Mapping the condition of mangroves of the Mexican Pacific using C-band ENVISAT ASAR and Landsat optical data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To determine whether spaceborne C-band SAR data could be used alone, or in conjunction with optical data, for accurately mapping mangrove forests of the Mexican Pacific, four scenes of dual-polarized ENVISAT ASAR data, at two incidence angles, were collected for the Teacapán-Agua Brava-Las Haciendas estuarine-mangrove complex. Several combinations of these ASAR data were classified to determine the most optimal arrangement for mangrove mapping. In addition, corresponding Landsat TM data were classified using the same training sites. The overall accuracy in mapping these mangroves did improve when more than one polarization mode was employed. In general, the higher incidence angle data (~41º vs ~23º) provided better results. In all circumstances, the optical data alone provided higher classification accuracies. When contained as one mangrove class, the highest overall accuracy achieved using the ASAR data was 54% as compared to 76% for the optical data. When considering four separate mangrove classes, representing the four conditions typical of this system (dead, poor condition, healthy, tall healthy), overall accuracies dropped to 45% and 63%, respectively. With the limited penetration of C-band into canopies, it was difficult to separate healthy and tall healthy mangrove from palm and other terrestrial forests using the ASAR data. In addition to confusion amongst the four mangrove classes, the dead mangrove stands created considerable misclassification as they were readily misidentified with water and saltpan areas in the optical data and with agricultural lands in the ASAR data procedure. Given the advantage of ASAR for identifying dead stands from open water and saltpan, these data were then used in conjunction with the optical data to reduce the misclassification of these areas.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle