A case study comparing approaches to mask satellite-derived bathymetry
Notice bibliographique
Résumé
Abstract Satellite-derived bathymetry (SDB) is a cost-effective method for estimating water depth in inland and coastal waters, but is only applicable to optically shallow water (OSW). Determining the appropriate extent of SDB maps and the depth threshold for accurate SDB model predictions has therefore been a challenge for practical applications of SDB. Previous studies have used either a numeric cut-off value or manually delineated OSW to determine where to apply, and where not to apply, SDB models. We compared the use of a threshold applied to the predicted depth, automated delineation of OSW using a published model, and manual delineation of OSW, to determine which method of masking unsuitable pixels for SDB performs best. We used a water-leaving reflectance Sentinel-2 image of the St. Lawrence River, and a Random Forest model using neighbouring pixel information to predict SDB. We then compared the different approaches to masking unsuitable pixels in terms of the mean absolute error (MAE) of the retained predictions and the total mapped area. The application of a model-predicted depth threshold is easy to implement and achieved an MAE of 0.54 m, outperforming automated and manual OSW delineation methods, which had MAEs of 1.39 m and 1.64 m respectively over an approximately 100 km2 study area. Future studies should further investigate these and other methods for masking pixels unsuitable for SDB under a wider range of environmental conditions.
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 | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».