Satellite-Derived Bathymetry Combined With Sentinel-2 and ICESat-2 Datasets Using Deep Learning
Notice bibliographique
Résumé
Accurate bathymetric data is critical for marine ecological balance and resource management. Deep learning algorithms, known for their capacity to model complex, multivariate, and nonlinear relationships, have been increasingly applied to satellite-derived bathymetry (SDB). However, existing deep learning models are limited by simple architectures and low efficiency in hyperparameter optimization, resulting in suboptimal training performance. This paper proposes a Convolutional Neural Network and Bidirectional Long Short-Term Memory hybrid model based on the Bayesian Optimization Algorithm (BOA-CNN-BILSTM) to enhance bathymetric inversion accuracy and efficiency. The model employs BOA to optimize the key hyperparameters of the CNN-BILSTM architecture, thereby improving inversion performance. Bathymetric inversion experiments were conducted using fused ICESat-2 and Sentinel-2 data, focusing on Coral Island and Dong Island in the South China Sea, as well as Midway Island and Oahu Island in the Pacific Ocean. Comparative experiments demonstrated that BOA significantly outperforms conventional random search (RS) by achieving near-optimal hyperparameter configurations with fewer evaluations, accelerating convergence and reducing computational costs. The BOA-CNN-BILSTM model reduced the root mean square error (RMSE) by 28.6%–56.5%, 29.6%–53.7%, 34.1%–52.6%, and 28.9%–57.1% across the study areas compared with the Convolutional Neural Network (CNN), Bidirectional Long Short-Term Memory (BILSTM), and CNN-BILSTM models. Other evaluation metrics also showed varying degrees of improvement. These results demonstrate that the proposed approach is effective and highly accurate for bathymetric inversion in shallow waters.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».