Inférence statistique de la profondeur de la colonne d’eau par analyses radiométrique et géométrique de l’imagerie spectrale
Bibliographic record
Abstract
nférence statistique de la profondeur de la colonne d’eau par analyses radiométrique et géométrique de l’imagerie spectrale La cartographie précise des eaux peu profondes, particulièrement en zones côtières, reste un défi majeur, notamment en ce qui concerne les incertitudes dans la mesure de la profondeur de la colonne d’eau (WCD). Cette précision est essentielle tant pour la navigation que pour la recherche, qui s’est jusqu’ici principalement concentrée sur l’estimation de la WCD sans considérer pleinement les incertitudes associées. Les méthodes traditionnelles, qu’elles soient radiométriques ou géométriques, présentent chacune leurs limitations spécifiques. Notre travail propose un cadre d’inférence basé sur la vraisemblance pour estimer rigoureusement ces incertitudes. L’approche se développe selon deux axes : une analyse radiométrique fondée sur la modélisation du transfert radiatif avec des techniques semi-analytiques, et une approche géométrique basée sur la triangulation stéréophotogrammétrique. Cette double méthodologie permet d’évaluer les biais et les erreurs inhérents à chaque approche. Le développement de ces cadres d’inférence dans les domaines radiométrique et géométrique est validé par des simulations réalistes, permettant une compréhension approfondie des incertitudes dans l’estimation de la WCD. Nos résultats démontrent l’efficacité de cette approche pour quantifier les incertitudes dans les deux types d’estimations. Cette recherche apporte une contribution significative à la télédétection passive et aux sciences marines en proposant des méthodes fiables pour évaluer les incertitudes dans la cartographie des eaux peu profondes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".