Satellite-Derived Bathymetry Using Machine Learning Methods
Notice bibliographique
Résumé
This study evaluates the performance of machine and deep learning (ML/DL) models for satellite-derived bathymetry (SDB) compared to traditional empirical and physics-based methods in high-latitude freshwater and saltwater environments. The models were trained on data from several Canadian sites, and their transferability was tested on unseen sites. DL models, U-Net, SegNet and DeepLabv3 +, achieved about two times higher F1 scores than traditional methods. From the class-wise scores, ML/DL models can reliably predict up to a depth of 8m in freshwater, due to greater water transparency, and up to 3m in saltwater, due to sediments that prevent light penetration. Traditional methods struggled in deeper and turbid waters, but performed similarly to the machine learning Random Forest model in both environments. Overall, the ML/DL models have difficulties generalizing to unseen data or data from geographic locations not included in the training process, particularly in saltwater due to poor light penetration. The depth results met the Zones of Confidence (ZOC) categories, CATZOC C and CATZOC D, of the International Hydrographic Organization (IHO) depth accuracy standards. Overall, this study highlights the advantages of machine learning over traditional methods while identifying challenges in model generalization and data diversity.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».