Coastal Zone Mapping of the Great Lakes: A Machine Learning Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Coastal systems on the Laurentian Great Lakes are affected by meter scale water level fluctuations that can occur over hourly to decadal time scales which can cause erosion and damage to infrastructure. Changes in water levels, ice coverage, and storm activity have been projected under various climate change scenarios and will likely alter historic coastal processes across the region. Monitoring changes in the descriptive morphometrics of coastal systems, such as coastal bluffs and shorelines, over time can offer insight into how these systems might respond to projected climate scenarios. With increasing access to geospatial data through open- source aerial and satellite imagery, an improved observational record will enhance our understanding of the spatiotemporal scales and environmental and anthropogenic controls on coastal dynamics of the Great Lakes. To take full advantage of these large data sets, this study utilizes a machine learning (ML) approach to automate the identification of coastal features, such as the shoreline indicated by the wet/dry boundary, vegetation, and coastal bluffs. Random Trees (RT) classifier models were trained using manual classifications of satellite imagery of the northwestern shore of Lake Erie. Results demonstrate that coastal features can be sufficiently identified using independent ML models, indicating the potential for an effective tool to map coastlines across large spatial scales. Over time, a similar methodology can be used to monitor coastal system dynamics to inform coastal managers and policy makers on the response of the Great Lakes coastal systems to climate change.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 découle