Marine Habitat Mapping Using Bathymetric LiDAR Data: A Case Study from Bonne Bay, Newfoundland
Notice bibliographique
Résumé
Marine habitats provide various benefits to the environment and humans. In this regard, an accurate marine habitat map is an important component of effective marine management. Newfoundland’s coastal area is covered by different marine habitats, which should be correctly mapped using advanced technologies, such as remote sensing methods. In this study, bathymetric Light Detection and Ranging (LiDAR) data were applied to accurately discriminate different habitat types in Bonne Bay, Newfoundland. To this end, the LiDAR intensity image was employed along with an object-based Random Forest (RF) algorithm. Two types of habitat classifications were produced: a two-class map (i.e., Vegetation and Non-Vegetation) and a five-class map (i.e., Eelgrass, Macroalgae, Rockweed, Fine Sediment, and Gravel/Cobble). It was observed that the accuracies of the produced habitat maps were reasonable considering the existing challenges, such as the error of the LiDAR data and lacking enough in situ samples for some of the classes such as macroalgae. The overall classification accuracies for the two-class and five-class maps were 87% and 80%, respectively, indicating the high capability of the developed machine learning model for future marine habitat mapping studies. The results also showed that Eelgrass, Fine Sediment, Gravel/Cobble, Macroalgae, and Rockweed cover 22.4% (3.66 km2), 51.4% (8.39 km2), 13.5% (2.21 km2), 6.9% (1.12 km2), and 5.8% (0.95 km2) of the study area, respectively.
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 | 0,009 |
| 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 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 ».