Previous studies have shown that se

Previous studies have shown that seabed sediment parameters such as %Mud, %Sand,
and %Gravel are useful surrogates for predicting the distribution of benthic species (e.g.,
Beaman and Harris 2007; Degraer et al. 2008). Typically, these parameters are derived
from a limited number of widely distributed sediment grab samples. To improve
predictions from these point data, continuous layers of these parameters are needed.
Apart from often used geostatistic techniques, predictive modelling techniques can be
used for large area mapping. In particular, machine learning models offer most potential
because they are able to handle both linear and non-linear relationships.
Multibeam data with high resolution coverage is now routinely collected in marine
surveys. From multibeam bathymetry we can derive a range of terrain and morphometric
variables that have known relationships with sediment distribution patterns. Multibeam
backscatter intensity depends on both acoustic impedance contrast and the roughness of
the seafloor, which are seabed habitat dependent. Various first and second order texture
measures derived from backscatter data may be useful in predicting sediment. Variables
that measure spatial autocorrelation are also considered to be useful.
This paper reports the results of predictive spatial modeling of two seabed sediment
parameters: %Mud and %Sand for a 700 km
2
area of the Carnarvon Shelf, Western
Australia. Multiple machine learning models were applied to create prediction maps and
prediction uncertainty maps.

ผลลัพธ์ (ไทย) 1:

การศึกษาก่อนหน้านี้ได้แสดงให้เห็นว่าตะกอนก้นทะเลเช่นโคลน%% ทรายและ
กรวด% เป็นอุ้มท้องที่มีประโยชน์ในการทำนายการกระจายของสายพันธุ์สัตว์ทะเลหน้าดิน (เช่น
Beaman และแฮร์ริส 2007;. degraer et al, 2008) โดยทั่วไปแล้วพารามิเตอร์เหล่านี้จะได้มา
จากจำนวนที่ จำกัด ของตัวอย่างการกระจายอย่างกว้างขวางตะกอนคว้า เพื่อปรับปรุงการคาดการณ์
จากข้อมูลเหล่านี้จุด,ชั้นอย่างต่อเนื่องของพารามิเตอร์เหล่านี้มีความจำเป็น
นอกเหนือจากมักจะใช้เทคนิค geostatistic เทคนิคการสร้างแบบจำลองการคาดการณ์สามารถ
ใช้สำหรับการทำแผนที่พื้นที่ขนาดใหญ่ โดยเฉพาะอย่างยิ่งรูปแบบการเรียนรู้ของเครื่องให้
มีศักยภาพมากที่สุดเพราะพวกเขาจะสามารถจัดการกับความสัมพันธ์ทั้งเชิงเส้นและไม่เชิงเส้น
multibeam ข้อมูลที่มีความคุ้มครองความละเอียดสูงอยู่ในขณะนี้ที่เก็บรวบรวมเป็นประจำในการสำรวจทางทะเล
จาก bathymetry multibeam เราสามารถได้รับมาในช่วงของภูมิประเทศและ morphometric ตัวแปร
ที่ได้รู้จักความสัมพันธ์กับรูปแบบการกระจายของตะกอน multibeam เข้ม backscatter
ขึ้นอยู่กับความคมชัดของความต้านทานทั้งอะคูสติกและความขรุขระของ
ก้นทะเลซึ่งเป็นที่อยู่อาศัยขึ้นอยู่กับก้นทะเล เนื้อสั่งต่างๆเป็นครั้งแรกและครั้งที่สอง
มาตรการที่ได้มาจากข้อมูลสะท้อนกลับอาจจะมีประโยชน์ในการพยากรณ์ตะกอน ตัวแปร
วัดที่ผิดพลาดที่สัมพันธ์เชิงพื้นที่ถือว่ายังที่จะเป็นประโยชน์
กระดาษนี้รายงานผลลัพธ์ของการสร้างแบบจำลองเชิงพื้นที่ในการคาดการณ์ของตะกอนก้นทะเลสองพารามิเตอร์
: โคลนและทราย%% สำหรับ 700 กิโลเมตร
2
ของพื้นที่ชั้นวางของ Carnarvon, ออสเตรเลียตะวันตก
รูปแบบการเรียนรู้หลายเครื่องถูกนำไปใช้สร้างแผนที่การทำนายและความไม่แน่นอน
แผนที่การทำนาย

ผลลัพธ์ (ไทย) 2:

