Integration of geographic features and bathymetric inversion in the Yangtze River's Nantong Channel using gradient boosting machine algorithm with ZY-1E satellite and multibeam data
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
This study investigates the integration of geographic features from ZY-1E satellite data with advanced machine learning techniques to enhance water depth inversion in the Yangtze River's Nantong Channel. Utilizing the Gradient Boosting Machine (GBM) and its geospatially enhanced version, GBM-Lon./Lat., significant improvements in modeling precision were observed, as reflected by lower RMSE and higher R² values compared to traditional depth inversion methods. The research underscores the benefits of incorporating geospatial data, which allows for a more nuanced understanding of the hydrological dynamics and facilitates more accurate predictions in the turbid waters of the channel. Challenges such as atmospheric effects, water turbidity, and data acquisition issues under variable weather conditions were identified. The study proposes further optimization of these models to handle diverse environmental conditions and enhance the accuracy of bathymetric mapping. The integration of machine learning with remote sensing not only supports navigational safety and efficient waterway management but also contributes significantly to environmental monitoring and sustainable riverine infrastructure development. ● Satellite and machine learning integration improves Yangtze River depth inversion. ● GBM-Lon./Lat. model achieves higher accuracy in water depth predictions. ● Geospatial data with machine learning enhances bathymetric mapping precision.
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 | 0,001 |
| 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