Machine Learning Based Estimation of Coastal Bathymetry From ICESat-2 and Sentinel-2 Data
Notice bibliographique
Résumé
Satellite technology is an efficient tool, which can provide valuable observations for coastal areas from space. Compared to conventional bathymetric surveying approaches, remote sensing based shallow water bathymetry retrieval methods have been widely used in recent years. Various empirical models have been proposed for deriving bathymetry of coastal shallow water, and prior topographic information is required to construct models. Traditional studies tend to select a cloud-free remote sensing image to map the coastal shallow water topography. As a result, in addition to the selection of empirical models, the high-quality remote sensing image and accurate prior topographic data are also of importance. This study aims to propose a method for mapping coastal shallow water bathymetry from multi-temporal remote sensing imagery. Here, Sentinel-2 imagery time series are composited to produce a clear image, which can effectively avoid the contamination of clouds, water turbidity and other noises. ICESat-2 lidar altimeter data that contain accurate underwater elevations are used to provide topographic information. Moreover, Sentinel-2 based multispectral information and ICESat-2 based topographic information are combined for the coastal bathymetry retrieval by five empirical models (i.e., linear band model, ratio band model, support vector machine, neural network, and random forest). This proposed method is tested in Dongsha Atoll in South China Sea, and achieve a good performance (training: RMSE: 0.97m±0.76m, MAPE: 4.07%±0.046%, R2: 0.90±0.14; validation: RMSE: 1.22m±0.43m, MAPE: 5.43%±0.035%, R2: 0.86±0.089). The comparison confirms that machine learning methods perform better than traditional methods, and the deep learning techniques can be further introduced in estimating shallow water bathymetry in the future, which is expected to achieve an excellent accuracy in bathymetry inversion.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».