Machine learning approaches for satellite-derived bathymetry in tropical coastal waters: A comparative study from Nha Trang marine protected area, Vietnam
Notice bibliographique
Résumé
Bathymetry mapping plays a critical role in coastal zone management, marine conservation, and navigation safety. With the increasing availability of high-resolution satellite imagery, such as PlanetScope (3−5 m), remote sensing-based bathymetry retrieval offers a cost-effective and scalable alternative to traditional in-situ surveys. This study explores the capability of PlanetScope imagery to retrieve a wide range of bathymetry (-0.5 − ~ -40 m) in the southern area of the Nha Trang Marine Protected Area (MPA), Vietnam - an ecologically significant and dynamic coastal region. We conduct a comprehensive comparison between traditional approaches, including the Stumpf ratio model and Multiple Linear Regression (MLR), and a suite of advanced machine learning (ML) algorithms, including Random Forest (RF), Support Vector Machine (SVM), Light Gradient Boosting Machine (LGBM), Extreme Gradient Boosting (XGB), CatBoost (CB), and Gradient Boosting (GB). Among these, RF achieved the highest performance with an R2 of 0.85, RMSE of 2.66 m, and MAE of 1.85 m, significantly outperforming the Stumpf model (R2 = 0.29) and MLR (R2 = 0.57). This study represents one of the most extensive model comparisons to date for satellite-derived bathymetry using PlanetScope data, offering a benchmark for future applications in tropical coastal environments. Results underscore the potential of machine learning to advance spatially detailed and accurate bathymetric mapping from space.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».