Estimating particle size in silty lake sediments using a fine-tuned deep learning model on hyperspectral imagery
Rattachement africain : ca. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
• Hyperspectral imaging effectively captured grain-size variations in the silt range. • Model performance remained significant using only 24% of original training data. • Performance did not substantially improved by including more than 48% of training data. • Lithofacies properties showed no apparent relationship with model performance.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Estimating particle size in silty lake sediments using a fine-tuned deep learning model on hyperspectral imagery
- Date Crossref
- 01/08/2026
- Éditeur
- Elsevier BV
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.