When training models for %Mud, we d

When training models for %Mud, we discovered that BDT and SVM need only one
secondary variable: Local Moran I for Bathymetry to obtain the best performance. GRNN
used secondary variables of Homogeneity, Local Moran I for Backscatter, Variance, and
Planar Curvature to reach the best performance. For %Sand, the best performing model,
BDT, did not use Slope, Surface Area, TPI and Homogeneity in East direction. The best
performing SVM model used the secondary variables of Homogeneity in South-East
direction, Slope, Variance, Local Moran I for Bathymetry, Surface Area, Homogeneity in
North direction, and Relief. Three secondary variables including Local Moran I for
Bathymetry, Local Moran I for Backscatter, and Homogeneity in South-East direction
were used to obtain the best performing GRNN. The findings indicate the importance of
spatial autocorrelation in mapping seabed sediment parameters.
As an example, Figures 1 and 2 display the prediction maps for Point Cloates, which
show similar spatial patterns among the three models for both sediment parameters.
Percentage mud generally increases with water depth (Figure 1A-C). Figure 1D indicates

ผลลัพธ์ (ไทย) 1:

เมื่อรูปแบบการฝึกอบรมสำหรับโคลน% เราพบว่า BDT และ SVM ต้องเพียงคนเดียว
รองตัวแปรท้องถิ่น moran ผมสำหรับ bathymetry ที่จะได้รับประสิทธิภาพที่ดีที่สุด grnn
ใช้ตัวแปรที่สองของความเป็นเนื้อเดียวกันในประเทศ moran ผมสำหรับ backscatter ความแปรปรวนและความโค้ง
ระนาบไปถึงประสิทธิภาพที่ดีที่สุด สำหรับทราย%, รูปแบบการแสดงที่ดีที่สุด
BDT ไม่ได้ใช้ความลาดชันของพื้นที่ผิว,ทีพีไอและความสม่ำเสมอในทิศทางตะวันออก ที่ดีที่สุด
แบบ SVM ประสิทธิภาพใช้ตัวแปรรองจากความสม่ำเสมอในตะวันออกเฉียงใต้ทิศทาง
ลาดแปรปรวนท้องถิ่น moran ผมสำหรับ bathymetry พื้นที่ผิวสม่ำเสมอในทิศทาง
เหนือและบรรเทา สามตัวแปรรองรวมทั้งท้องถิ่น moran สำหรับผม
bathymetry ท้องถิ่น moran ผมสำหรับ backscatter และความสม่ำเสมอในทิศทางตะวันออกเฉียงใต้
ถูกนำมาใช้เพื่อให้ได้ประสิทธิภาพที่ดีที่สุด grnn ผลการวิจัยชี้ให้เห็นความสำคัญของการผิดพลาดที่สัมพันธ์เชิงพื้นที่
ในการทำแผนที่ตะกอนก้นทะเล
เป็นตัวอย่างที่ 1 และ 2 ตัวเลขแสดงแผนที่คำทำนายสำหรับ cloates จุดซึ่ง
แสดงรูปแบบการกระจายที่คล้ายกันในหมู่สามรูปแบบสำหรับทั้งตะกอน โคลนร้อยละ
โดยทั่วไปเพิ่มขึ้นกับความลึกของน้ำ (รูปที่ 1a-c)1d ตัวเลขที่แสดงให้เห็นว่า

ผลลัพธ์ (ไทย) 2:

