Large Area Mapping of Annual Land Cover Dynamics Using Multitemporal Change Detection and Classification of Landsat Time Series 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
. Land cover characteristics remain of particular interest to the monitoring and reporting communities, and approaches for generating annual maps of land cover informed by change information derived from long time series are critically needed. In this study, we demonstrate and verify the utility of disturbance and recovery metrics derived from annual Landsat time series to inform the classification of annual land cover over a > 1.2 million hectare forest management area in the Boreal Mixedwood Region of northern Ontario, Canada. Annual land cover maps were generated, producing temporally informed products and compared to the established approach of using single-date spectral variables and indices. The Random Forest (RF) classification algorithm was used to classify land cover annually between 1990 and 2010, followed by the application of an annual temporal filter to remove illogical land cover transitions. Change detection in the study area had an overall accuracy of 92.47%. The use of time series metrics in the classification of land cover improved overall accuracy by 6.38% compared to single-date results. Using a separate independent reference sample, the RF classification approach combined with postclassification transition filtering resulted in an overall classification accuracy of 87.98%. The use of annual change and trend information to guide land cover, which is further informed by logical land cover transition rules, points to the creation of efficient, robust, and reliable land cover products in a transparent and operational fashion.
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 | 0,001 | 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 | 0,001 |
| 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