Integrating Angular Backscatter Response Analysis Derivatives Into a Hierarchical Classification for Habitat Mapping
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
Accurate maps of biological communities are essential for monitoring and managing marine protected areas but more information on the most effective methods for developing these maps is needed. In this study, we use Wilsons Promontory Marine National Park in southeast Australia as a case study to determine the best combination of variables and scales for producing accurate habitat maps across the site. Wilsons Promontory has full multibeam echosounder (MBES) coverage coupled with towed video, remotely operated underwater vehicle (ROV) and drop video observations. Our study used an image segmentation approach incorporating MBES backscatter angular response curve and bathymetry derivatives to identify benthic community types using a hierarchical habitat classification scheme. The angular response curve data were extracted from MBES data using two different methods: 1) angular range analysis (ARA) and 2) backscatter angular response (AR). Habitat distributions were predicted using a supervised Random Forest approach combining bathymetry, ARA, and AR derivatives. Variable importance metrics indicated that ARA derivatives, such as grain size, impedance and volume heterogeneity were more important to model performance than AR derivatives mean, skewness, and kurtosis. Additionally, this study investigated the impact of segmentation software settings when creating segmented surfaces and their impact on overall model accuracy. We found using fine scale segmentation resulted in the best model performance. These results indicate the importance of incorporating backscatter derivatives into biological habitat maps and the need to consider scale to increase the accuracy of the outputs to help improve the spatial management of marine environments.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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