論文の概要: A Review of Statistical and Machine Learning Approaches for Coral Bleaching Assessment

• arxiv url: http://arxiv.org/abs/2511.12234v1
• Date: Sat, 15 Nov 2025 14:22:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.691352
• Title: A Review of Statistical and Machine Learning Approaches for Coral Bleaching Assessment
• Title（参考訳）: 角膜漂白評価のための統計的・機械学習手法の検討
• Authors: Soham Sarkar, Arnab Hazra,
• Abstract要約: 世界のサンゴ礁の半分以上が過去30年間に漂白されたり死んだりしている。 データ駆動戦略は効果的なサンゴ礁管理に不可欠である。
• 参考スコア（独自算出の注目度）: 0.880899367147235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coral bleaching is a major concern for marine ecosystems; more than half of the world's coral reefs have either bleached or died over the past three decades. Increasing sea surface temperatures, along with various spatiotemporal environmental factors, are considered the primary reasons behind coral bleaching. The statistical and machine learning communities have focused on multiple aspects of the environment in detail. However, the literature on various stochastic modeling approaches for assessing coral bleaching is extremely scarce. Data-driven strategies are crucial for effective reef management, and this review article provides an overview of existing statistical and machine learning methods for assessing coral bleaching. Statistical frameworks, including simple regression models, generalized linear models, generalized additive models, Bayesian regression models, spatiotemporal models, and resilience indicators, such as Fisher's Information and Variance Index, are commonly used to explore how different environmental stressors influence coral bleaching. On the other hand, machine learning methods, including random forests, decision trees, support vector machines, and spatial operators, are more popular for detecting nonlinear relationships, analyzing high-dimensional data, and allowing integration of heterogeneous data from diverse sources. In addition to summarizing these models, we also discuss potential data-driven future research directions, with a focus on constructing statistical and machine learning models in specific contexts related to coral bleaching.
• Abstract（参考訳）: 世界のサンゴ礁の半分以上が過去30年間に漂白されたり死んだりしている。 海面温度の上昇は、様々な時空間環境要因とともに、サンゴの漂白の主要な原因と考えられている。 統計学と機械学習のコミュニティは、環境の複数の側面を詳細に研究してきた。 しかし,サンゴの漂白を評価するための様々な確率的モデリング手法に関する文献は極めて少ない。 本稿では,サンゴの白化を評価するための統計的・機械学習手法の概要を概説する。 単純な回帰モデル、一般化線形モデル、一般化付加モデル、ベイズ回帰モデル、時空間モデル、およびフィッシャーの情報と変動指数のようなレジリエンス指標を含む統計フレームワークは、異なる環境ストレスがサンゴの漂白にどのように影響するかを調査するために一般的に用いられる。 一方, ランダム林, 決定木, サポートベクトルマシン, 空間演算子などの機械学習手法は, 非線形関係の検出や高次元データの解析, 多様な情報源からの異種データの統合に人気がある。 これらのモデルを要約することに加えて、サンゴの漂白に関連する特定の文脈における統計的および機械学習モデルの構築に焦点を当て、データ駆動による今後の研究方向性についても論じる。

関連論文リスト

• Deep Learning Models for Coral Bleaching Classification in Multi-Condition Underwater Image Datasets [0.0]
  サンゴ礁は多くの海洋生物を支えており、嵐や洪水からの沿岸保護の重要な源となっている。 本研究では,多様なグローバルデータセットに基づく,機械学習に基づくサンゴ白化分類システムを提案する。 我々はResidual Neural Network (ResNet), Vision Transformer (ViT), Convolutional Neural Network (CNN)の3つの最先端モデルのベンチマークと比較を行った。
  論文  参考訳（メタデータ） (2025-10-24T06:13:15Z)
• The Coralscapes Dataset: Semantic Scene Understanding in Coral Reefs [12.535323016915122]
  本研究はサンゴ礁において,2075のイメージ,39のベントニッククラス,174kのセグメンテーションマスクを含む汎用的なセグメンテーションデータセットを初めて公開する。 我々は、幅広いセマンティックセグメンテーションモデルをベンチマークし、Coralscapesから既存の小さなデータセットへの変換学習が一貫して最先端のパフォーマンスをもたらすことを発見した。 Coralscapesは、コンピュータビジョンに基づく効率よくスケーラブルで標準化されたサンゴ礁の調査方法の研究を触媒し、水中の生態学ロボットの開発を効率化する可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-25T18:33:59Z)
• Deep learning for multi-label classification of coral conditions in the Indo-Pacific via underwater photogrammetry [24.00646413446011]
  本研究はインド太平洋におけるサンゴの一般的な条件と関連するストレスを表わしたデータセットを作成する。 既存の分類アルゴリズムを評価し、サンゴの条件を自動的に検出し、生態情報を抽出する新しいマルチラベル手法を提案した。 提案手法はサンゴの条件を, 健康, 危害, 死, 汚物として正確に分類する。
  論文  参考訳（メタデータ） (2024-03-09T14:42:16Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Pengembangan Model untuk Mendeteksi Kerusakan pada Terumbu Karang dengan Klasifikasi Citra [3.254879465902239]
  本研究はFlickr APIを用いてFlickrから収集した923枚の画像からなる特別なデータセットを利用する。 この研究で使用される方法は、機械学習モデル、特に畳み込みニューラルネットワーク(CNN)の使用を含む。 その結果,Stock-Scratch ResNetモデルは,精度と精度で事前学習モデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-08T15:30:08Z)
• Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
  本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。 デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。 これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
  論文  参考訳（メタデータ） (2023-07-12T01:11:52Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。