Multi-temporal RADARSAT-2 polarimetric SAR data for urban land-cover classification using an object-based support vector machine and a rule-based approach
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
We have investigated multi-temporal polarimetric synthetic aperture radar (SAR) data for urban land-cover classification using an object-based support vector machine (SVM) in combinations of rules. Six-date RADARSAT-2 high-resolution polarimetric SAR data in both ascending and descending passes were acquired in the rural–urban fringe of the Greater Toronto Area during the summer of 2008. The major land-use/land-cover classes include high-density residential areas, low-density residential areas, industrial and commercial areas, construction sites, parks, golf courses, forests, pasture, water, and two types of agricultural crops. Various polarimetric SAR parameters were evaluated for urban land-cover mapping and they include the parameters from Pauli, Freeman and Cloude–Pottier decompositions, the coherency matrix, intensities of each polarization, and their logarithm forms. The multi-temporal SAR polarimetric features were classified first using an SVM classifier. Then specific rules were developed to improve the SVM classification results by extracting major roads and streets using shape features and contextual information. For the comparison of the polarimetric SAR parameters, the best classification performance was achieved using the compressed logarithmic filtered Pauli parameters. For the evaluation of the multi-temporal SAR data set, the best classification result was achieved using all six-date data (kappa = 0.91), while very good classification results (kappa = 0.86) were achieved using only three-date polarimetric SAR data. The results indicate that the combination of both the ascending and the descending polarimetric SAR data with an appropriate temporal span is suitable for urban land-cover mapping.
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 | 0,000 |
| 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