Summarize Paper logo SummarizePaper.com

Résumé IA · arXiv: 2610.33609v1 · cs.LG

Satellite-derived bathymetry of Arabian Gulf ports under leakage-free validation: a multi-site benchmark of empirical, machine-learning and deep-learning models against 285,000 multibeam soundings, with an outlook for UAE waters

Muhammad Saeed, Fatema Al Hajri, Mohamed H. Alhosani, Dmitry Mikhaylov, Yasser F. Al Wahedi
Article original Soumis à arXiv le 24 Oct. 2026 54 pages, 28 figures, 25 tables Licence : NONEXCLUSIVE-DISTRIB 1.0 Aussi en : en

Comment lire ce résumé ? Guide illustré

L’essentiel

Dans les ports d’Abu Dhabi, la validation spatiale révèle des erreurs bathymétriques supérieures aux découpages aléatoires ; l’étalonnage local améliore davantage les performances que la complexité des modèles.

Question

Quelle précision opérationnelle la bathymétrie satellitaire atteint-elle dans les eaux peu profondes et turbides du golfe Arabique, sans fuite spatiale entre étalonnage et test ? Les auteurs comparent aussi la transférabilité des modèles et l’apport de contrôles locaux ou du lidar ICESat-2.

Méthode

L’étude associe 285 619 sondages multifaisceaux de douze levés dans six zones portuaires à 72 images Sentinel-2, avec des profondeurs référencées à la plus basse mer astronomique. Elle compare Stumpf, Lyzenga, LightGBM à contraintes monotones et un ensemble de U-Net, par exclusion de site et par étalonnage local sur environ 20 % des sondages, avec des blocs de 450 m et une zone tampon de 225 m. Deux sites indépendants et un levé d’une autre année complètent les tests ; une extension côtière est ensuite vérifiée et étalonnée avec ICESat-2.

Résultats

  • Résultat Pour le même LightGBM, l’erreur quadratique moyenne passe de 0,57 m avec un découpage aléatoire à 1,30 m avec des blocs spatiaux et à 1,66 m sur un site exclu de l’entraînement.
    Voir le passage dans l’article
    The validation design changed the result more than the model: the same LightGBM model gave 0.57 m RMSE under a random pixel split, 1.30 m under spatial blocks and 1.66 m at an unseen site.
  • Résultat En transfert, Stumpf présente la plus faible erreur globale, mais le U-Net est évalué par exclusion de région plutôt que de site.
    Voir le passage dans l’article
    In transfer mode, i.e. when each model was applied to a training site it had never seen (Table 5; Fig. 3a), the Stumpf ratio gave the lowest pooled RMSE, 1.45 m (bias $+0.15$ m, $R^{2}=0.52$), followed by LightGBM at 1.66 m, the U-Net ensemble at 1.77 m (leave-region-out) and the Lyzenga transform at 2.00 m.
  • Résultat Avec des contrôles locaux, l’hybride atteint 1,11 m d’erreur sur 0–11 m et 67 % des pixels respectent la tolérance de l’ordre 2, sans atteindre le seuil de conformité de 95 %.
    Voir le passage dans l’article
    With local control a hybrid of the tree output and the band ratio reached 1.11 m over 0–11 m, 67 % of pixels within the IHO S-44 Order 2 tolerance and a conformal 95 % interval with 95 % observed coverage; in clear water it reached 0.29–0.53 m.
  • Résultat L’étalonnage côtier par ICESat-2 ramène l’erreur de 2,89 à 1,42 m et le biais de +2,01 à +0,24 m sur les blocs réservés des 24 cellules étalonnées.
    Voir le passage dans l’article
    On the held-out blocks of the 24 cells ($n=87,982$ lidar pixels within the limit) the error of the mosaic fell from 2.89 m to 1.42 m and its bias from $+2.01$ to $+0.24$ m (Table 19; Fig. 21).
  • Interprétation des auteurs Les auteurs concluent que la flexibilité supplémentaire de LightGBM est utile au sein des zones levées, sans apporter de gain transférable à un site inconnu.
    Voir le passage dans l’article
    Within a surveyed area (spatial block cross-validation), by contrast, LightGBM (1.30 m) was better than Stumpf (1.45 m) and Lyzenga (1.76 m): the additional flexibility of the tree model is exploited when the training data cover the bottom types and water of the area, but does not transfer to an unseen site.

