Comparison of Pixel and Object Based Approaches Using Landsat Data for Land Use and Land Cover Classification in Coastal Zone of Medan, Sumatera
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
As an archipelagic country, Indonesia has the second longest coastal areas in the world after Canada. Coastal zone has dynamic characteristics. There are many changes here because of an unique ecology systems, sedimentation as well as human activities. Because of the coastal zone dynamics especially land use and land cover therefore it is important to identify them by using remote sensing technology. This paper discuss the application of Landsat satellite remote sensing image to classify land use and land cover by using object based classification approach in part of coastal zone of Medan, North Sumatera, Indonesia. Conventional classification methods use per pixel approaches that rely only on the spectral information or colours contained in the image. Otherwise object based classification approach firstly the image is segmented into objects. In subsequent steps, segments are merged based on their level of similarity. The user uses a scale parameter which indirectly controls the size of objects by specifying how much heterogeneity is allowed within each. User-defined color and shape parameters can also be set to change the relative weighting of reflectance and shape in defining segments. The methodology is consisted of satellite data acquisition, existing topographic map and statistical data collection, rectification of Landsat image, classification of land use and land cover using maximum likelihood algorithm and object based approach. Finally, the result shows that use of object based classification system provides reliable classification result than using traditional method such maximum likelihood classification system.
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 | 0,001 |
| Communication savante | 0,000 | 0,003 |
| 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