High resolution satellite data and image segmentation produce accurate benthic substrate maps in clear waters of the great lakes
Notice bibliographique
Résumé
Abstract Benthic substrates are an important component of fish habitat and preferred substrates vary with species and life history traits. Understanding the location and areal extent of these substrates helps inform protection and management of fish and other aquatic species. Traditional methods of substrate mapping can require substantial effort and necessitate specialized equipment and personnel to work at and travel to sites. Satellite mapping of bottom types has been conducted in the past, though most of this work has been done in ocean systems and relatively little in freshwater. Using several permutations of input data and processing methods, we accurately map benthic substrates in the clear freshwater ecosystem of Fathom Five National Marine Park, Lake Huron, Canada. Using a novel approach, we were able to map substrate with relatively limited inputs to the model, making the method easily transferable among systems. An object-based approach to classification proved beneficial for accuracy, as was using higher resolution (< 2 m) satellite data to achieve our target accuracies. We also grouped accuracies by depth bins within the site to show that accuracy does not decrease linearly out to the maximum observable depth. Using a more limited depth range for classification results in higher overall and depth-specific accuracies, which may be beneficial when only a shallower portion of the site is necessary to map. With this model and information, accurate substrate maps for an area of interest could be developed to assist with the identification and management of aquatic habitat.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».