Remote Sensing Seagrasses in Cambodia: Comparing Sentinel-2 and Planetscope for detecting and monitoring seagrasses in Cambodia’s Koh Rong and Koh Sdach Archipelagos
Notice bibliographique
Résumé
Tropical seagrass is an integral part of the world’s fisheries as it acts as a nursery for benthic reproduction, leading to it being the center of many conservation efforts. Monitoring seagrass by high resolution satellite is commonplace, but such data quality is often unavailable for many conservation groups, leading to a question of whether open-source satellite data is sufficient to meet the rigorous needs of seagrass patch detection. 10m images from the European Space Agency’s (ESA) Sentinel-2 and 3m images from Planet Labs’ Planetscope covering the Koh Sdach and Koh Rong Archipelagos in Cambodia were collected, processed, and classified, with outputs being compared for seagrass detection ability and suitability. Image scenes were merged and processed to produce depth invariant indexes using the Lyzenga algorithm. Random forest classification with ground truth data yielded accuracies of 79.5% for Sentinel and 79.7% for Planetscope using unprocessed rasters, while depth invariant rasters resulted in accuracies of 80.8% and 70.0% respectively. Sentinel-2 and Planetscope are qualitatively compared based on technical specifications and factors such as band wavelength, radiometric quality, and revisit time. Sentinel-2 shows that it is able to match the seagrass detection ability of the higher resolution Planetscope due to its additional blue band and deeper radiometric depth. Results of this analysis are placed in the context of wider research on detecting seagrass patches through satellite image classification.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».