Does Hyperspectral Imagery Improve Satellite-Derived Bathymetry? A Case Study from a Posidonia oceanica-Dominated Mediterranean Region
Notice bibliographique
Résumé
Coastal bathymetric mapping is essential for marine conservation, navigation, and environmental management. Satellite-derived bathymetry (SDB) is a cost-effective solution to mapping bathymetry over large shallow areas. However, traditional multispectral instruments can produce poor depth estimates for several reasons, including image noise, atmospheric interference, waves and white caps, and where the seafloor-reflected signal is weak, e.g., in areas with deep water or a low-albedo seafloor. This study investigates the potential of PRISMA hyperspectral imagery to improve SDB performance. Through an iterative process, hyperspectral bands were added to a base Random Forest model, and model performance was assessed across different water pixel classes, including bright shallow substrates, seagrass, and deep water. The model’s performance was then compared to that of multispectral Landsat 8 imagery. The results demonstrated that adding hyperspectral bands to the base model improved bathymetric accuracy, particularly in deeper waters (25 m–30 m), where Mean Absolute Error decreased by 2.51 m from a 3-band to a 24-band model. However, the best-performing model was achieved using Landsat 8, resulting in a lower Mean Absolute Error (1.88 m) than the optimized 24-band PRISMA model (2.01 m). Our findings suggest that although additional hyperspectral bands can improve bathymetry estimation, multispectral imagery may still be more effective for general coastal bathymetry mapping despite its lower spectral resolution.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».