Limites

  • Sans profondeurs de contrôle, les tests optiques ne distinguent pas correctement les eaux profondes brillantes des eaux peu profondes, ce qui contamine la mosaïque de reconnaissance.
    Voir le passage dans l’article
    The mapped area of this experiment is therefore an upper bound that includes an unknown share of deep water, and the median reconnaissance depth per cell of 2.6–10.5 m (median 6.8 m) and the median site-conformal U95 of 1.7–10.6 m (median 4.4 m) describe the product only where the seabed is within reach.
  • La vérification côtière par lidar représente surtout les deux tiers occidentaux du littoral, les secteurs orientaux étant peu échantillonnés.
    Voir le passage dans l’article
    They cover the Al Dhafra and Abu Dhabi coasts densely (33 of the 36 cells; up to 18,300 pixels per cell) but only three cells east of 54.7∘E with a few passes each, so that the check describes mainly the western two thirds of the coast.
  • Les cartes des deux zones dépourvues de levés ne disposent pas d’une validation contre des sondages.

Portée

Selon les auteurs, la bathymétrie Sentinel-2 peut compléter les levés pour la reconnaissance et le suivi des changements jusqu’à environ 10 m, mais ne remplace pas les levés hydrographiques. L’étude invite surtout à juger les performances sur des tests spatialement indépendants et montre la possibilité d’un étalonnage régional par ICESat-2 sans levé par navire.

Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.

Mots clés générés par l'IA : Bathymétrie satellitaire Sentinel-2 Validation spatiale Calibration locale Eaux côtières turbides

Pour aller plus loin

  • Résumé Complet
  • Résumé vulgarisé
  • Article de blog
  • Abstract original
Cette prépublication évalue la bathymétrie dérivée d’images satellitaires dans les eaux peu profondes, turbides et soumises aux marées des ports d’Abou Dhabi, puis examine son extension au littoral des Émirats arabes unis. Sa question centrale porte autant sur la validation que sur les modèles : les bonnes précisions souvent annoncées se maintiennent-elles lorsque les zones de test sont réellement séparées des données d’apprentissage ? L’étude compare également le transfert vers un site inconnu à une calibration reposant sur quelques profondeurs de référence locales, afin d’évaluer les possibilités opérationnelles pour la reconnaissance et le suivi entre les campagnes hydrographiques. Le jeu de données comprend 285 619 sondages multifaisceaux provenant de douze levés réalisés dans six zones portuaires, ainsi que 72 images Sentinel-2 sélectionnées. Quatre familles de modèles sont comparées : le rapport spectral de Stumpf, la transformation de Lyzenga, des arbres à gradient renforcé LightGBM soumis à des contraintes physiques de monotonie et un ensemble de réseaux U-Net. Le traitement inclut le masquage des nuages, la correction des reflets solaires, la prise en compte de la turbidité et le référencement des profondeurs au zéro des plus basses mers astronomiques. La validation repose sur des blocs de 450 mètres, avec une distance minimale de 225 mètres entre les données de calibration et de test. Elle est complétée par des évaluations sur des sites exclus de l’apprentissage et sur un levé réalisé une autre année. Un modèle hybride associe ensuite LightGBM, le rapport spectral et une correction adaptée aux très faibles profondeurs. Le résultat principal met en évidence l’influence déterminante du protocole d’évaluation. Pour un même modèle LightGBM, la racine de l’erreur quadratique moyenne (RMSE) passe de 0,57 mètre avec une répartition aléatoire des pixels à 1,30 mètre avec une validation par blocs spatiaux, puis à 1,66 mètre sur un site inconnu. En transfert, Stumpf obtient la meilleure RMSE globale, soit 1,45 mètre, contre 1,77 mètre pour U-Net et 2,00 mètres pour Lyzenga. La complexité des modèles n’offre donc pas d’avantage systématique hors des sites connus. Avec une calibration locale mobilisant environ 20 % des sondages disponibles, le modèle hybride atteint une RMSE de 1,11 mètre pour des profondeurs comprises entre 0 et 11 mètres, mais ne fournit une estimation que pour environ 76 % des pixels admissibles. Environ 60 à 125 points de contrôle par image suffisent à obtenir l’essentiel du gain, tandis que la fusion de trois images apporte la majeure partie du bénéfice lié à leur combinaison. Les performances restent fortement dépendantes du milieu. En eau claire, la calibration locale permet d’atteindre une RMSE de 0,29 à 0,53 mètre sur le site de validation temporelle, contre 1,84 mètre dans la baie indépendante de Mirfa. Le chenal turbide d’Old Musaffah ne peut pas être cartographié de manière fiable. La profondeur exploitable atteint généralement 8 à 9 mètres dans les bassins et 11 à 12 mètres en eau claire. La turbidité estivale est cinq à six fois plus élevée que la turbidité hivernale. À l’échelle côtière, une mosaïque couvrant 17 233 kilomètres carrés présente une RMSE de 2,91 mètres par rapport aux mesures du lidar ICESat-2. Une calibration par cellules ramène cette erreur à 1,42 mètre, avec un biais de +0,24 mètre, sur environ la moitié du produit. Les auteurs concluent que cette approche constitue un complément utile aux levés hydrographiques, sans pouvoir les remplacer pour la navigation. Même avec un contrôle local, seuls 67 % des pixels du jeu d’évaluation respectent la tolérance verticale de l’Ordre 2, loin du seuil requis de 95 %. Les principales limites sont le faible nombre de sites indépendants, les décalages temporels entre les observations, la couverture inégale du lidar et l’absence de validation indépendante dans les zones non levées. La comparaison à haute résolution est également fragilisée par l’utilisation d’une image antérieure aux levés et dépourvue de calibration radiométrique.
Créé le 02 Nov. 2026

