Mangrove and Salt Marsh Detection in a Mangrove-saltmarsh Ecotone Using Segment Anything Model from Drone Imagery
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
Mangroves and salt marshes coexist in the intertidal wetlands of many temperate and subtropical coastal regions, forming many mangrove-saltmarsh ecotones. They provide a wealth of ecological services, such as carbon sequestration, habitat provision, climate regulation and stabilization, water purification and conservation, flood protection, biodiversity, atmospheric maintenance, and etc. But the heterogeneous, fragmented and dynamic intertidal wetlands make it challenging for the detailed and precise monitoring of mangroves and salt marshes. In this paper, we combined Segment Anything Model (SAM), which is known for the exceptional generalization capabilities and zero-shot learning, and the red-green ratio index (RGRI) to detect mangroves and salt marshes from drone imagery in a representative mangrove-saltmarsh ecotone in Guangxi, China. The SAM was first used to segment the imagery into image segments, then the RGRI value was calculated and RGRI thresholds was used to discriminate mangroves and salt marshes. As the coastal background environment is complex, manual visual interpretation was last used to modify the mangrove and salt marsh detection results. By comparing the detection results with those based on multi-scale segmentation object-oriented classification method, we found that the combined SAM and RGRI method can produce more accurate boundary of the mangrove-saltmarsh ecotone, especially for the single mangrove trees, but might misidentify the small-area dense mangrove forests located among salt marshes. The detection accuracies of mangroves and salt marshes based on our method are 83.23% and 95.13%, respectively. The results reflect the potential of fine mapping of mangroves and salt marshes in complex mangrove-saltmarsh ecotones by SAM from super-high resolution drone imagery, contributing to the intelligent protection and management of the blue carbon ecosystems in China.
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 | 0,000 | 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 | 0,000 | 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