A subregional shallow water bathymetry derivation method for coral reef using ICESat-2 and Sentinel-2 combined with sediment information
Notice bibliographique
Résumé
The bathymetric data is of great significance to coral reef protection. Traditional measurement methods have low efficiency, high cost, and are easily affected by natural conditions. Satellite-derived bathymetry (SDB) in the shallow water area has high efficiency. However, the accuracy of conventional single-band, logarithmic ratio, and multi-band model is easily affected by the difference of sediment types, that is, the portability of a single model is poor. It is necessary to take into account the coral reef sediment types and improve the accuracy of SDB. Fine sediment classification relies on field acoustic and spectral measurements, which is costly and subject to many restrictions. In this study, a subregional shallow water satellite-derived bathymetry method in combination with sediment information (SDB_SS) is proposed by integrating various algorithms. Firstly, based on the Sentinel-2 multi-spectral imagery, the study area is roughly divided into six types of sediment samples: Sand, Rubble, Seagrass, Rock, Microalgae mat, and Coral / Algae. Then, the sediment pixel information is counted, and the coral reef area is divided into three sub-regions of high, medium and low reflection by threshold segmentation method. Finally, combined with ICESat-2 and Sentinel-2 data, the improved subregional satellite-derived bathymetry model is constructed to obtain the shallow bathymetry results. Taking the Yongle Islands in the South China Sea as an example, root mean square error (RMSE), mean relative error (MRE), and mean absolute error (MAE) of the retrieval results are 0.97 m, 0.90 m and 21.23 %, respectively, compared with the measured depth. Compared with conventional single-band, logarithmic ratio, multi-band and other models, they are reduced by 0.27 m ∼ 1.65 m, 0.11 m ∼ 1.76 m and 2.5 % ∼ 65.27 %. It is proven that the proposed method can provide a reference for improving the SDB accuracy of coral reefs without measured spectral data.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».