Simulation-based inference advances water quality mapping in shallow coral reef environments
Notice bibliographique
Résumé
Human activities are altering coral reef ecosystems worldwide. Optical remote sensing via satellites and drones can offer novel insights into where and how coral reefs are changing. However, interpretation of the observed optical signal (remote-sensing reflectance) is an ill-posed inverse problem, as there may be multiple different combinations of water constituents, depth and benthic reflectance that result in a similar optical signal. Here, we apply a new approach, simulation-based inference, for addressing the inverse problem in marine remote sensing. The simulation-based inference algorithm combines physics-based analytical modelling with approximate Bayesian inference and machine learning. The input to the algorithm is remote-sensing reflectance, and the output is the likely range (posterior probability density) of phytoplankton and suspended minerals concentrations, coloured dissolved organic matter absorption, wind speed and depth. We compare inference models trained with simulated hyperspectral or multispectral reflectance spectra characterized by different signal-to-noise ratios. We apply the inference model to in situ radiometric data ( n = 4) and multispectral drone imagery collected on the Tetiaroa atoll (South Pacific). We show that water constituent concentrations can be estimated from hyperspectral and multispectral remote-sensing reflectance in optically shallow environments, assuming a single benthic cover. Future developments should consider spectral mixing of multiple benthic cover types.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| 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 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 ».