Ny kortlægningsmetode for rev baseret på multibeam data
Bibliographic record
Abstract
I de sidste 20 år har der været en særlig opmærksomhed knyttet til forvaltning og beskyttelse af hårdbundsområder i Danmark og Europa som følge af habitatdirektivet. Mange lavvandede revområder har imidlertid været udsat for et omfattende stenfiskeri som følge af anlæg af havne og kystbeskyttelse. I dag er varige tab af hårdbundsområder knyttet til ralindvinding i udpegede råstofområder. <br/>Selv om Naturstyrelsen har gennemført kortlægninger, der har tilvejebragt ny viden i flere mulige råstof og N-2000 områder i de seneste år, er det samlede areal af revområder i danske farvande stadig ukendt. <br/>Vi har udviklet en metode, der kan anvendes til at kortlægge revområder baseret på multibeam data. Disse højoplyselige bathymetridata er tilgængelige i større dele af de indre danske farvande langs hovedsejlruterne, i områder hvor vi i dag ved meget lidt om havbundsformerne. Metoden identificerer hårdbundsområder ved hjælp af en analyse af bundens rughed på pre-processeceret bathymetridata. Metodikken er baseret på antagelsen, at hårdbundsområder generelt er mere ujævne(ru) end sandede og mudrede bundformer. Men der eksisterer andre strukturer med en stor rughedsindeks end hårdbund, fx skråninger af sand. Derfor har vi udviklet en algoritme, som skal skille mellem stor rughedsindeks forårsaget af sten fra andre ujævnheder. Vi har testet metoden i området omkring Hatter Barn i Samsø Bælt og den har vist sig som en anvendelig og prisbillig måde at kortlægge hårdbundsarealer med en meget høj opløsning, i områder hvor højopløselig dybdedata er tilgængelige. Den simple algoritme identificerer nemt stenforekomster, der varierer i størrelse eller ligger fordelt med toppe på bunden. Men ”flade” stenstrøgninger i samme størrelsesinterval kan føre til underestimering af hårdbundsarealer og der kan være usikkerhed omkring eksistensen af hårdbund langs bratte regulære strukturer som ”kanter” til dybere rende.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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; both teacher heads agree on what is shown here.
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".