Cette synthèse vous a-t-elle été utile ?

Note : 0

Pourquoi avons-nous besoin de votes ?

Les votes sont utilisés pour déterminer si nous devons réexécuter nos outils de synthèse. Si le compte atteint -10, nos outils peuvent être redémarrés.

Posez des questions sur cet article à notre assistant IA

Comment discuter avec cet article ? Guide illustré

Comparer avec le PDF

Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.

Figures et graphiques

Posez une question sur une figure en indiquant son numéro ou en utilisant son bouton de question pour demander une analyse visuelle. Au maximum deux figures et quatre panneaux par question. Les valeurs lues sur les graphiques sont approximatives ; vérifiez les données originales.
Instructions pour utiliser l'assistant IA ?

Outils pour cet article

Expliquer autrement 3 réécritures gratuites restantes aujourd'hui
Enregistrer dans une collection Regroupez des articles en collections pour les comparer, les interroger et les exporter. Créer un compte gratuit Se connecter
Exporter BibTeX · RIS (Zotero, Mendeley, EndNote) · Obsidian (Markdown) · Notion (Markdown)

Outils avancés Premium

Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium

Zotero
Alertes de citation Guide des alertes de citations
Qui travaille dessus ? Les personnes et institutions qui publient sur son sujet
Lettre hebdomadaire Présenté dans « Intelligence artificielle cette semaine » du 2 novembre 2026. Intelligence artificielle cette semaine : ce que les bons scores ne disent pas
Journal club Premium+ Des slides pour le présenter Proposer pour le journal club
Versions Ce qui a changé entre les versions
En parler en public Premium+ Kit presse : communiqué, questions, détecteur de hype Guide du kit presse

Les articles autour de celui-ci

Les voir sur une carte

Classés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.

Les articles les plus proches

  1. Très proche Même question
    Comparative Analysis of SBES Bathymetry and Machine Learning-Based Satellite-Derived Bathymetry from Sentinel-2 in the Coastal Waters of Dubibir, Situbondo
    M. Fuad, Rizky Wisudawan Zannuar, Seftiawan Samsu Rijal et al. · 2026 · JFMR-Journal of Fisheries and Marine Research · Pas encore résumé

    L’étude de Dubibir compare la bathymétrie satellitaire Sentinel-2 à des mesures acoustiques côtières, comme l’étude du golfe Arabique avec ses sondages multifaisceaux.

