Semi‐Automated Detection of Right Whales ( <i>Eubalaena</i> <scp>spp.</scp> ) in Very High‐Resolution Satellite Imagery
Notice bibliographique
Résumé
ABSTRACT Space‐based detection of whales is proliferating because it shows promise as a monitoring tool, yet tests of its application across taxa and environments are rare. The objective of this study was to develop an end‐to‐end, semi‐automated procedure for detecting two right whale species ( Eubalaena glacialis and E. australis ) in satellite imagery. We collected 35 new and archived images covering 5200 km 2 of ocean in three habitat types from various areas around the globe, then constructed and tested an EfficientNet model classifier and a Faster Region‐Based Convolutional Neural Network detection model to process the imagery. The model was trained using 428 large whales manually detected in 18 images. The test set included 119 large whales found in 5 images collected within right whale habitats that were not included in the training set. The model produced strong recall at detecting whales (> 0.73). Precision was lower in northern temperate E. glacialis habitat (0.11–0.20) than in coastal tropical E. australis habitat (0.84–0.95). Satellite tasking, detection, and species‐level identification efforts were more successful in coastal than in open‐ocean habitats. The end‐to‐end procedure was effective at detecting large whales in satellite imagery. Moving forward, responsive tasking options and the high price of imagery are challenges to scaling up this procedure for operational monitoring.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».