Advances in Remote Sensing and Deep Learning in Coastal Boundary Extraction for Erosion Monitoring
Notice bibliographique
Résumé
Erosion is a critical geological process that degrades soil and poses significant risks to human settlements and natural habitats. As climate change intensifies, effective coastal erosion management and prevention have become essential for our society and the health of our planet. Given the vast extent of coastal areas, erosion management efforts must prioritize the most vulnerable and critical regions. Identifying and prioritizing these areas is a complex task that requires the accurate monitoring and forecasting of erosion and its potential impacts. Various tools and techniques have been proposed to assess the risks, impacts and rates of coastal erosion. Specialized methods, such as the Coastal Vulnerability Index, have been specifically designed to evaluate the susceptibility of coastal areas to erosion. Coastal boundaries, a critical factor in coastal erosion monitoring, are typically extracted from remote sensing images. Due to the extensive scale of coastal areas and the complexity of the data, manually extracting coastal boundaries is challenging. Recently, artificial intelligence, particularly deep learning, has emerged as a promising and essential tool for this task. This review provides an in-depth analysis of remote sensing and deep learning for extracting coastal boundaries to assist in erosion monitoring. Various remote sensing imaging modalities (optical, thermal, radar), platforms (satellites, drones) and datasets are first presented to provide the context for this field. Artificial intelligence and its associated metrics are then discussed, followed by an exploration of deep learning algorithms for extracting coastal boundaries. The presented algorithms range from basic convolutional networks to encoder–decoder architectures and attention mechanisms. An overview of how these extracted boundaries and other deep learning algorithms can be utilized for monitoring coastal erosion is also provided. Finally, the current gaps, limitations and potential future directions in this field are identified. This review aims to offer critical insights into the future of erosion monitoring and management through deep learning-based boundary extraction.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».