การศึกษาก่อนหน้านี้ได้แสดงที่ก้นทะเลตะกอนพารามิเตอร์เช่นโคลน ทราย %%
%กรวด มี surrogates มีประโยชน์สำหรับการคาดการณ์การกระจายพันธุ์ธรรมชาติ (เช่น,
Beaman และแฮริส 2007 Degraer et al. 2008) โดยปกติ พารามิเตอร์เหล่านี้จะได้มา
ของตะกอนกระจายอย่างกว้างขวางจากคว้าตัวอย่าง เพื่อปรับปรุง
คาดคะเนจากเหล่านี้ชี้ข้อมูล ชั้นอย่างต่อเนื่องของพารามิเตอร์เหล่านี้มีความจำเป็น
เหนือ geostatistic มักจะใช้เทคนิค เทคนิคการสร้างแบบจำลองคาดการณ์สามารถเป็น
ใช้สำหรับพื้นที่ขนาดใหญ่การแมปได้ โดยเฉพาะ รูปแบบการเรียนรู้เครื่องมีศักยภาพมากที่สุด
เนื่องจากสามารถจัดการกับความสัมพันธ์เชิงเส้น และไม่เชิงเส้น
Multibeam ข้อมูล มีความครอบคลุมความละเอียดสูงอยู่ตอนนี้เป็นประจำรวบรวมในทะเล
สำรวจ จาก multibeam bathymetry เราสามารถได้รับภูมิประเทศและ morphometric
ตัวแปรที่ได้ทราบความสัมพันธ์กับตะกอนรูปแบบแจก Multibeam
backscatter ความเข้มขึ้นอยู่กับความต้านทานระดับความคมชัดและความหยาบของ
seafloor ที่อยู่อาศัยก้นทะเลขึ้น ต่าง ๆ และสองสั่งเนื้อ
มาตรการมา backscatter ข้อมูลอาจเป็นประโยชน์ในการทำนายตะกอน ตัวแปร
autocorrelation ปริภูมิการวัดถือว่ายังเป็นประโยชน์
นี้กระดาษรายงานผลคาดการณ์จำลองปริภูมิของตะกอนก้นทะเลสอง
พารามิเตอร์: %โคลนและ%ทราย 700 กิโลเมตร
2
ของคาร์นาร์วอนชั้น เวสเทิร์น
ออสเตรเลีย เรียนรู้ของเครื่องหลายรุ่นถูกนำไปใช้เพื่อสร้างแผนที่พยากรณ์ และ
แผนที่พยากรณ์ความไม่แน่นอน

ผลลัพธ์ (ไทย) 3:

การศึกษาก่อนหน้าได้แสดงพารามิเตอร์ตะกอนก้นทะเลที่อยู่บนปุ่มนั้นเช่น%โคลน%หาดทรายหินกรวดทราย
และ%เป็นประโยชน์ต่อเอกชนสำหรับการคาดการณ์การกระจายพันธุ์ benthic (เช่น
beaman และ Harris Private 2007 degraer et al . 2008 ) โดยปกติแล้วจะมีค่าพารามิเตอร์เหล่านี้ได้มา
จากจำนวนจำกัด(มหาชน)ที่มีตะกอนเผยแพร่ตัวอย่างเร่งรีบ ในการปรับปรุง
การคาดเดาจากข้อมูลจุดเชื่อมต่อนี้ชั้นต่างๆอย่างต่อเนื่องของพารามิเตอร์เหล่านี้มีความจำเป็น
แยกออกจากเทคนิค geostatistic มักใช้เทคนิคการสร้างแบบจำลองแบบคาดการณ์เอาไว้แล้วสามารถ
ใช้สำหรับแผนที่บริเวณพื้นที่ขนาดใหญ่ โดยเฉพาะในรูปแบบการเรียนรู้จัดให้บริการเครื่องมี ศักยภาพ มากที่สุด
เพราะพวกเขามีความสามารถในการจัดการกับความสัมพันธ์ทั้งสองแบบเส้นตรงและ non - linear ข้อมูล
multibeam ด้วยการครอบคลุมความละเอียดสูงคือเป็นประจำเก็บรวบรวมในทะเล
การสำรวจในตอนนี้multibeam bathymetry จากเราสามารถได้รับความหลากหลายของ ภูมิประเทศ และตัวแปร morphometric
ที่มีชื่อเสียงในด้านความสัมพันธ์ที่ดีกับรูปแบบการกระจายตะกอน ความเข้มแสง
backscatter multibeam ขึ้นอยู่กับความเปรียบต่างความต้านทานของเสียงและรุนแรงของ seafloor
ซึ่งเป็นแหล่งที่อยู่อาศัยพื้นดินใต้ทะเลขึ้นอยู่กับทั้งสอง ต่างๆเป็นครั้งแรกและครั้งที่สองการสั่งซื้อเนื้อ
มาตรการที่ได้รับมาจากข้อมูล backscatter อาจจะเป็นประโยชน์ในการคาดเดาตะกอน ตัวแปร
ที่วัด autocorrelation ช่องได้รับการพิจารณาว่าเป็นนอกจากนี้ยังมีประโยชน์
กระดาษนี้จะรายงานผลของการสร้างแบบจำลองช่องแบบคาดการณ์เอาไว้แล้วทั้งสองของพื้นดินใต้ทะเลตะกอน
พารามิเตอร์%โคลนและทราย%สำหรับ 700 กิโลเมตร

พื้นที่ 2 ชั้นของ carnarvon ตะวันตก
ประเทศออสเตรเลียรูปแบบการเรียนรู้หลายเครื่องถูกนำมาประยุกต์ใช้ในการสร้างแผนที่ความไม่แน่นอน
การคาดเดาและแผนที่การคาดเดา