    Résumé scientifique

    Accurate Bathymetryc information in shallow coastal waters is critical for marine navigation, coastal zone management, habitat assessment, and environmental monitoring. Conventional Bathymetryc surveys are limited by high operational costs, restricted spatial coverage, and time-consuming fieldwork. To overcome these challenges, the present study assesses the potential of Satellite-Derived Bathymetry (SDB) using Sentinel-2 imagery as an alternative, comparing it with in situ Bathymetryc measurements obtained via Single Beam Echosounder (SBES) in the coastal waters of Dubibir, Situbondo, Indonesia. Bathymetryc data were collected with an SBES GPSMAP 585c, and Sentinel-2 multispectral imagery w…

  2. Très proche Autre approche du problème
    Sentinel-2 Satellite-Derived Bathymetry with Data-Efficient Domain Adaptation
    Christos G. E. Anagnostopoulos, Vassilios Papaioannou, Konstantinos Vlachos et al. · 2025 · Journal of Marine Science and Engineering · cité 3 fois · Pas encore résumé

    L’étude adapte un U-Net préentraîné par transfert d’apprentissage entre la Pologne et Chypre, tandis que l’étude du golfe compare plusieurs modèles avec validation spatiale et contrôle local.

    Résumé scientifique

    Satellite-derived bathymetry (SDB) enables the efficient mapping of shallow waters such as coastal zones but typically requires extensive local ground truth data to achieve high accuracy. This study evaluates the effectiveness of transfer learning in reducing this requirement while keeping estimation accuracy at acceptable levels by adapting a deep learning model pretrained on data from Puck Lagoon (Poland) to a new coastal site in Agia Napa (Cyprus). Leveraging the open MagicBathyNet benchmark dataset and a lightweight U-Net architecture, three scenarios were studied and compared: direct inference to Cyprus, site-specific training in Cyprus, and fine-tuning from Poland to Cyprus with increm…

  3. Très proche Même question
    Application of Backpropagation (BP) Neural Networks for Satellite-Derived Bathymetry Using Sentinel-2 Data: Accurate Depth Estimation in Coastal Environments
    Che Heng, Guo-Hao Liu, Zhong-Qiang Wu · 2025 · Marine Geodesy · cité 3 fois · Pas encore résumé

    L’étude de Nanshan estime les profondeurs côtières avec Sentinel-2 et des réseaux neuronaux, comme l’étude du golfe évalue la bathymétrie satellitaire en eaux portuaires.

    Résumé scientifique

    Abstract Accurate bathymetry estimation is essential for coastal management, resource exploration, and ecological conservation. However, traditional depth measurement methods are often time-consuming, expensive, and logistically challenging, particularly for large-scale marine surveys. These limitations have driven the development of Satellite-Derived Bathymetry (SDB), which leverages high-resolution satellite imagery and advanced computational techniques to provide a more efficient, cost-effective, and scalable solution. This study utilizes Sentinel-2 satellite data combined with various algorithmic approaches to estimate bathymetry in the Nanshan Port area. Among these methods, the Backpro…

  4. Très proche Même question
    Satellite Derived Bathymetry with Sentinel-2 Imagery: Comparing Traditional Techniques with Advanced Methods and Machine Learning Ensemble Models
    T. Susa · 2022 · Marine Geodesy · cité 41 fois · Pas encore résumé

    L’étude compare des techniques traditionnelles et des ensembles d’apprentissage automatique pour la bathymétrie Sentinel-2, comme l’étude du golfe confronte modèles empiriques et apprentissage.

    Résumé scientifique

    Abstract Accurate charting of nearshore bathymetry is critical to the safe and dependable use of coastal waterways frequented by the trading, fishing, tourism, and ocean energy industries. The accessibility of satellite imagery and the availability of various satellite-derived bathymetry (SDB) techniques have provided a cost-effective alternative to traditional in-situ bathymetric surveys. Furthermore, improved algorithms and the advancement of machine learning models have provided opportunity for higher quality bathymetric derivations. However, to date the relative accuracy and performance between traditional physics-based techniques, improved physics-based methods, and machine learning ens…

  5. Très proche Même question
    From Local Training to Large-Scale Mapping: A Comparative Assessment of Machine Learning and Deep Learning for Transferable Satellite-Derived Bathymetry
    Hsiao-Jou Hsu, Joachim Moortgat · 2026 · Remote Sensing · Pas encore résumé

    L’étude teste le transfert régional de modèles Sentinel-2 en eaux complexes, comme l’étude du golfe mesure la transférabilité entre sites portuaires.

