Shoreline Recognition Using Machine Learning Techniques
Notice bibliographique
Résumé
Abstract Coastal areas have emerged to be the most significant and dynamic regions worldwide. Therefore, automating shoreline recognition will aid non-profit conservation authorities to reduce public budget expenditures, relieve erosion damage, and increase the climate resilience of the natural environment. In this paper, advanced ML boosting algorithms including XGBoost, and LGBM are firstly applied into shoreline recognition with aerial images (of Lake Ontario in this study). This paper first discussed the significance and a literature review of recent progress in shoreline detection. Then, this paper adopted semantic segmentation instead of detecting shoreline directly, which enables the (Machine Learning) ML model to achieve relatively high accuracy with a small amount of data. 5 high-resolution images are used for training the model in which shorelines are detected. The work was carried out in four steps: 1) labeling the contents of shoreline images as areas of water and banks; 2) training ML algorithms; 3) using the trained algorithms to classify the image content as either water or land objects; 4) post-processing by de-noising image pixels (applying a Fourier transform algorithm) to obtain a defined shoreline. The averaged training time per image for Random Forest, XGBoost, and LGBM algorithms are 195.2 sec, 71.0 sec, and 8.6 sec, respectively. The averaged accuracy is 95.6%, 96.0%, and 94.8%, respectively; the XGBoost algorithm has slightly higher accuracy, while LGBM has a significantly shorter runtime. Cross-validation of the LGBM algorithm reduced the training time by around 23% (7.0 sec) and increased the accuracy by only 1.1% (to 95.9%).
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 | 0,001 |
| 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) | 0,005 | 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 ».