Shallow Bathymetry from Hyperspectral Imagery Using 1D-CNN: An Innovative Methodology for High Resolution Mapping | ||
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto Argentino de Oceanografía. Universidad Nacional del Sur. Instituto Argentino de Oceanografía | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto Argentino de Oceanografía. Universidad Nacional del Sur. Instituto Argentino de Oceanografía | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto Argentino de Oceanografía. Universidad Nacional del Sur. Instituto Argentino de Oceanografía | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Ciencias e Ingeniería de la Computación. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación. Instituto de Ciencias e Ingeniería de la Computación | |
| dc.contributor.author | Martinez Vargas, Steven | |
| dc.contributor.author | Genchi, Sibila Andrea | |
| dc.contributor.author | Vitale, Alejandro José | |
| dc.contributor.author | Delrieux, Claudio Augusto | |
| dc.date.issued | 2025-10 | |
| dc.description.abstract | The combined application of machine or deep learning algorithms and hyperspectral imagery for bathymetry estimation is currently an emerging field with widespread uses and applications. This research topic still requires further investigation to achieve methodological robustness and accuracy. In this study, we introduce a novel methodology for shallow bathymetric mapping using a one-dimensional convolutional neural network (1D-CNN) applied to PRISMA hyperspectral images, including refinements to enhance mapping accuracy, together with the optimization of computational efficiency. Four different 1D-CNN models were developed, incorporating pansharpening and spectral band optimization. Model performance was rigorously evaluated against reference bathymetric data obtained from official nautical charts provided by the Servicio de Hidrografía Naval (Argentina). The BoPsCNN model achieved the best testing accuracy with a coefficient of determination of 0.96 and a root mean square error of 0.65 m for a depth range of 0–15 m. The implementation of band optimization significantly reduced computational overhead, yielding a time-saving efficiency of 31–38%. The resulting bathymetric maps exhibited a coherent depth gradient from nearshore to offshore zones, with enhanced seabed morphology representation, particularly in models using pansharpened data. | es |
| dc.description.fil | Fil: Martinez Vargas, Steven. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto Argentino de Oceanografía. Universidad Nacional del Sur. Instituto Argentino de Oceanografía; Argentina | |
| dc.description.fil | Fil: Genchi, Sibila Andrea. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto Argentino de Oceanografía. Universidad Nacional del Sur. Instituto Argentino de Oceanografía; Argentina | |
| dc.description.fil | Fil: Vitale, Alejandro José. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto Argentino de Oceanografía. Universidad Nacional del Sur. Instituto Argentino de Oceanografía; Argentina | |
| dc.description.fil | Fil: Delrieux, Claudio Augusto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Ciencias e Ingeniería de la Computación. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación. Instituto de Ciencias e Ingeniería de la Computación; Argentina | |
| dc.format | application/pdf | es |
| dc.identifier.citation | Martinez Vargas, Steven; Genchi, Sibila Andrea; Vitale, Alejandro José; Delrieux, Claudio Augusto; Shallow Bathymetry from Hyperspectral Imagery Using 1D-CNN: An Innovative Methodology for High Resolution Mapping; MDPI; Remote Sensing; 17; 21; 10-2025; 1-21 | es |
| dc.identifier.institucional | CONICET | |
| dc.identifier.issn | 2072-4292 | es |
| dc.identifier.repo | CONICET Digital | |
| dc.identifier.uri | http://hdl.handle.net/11336/284769 | |
| dc.journal.ciudad | Basel | es |
| dc.journal.number | 21 | es |
| dc.journal.pagination | 1-21 | es |
| dc.journal.pais | Suiza | es |
| dc.journal.title | Remote Sensing | es |
| dc.journal.volume | 17 | es |
| dc.language.iso | eng | es |
| dc.publisher | MDPI | es |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/url/https://www.mdpi.com/2072-4292/17/21/3584 | |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.3390/rs17213584 | |
| dc.rights | info:eu-repo/semantics/openAccess | * |
| dc.rights.uri | https://creativecommons.org/licenses/by/2.5/ar/ | * |
| dc.subject | BATHYMETRY | es |
| dc.subject | SHALLOW WATERS | es |
| dc.subject | PRISMA HYPERSPECTRAL IMAGERY | es |
| dc.subject | 1D-CNN | es |
| dc.subject | PANSHARPENING | es |
| dc.subject | BAND OPTIMIZATION | es |
| dc.subject.classification | Otras Ciencias de la Tierra y relacionadas con el Medio Ambiente | es |
| dc.subject.classification | Ciencias de la Tierra y relacionadas con el Medio Ambiente | es |
| dc.subject.classification | CIENCIAS NATURALES Y EXACTAS | es |
| dc.title | Shallow Bathymetry from Hyperspectral Imagery Using 1D-CNN: An Innovative Methodology for High Resolution Mapping | es |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:ar-repo/semantics/artículo | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
Archivos
Bloque original
Cargando...
- Nombre:
- CONICET_Digital_Nro.2d953a01-978b-464d-8c04-5ce5613d9503_B.pdf
- Tamaño:
- 17.58 MB
- Formato:
- Adobe Portable Document Format