เมื่อฝึกอบรมแบบจำลอง%โคลน เราค้นพบว่า BDT และ SVM ต้องเดียว
แปรรอง: โมแรนท้องถิ่น Bathymetry เพื่อให้ได้ประสิทธิภาพดีที่สุดสำหรับฉัน GRNN
ใช้ตัวแปรรอง Homogeneity โมแรนท้องถิ่นฉันสำหรับ Backscatter ผลต่าง และ
โค้งระนาบถึงประสิทธิภาพสูงสุด %ทราย ดีสุดในการทำแบบจำลอง,
BDT ไม่ได้ใช้ความชัน พื้นที่ผิว ทีพีไอและ Homogeneity ในทิศตะวันออก ดีสุด
การ SVM ใช้รูปแบบตัวแปรรองของ Homogeneity ในตะวันออกเฉียงใต้
ทิศทาง ความชัน ผลต่าง โมแร นท้องถิ่นสำหรับ Homogeneity Bathymetry พื้นที่ผิว ในฉัน
ทิศเหนือ และบรรเทา สามตัวแปรรองรวมทั้งโมแรนท้องถิ่นสำหรับฉัน
Bathymetry โมแรนท้องถิ่นฉัน Backscatter และ Homogeneity ในทิศทางตะวันออกเฉียงใต้
ก็จะได้รับดีสุดในการทำ GRNN ผลการวิจัยที่บ่งชี้ความสำคัญของ
autocorrelation ปริภูมิในแมปพารามิเตอร์ตะกอนก้นทะเล
เป็นตัวอย่าง ตัวเลข 1 และ 2 แสดงแผนที่พยากรณ์สำหรับจุด Cloates ซึ่ง
แสดงรูปแบบพื้นที่คล้ายในรุ่นสามสำหรับพารามิเตอร์ทั้งตะกอน
โคลนเปอร์เซ็นต์เพิ่มขึ้นกับความลึกของน้ำ (รูปที่ 1A-C) โดยทั่วไป บ่งชี้รูปที่ 1D

ผลลัพธ์ (ไทย) 3:

เมื่อการฝึกอบรมรุ่นสำหรับ%โคลนเราพบว่า BDT และ SVM เพียงหนึ่ง
แบบปรับได้หลายระดับท้องถิ่นรอง moran i สำหรับ bathymetry เพื่อให้ได้รับ ประสิทธิภาพ ที่ดีที่สุด grnn
ใช้ตัวแปรรองของท้องถิ่นซึ่งประกอบขึ้นด้วยส่วนที่เหมือนกัน moran i สำหรับ backscatter ไม่เหมือนกันความโค้ง
บางชนิดและการเข้าถึงยัง ประสิทธิภาพ ที่ดีที่สุด สำหรับหาดทราย%รุ่นที่ดีที่สุดการที่
BDT ไม่ได้ใช้พื้นที่ลาดพื้นผิวสหรัฐซึ่งประกอบขึ้นด้วยส่วนที่เหมือนกันและในทิศทางด้านทิศตะวันออก.
การ SVM รุ่นที่ดีที่สุดที่ใช้ตัวแปรรองของซึ่งประกอบขึ้นด้วยส่วนที่เหมือนกันในทิศทางตะวันออกเฉียงใต้
ทางลาดไม่เหมือนกันในท้องถิ่น moran i สำหรับ bathymetry พื้นผิวบริเวณซึ่งประกอบขึ้นด้วยส่วนที่เหมือนกันในทิศทาง
ทางด้านทิศเหนือและการบรรเทา สามตัวแปรรองรวมถึงท้องถิ่น moran i สำหรับท้องถิ่น moran ผม
bathymetry สำหรับ backscatter ซึ่งประกอบขึ้นด้วยส่วนที่เหมือนกันและในทิศทางตะวันออกเฉียงใต้
จะถูกใช้เพื่อขอรับที่ดีที่สุดการที่ grnn. จากการสำรวจพบว่าความสำคัญของ autocorrelation
ช่องในพารามิเตอร์ตะกอนก้นทะเลการทำแผนที่
เป็นตัวอย่างรูปที่ 1 และ 2 ที่แสดงแผนที่การทำนายของจุด cloates ซึ่ง
แสดงรูปแบบช่องความเหมือนในสามรุ่นสำหรับพารามิเตอร์ตะกอนทั้งสอง มีโคลน
เปอร์เซ็นต์โดยทั่วไปแล้วจะเพิ่มขึ้นในระดับความลึกน้ำ(รูปที่ 1 A - C )รูปที่ 1 D แสดงว่า