使用半监督机器学习对使用标签扩散的多束回声声波数据进行贝类培养监测
Qian Bai1, Alireza Amiri-Simkooei1, Sebastiaan Mestdagh2
1Department of Control and Operation, Faculty of Aerospace Engineering, Delft University of Technology, 2629 HS, Delft, The Netherlands.
Journal of environmental management
|August 30, 2024
概括
半监督机器学习有效地利用有限样本绘制了蓝 (Mytilus edulis) 息地的地图. 这种方法提高了海底的分类,以实现可持续的海洋生态系统管理和监测.
科学领域:
- 海洋生态海洋生态学
- 海底息地绘制地图
- 水产养殖科学 水产养殖科学
背景情况:
- 贝类聚集地是重要的海洋息地,但容易受到人类活动的影响.
- 有效的监测需要精确的海底绘图,使用多束回声探测器 (MBES) 提供广泛的覆盖范围.
- 来自底部采样的地面真实数据对于声学海底分类至关重要,但往往有限.
研究的目的:
- 开发一种半监督机器学习方法,用于在蓝种植区分类海底沉积物.
- 为了克服海底绘图中稀缺的地面真相数据的局限性.
- 为了生成准确的地图,区分贝类和非贝类地区.
主要方法:
- 应用了一种半监督机器学习方法,使用有限的盒子核心样本 (n=9) 来创建多束回声探测器 (MBES) 数据的伪标签.
- 从MBES数据中利用了地缘形态和反向散射特征.
- 训练有素的梯度提升,随机森林和支持向量机算法.
主要成果:
- 伪标签显著增加了训练数据大小,使强大的机器学习模型开发成为可能.
- 成功将研究区域分为贝和非贝区域.
- 地形学和反向散射特征被证明是检测培养的补充.
结论:
- 半监督机器学习是用有限的地面真相数据对海底分类的可行解决方案.
- 开发的方法为蓝种植区提供了有效的地图绘制.
- 研究结果为监测自然息地和改善海洋生态系统管理提供了洞察力.
更多相关视频
相关概念视频
01:30Marine Microbial Ecology
Marine microbial ecosystems are shaped by distinct physicochemical limits, including high salinity, low nutrient availability, and fluctuating oxygen levels. These conditions favor smaller microbial cell sizes, which maximize their surface-to-volume ratio for efficient nutrient uptake.Microbial activity and community composition are closely linked to biogeochemical cycles, particularly in dynamic environments like estuaries, where halotolerant microbes thrive in response to variable salinity...
01:18Deep Sea Microbial Ecology
The deep ocean and its underlying sediments represent vast, largely unexplored microbial habitats that extend far beyond the sunlit photic zone. The photic (euphotic) zone typically spans the upper ~100–200 meters of pelagic waters in the open ocean, but its depth varies geographically and seasonally, where sufficient light supports photosynthetic life. Below this lies the deep sea, spanning roughly 1000–6000 meters (bathypelagic to abyssal zones), with deeper hadal trenches extending beyond...