Multispectral MBES Backscatter: Advantages of Using a Multifrequency Methodology for Seabed Classification
Notice bibliographique
Résumé
The acoustic backscatter has played a key role in various classification schemes, inputting predictive models and contributing to the interpretation of the marine landscape and its geodiversity. More recently, some studies involving multi-frequency backscatter have begun to be published in the scientific literature, based on the same thinking used in terrestrial remote sensing - that multiple bands allow for greater discrimination of the surface being analyzed. This work, therefore, explores data collected with a multibeam multispectral backscatter echo sounder (frequencies of 170 kHz, 280 kHz, 400 kHz, and 700 kHz) on different seabed types, aiming to understand how the acoustic response behaves according to frequency and seabed type, and to improve seabed classification by applying different analysis approaches and classification models. Presenter Bio Pedro Smith Menandro is a Ph.D. candidate in Oceanography at Universidade Federal do Espírito Santo (Brazil), and currently, he is a visiting Graduate Research Student at Dalhousie University (SEAM Lab). Since Pedro’s Oceanography B.Sc. (in Brazil), he has been working on different fields related to ocean mapping. He currently works on habitat mapping using different datasets with different spatial scales, exploring different approaches and classification tools. Pedro’s Ph.D. research focuses on thoroughly analyzing and developing the use of MBES multispectral backscatter data for seabed classification, as well as determining the benefits and limitations of backscatter multifrequency data.
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 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».