A machine learning based estimation method of beach slopes at a national scale: a case study of New Zealand
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Beach slope is a critical parameter for understanding coastal geomorphological dynamics, yet the acquisition of comprehensive datasets at large scales remains a significant challenge. This study bridges this gap by presenting a novel methodology for estimating beach slopes across New Zealand’s sandy coastlines. We developed robust coastal slope estimation models for sandy beaches by integrating 12 environmental factors with high-precision LiDAR-derived slope data, employing four machine learning regression techniques: Random Forest (RF), Gradient Boosting Decision Tree (GBDT), eXtreme Gradient Boosting (XGBoost), and Category Boosting (CatBoost). These models were trained on datasets from 1,241 beaches with LiDAR-derived Digital Elevation Models (DEMs) and subsequently applied to predict coastal slopes for an additional 509 beaches lacking LiDAR data. The results reveal that the XGBoost model outperformed the others, achieving the highest accuracy with an R2 of 0.93 and an MAE of 0.02, demonstrating the effectiveness of machine learning in coastal slope estimation. This innovative approach, leveraging DEM datasets and environmental variables, provides a robust and cost-effective tool for estimating coastal slopes across global sandy beaches compared to high-cost field measurement methods. We also emphasized that our method can estimate beach slopes for beaches without topography data based on constructed machine learning methods and environmental factors. Future studies should focus on incorporating additional environmental covariates, and extending the model’s applicability to diverse coastal environments, thereby enhancing its predictive accuracy and utility, supporting sustainable coastal development worldwide.
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.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle