A semi-automated method using object-based image analysis (OBIA) to detect and enumerate beluga whales in summer from very high-resolution (VHR) satellite imagery
Notice bibliographique
Résumé
Very high-resolution (VHR) satellite imagery has proven to be useful for detection of large to medium cetaceans, such as odontocetes and offers some significant advantages over traditional detection methods. However, the significant time investment needed to manually read satellite imagery is currently a limiting factor to use this method across large open ocean regions. The objective of this study is to develop a semi-automated detection method using object-based image analysis to identify beluga whales (Delphinapterus leucas) in open water (summer) ocean conditions in the Arctic using panchromatic WorldView-3 satellite imagery and compare the detection time between human read and algorithm detected imagery. The false negative rate, false positive rate, and automated count deviation were used to assess the accuracy and reliability of various algorithms for reading training and test imagery. The best algorithm, which used spectral mean and texture variance attributes, detected no false positives and the false negative rate was low (<4%). This algorithm was able to accurately and reliably identify all the whales detected by experienced readers in the ice-free panchromatic image. The autodetection algorithm does have difficulty separately identifying whales that are perpendicular to one another, whales below the surface, and may use multiple segments to define a whale. As a result, for determining counts of whales, a reader should manually review the automated results. However, object-based image analysis offers a viable solution for processing large amounts of satellite imagery for detecting medium-sized beluga whales while eliminating all areas of the imagery which are whale-free. This algorithm could be adapted for detecting other cetaceans in ice-free water.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».