefs and monitoring their general conditions. We used the ambiguity matrix and validation data to estimate the accuracy of the proposed method. Overall, the proposed method was able to identify 5 different classes considered in this article with an average accuracy of 90%.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».