    Résumé scientifique

    Satellite-derived bathymetry (SDB) provides a cost-effective means for mapping shallow-water depths, yet its scalability and cross-regional generalizability remain challenging in optically complex coastal environments. This study systematically evaluates machine learning (ML) and deep learning (DL) approaches for transferable SDB over the 0–20 m depth range using multispectral Sentinel-2 imagery. A Random Forest model and four deep learning architectures–ResNet-50, ResNet-101, EfficientNet-B4, and ConvNeXt-Large–are developed and trained using data from Pratas Island (South China Sea) and selected reef regions of the Great Barrier Reef (GBR), and subsequently evaluated on spatially independe…

  6. Très proche Même question
    Integrating Multiple Datasets and Machine Learning Algorithms for Satellite-Based Bathymetry in Seaports
    Zhong-Qiang Wu, Z. Mao, W. Shen · 2021 · Remote Sensing · cité 19 fois · Pas encore résumé

    L’étude estime les profondeurs de ports par imagerie satellite et apprentissage automatique, comme l’étude du golfe évalue ces méthodes en eaux portuaires turbides.

    Résumé scientifique

    Water depth estimation in seaports is essential for effective port management. This paper presents an empirical approach for water depth determination from satellite imagery through the integration of multiple datasets and machine learning algorithms. The implementation details of the proposed approach are provided and compared against different existing machine learning algorithms with a single training set. For a single training set and a single machine learning method, our analysis shows that the proposed depth estimation method provides a better root-mean-square error (RMSE) and a higher coefficient of determination (R2) under turbid water conditions, with overall RMSE and R2 improvement…

  7. Proche Même question
    Enhancing Water Depth Estimation from Satellite Images Using Online Machine Learning: A Case Study Using Baidu Easy-DL with Acoustic Bathymetry and Sentinel-2 Data
    Zhong-Qiang Wu, Shu-Lei Wu, Hai-Xia Yang et al. · 2023 · Remote Sensing · cité 6 fois · Pas encore résumé

    L’étude compare Stumpf et des algorithmes d’apprentissage pour estimer les profondeurs avec Sentinel-2 et des données acoustiques, comme l’étude du golfe.

    Résumé scientifique

    Water depth estimation is paramount in various domains, including navigation, environmental monitoring, and resource management. Traditional depth measurement methods, such as bathymetry, can often be expensive and time-consuming, especially in remote or inaccessible areas. This study delves into the application of machine learning techniques, specifically focusing on the Baidu Easy DL model for water depth estimation leveraging satellite imagery. Utilizing Sentinel-2 satellite data over Rushikonda Beach in India and processing it into remote sensing reflectance using ACOLITE software, this research compares the performance of several machine learning algorithms, including the Stumpf model, …

  8. Proche Même question
    A Comprehensive Evaluation of Machine Learning and Classical Approaches for Spaceborne Active-Passive Fusion Bathymetry of Coral Reefs
    Jian Cheng, Liang Cheng, Sensen Chu et al. · 2023 · ISPRS Int. J. Geo Inf. · cité 25 fois · Pas encore résumé

    L’étude combine Sentinel-2 et ICESat-2 pour comparer des méthodes de bathymétrie récifale, tandis que l’étude du golfe utilise aussi ICESat-2 pour vérifier et étalonner ses cartes.

    Résumé scientifique

    Satellite-derived bathymetry (SDB) techniques are increasingly valuable for deriving high-quality bathymetric maps of coral reefs. Investigating the performance of the related SDB algorithms in purely spaceborne active–passive fusion bathymetry contributes to formulating reliable bathymetric strategies, particularly for areas such as the Spratly Islands, where in situ observations are exceptionally scarce. In this study, we took Anda Reef as a case study and evaluated the performance of eight common SDB approaches by integrating Sentinel-2 images with Ice, Cloud, and Land Elevation Satellite-2 (ICESat-2). The bathymetric maps were generated using two classical and six machine-learning algori…

Aller plus loin

Comment ces articles sont-ils trouvés ?

Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.

Mis à jour le 2 novembre 2026.

Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.