Automated detection of migrating Gray whales and measurement of their bearing in satellite imagery
Notice bibliographique
Résumé
Abstract Satellite images could aid in studying baleen whale migration routes given their extensive spatial coverage. We developed two object‐based image analysis (OBIA) workflows to automatically detect migrating whales and their orientation. We used three sections of a Worldview‐3 satellite image off California with migrating gray whales ( Eschrichtius robustus ), alternating training and testing under a three‐fold approach in eCognition, with three classes: whale, water, and confounding objects (e.g., sea foam). After a workflow with 202 classification features, we applied feature selection through a minimum redundancy maximum relevance algorithm and retained 15 features. This selection was used in a second workflow which yielded fewer false negatives (FNs) and especially, fewer false positives (FPs) (22.6% vs. 11.1% FNs rate, 7599.6% vs. 1352.6% FP over detectable rate). While FPs were still considerable, image grid cells to review were reduced to less than 3% of cells for full manual analysis. Using Moore's test for paired circular data, we failed to find significant differences between manual and both automated or semiautomated orientation measurements (corrected for whales measured from head to tail). Most whales were oriented in the southeastern quadrant. The results are promising for satellite image studies of migration routes.
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 | 0,002 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».