Deep learning for pockmark detection: Implications for quantitative seafloor characterization
Notice bibliographique
Résumé
Occurring globally, pockmarks are seafloor depressions associated with seabed fluid escape. Pockmark ubiquity and morphologic heterogeneity result in an irregular seafloor that can be difficult to quantitatively describe. To address this challenge, we test the hypothesis that deep-learning based object detection and segmentation can be used to develop data-driven models for pockmark identification and characterization. This study describes the development, testing, and deployment of eight separate deep learning-based pockmark detection models using publicly available, gridded bathymetric data from the Belfast Bay, Maine, USA, Blue Hill Bay, Maine, USA, and Passamaquoddy Bay, New Brunswick, Canada estuarine pockmark fields. The models tested include three types of convolutional neural network architectures, as well as a generative adversarial network. We find that the data-driven models consistently resolve pockmarks from the background seafloor, allowing for quick and accurate delineation of pockmarks in a variety of seabed habitats. With these delineations we examine and compare the morphology of the muddy estuarine pockmark fields. We then compare these morphometric results to pockmark fields in two distinct settings, the sandy German Bight and the Aquitaine continental slope. We find that in all the pockmark fields a power law relationship, generally, exists between pockmark area and pockmark depth, though this relationship deteriorates with the smallest pockmarks, suggesting that there may be a minimum size needed for geomorphic stability. These results show that the training data and trained models developed here can be applied for quick detection and characterization of pockmarks where other high-resolution bathymetry is available, demonstrating the value of data-driven detection models for characterizing morphologically complex seafloors. Last, the morphologic characteristics of pockmarks identified in this study will aid future studies in relating pockmark size to environmental characteristics like seabed sediment texture and regional gradient.
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 | 0,001 | 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) | 0,002 | 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 ».