Fusion of RADARSAT fine-beam SAR and QuickBird data for land-cover mapping and change detection
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
The objective of this research is to evaluate multitemporal RADARSAT Fine-Beam C-HH SAR data, QuickBird MS data, and fusion of SAR and MS for urban land-cover mapping and change detection One scene of QuickBird imagery was acquired on July 18, 2002 and five-date RADARSAT fine-beam SAR images were acquired during May to August in 2002. Landsat TM imagery from 1988 was used for change detection. QucikBird images were classified using an object-based and rule-based approach. RADARSAR SAR texture images were classified using a hybrid approach. The results demonstrated that, for identifying 19 land-cover classes, object-based and rule-based classification of Quickbird data yielded an overall classification accuracy of 86.7% (kappa 0.857). For identifying 11 land-cover classes, ANN classification of the combined Mean, Standard Deviation and Correlation texture images yielded an overall accuracy: 71.4%, (Kappa: 0.69). The hybrid classification of RADARSAT fine-beam SAR data improved the ANN classification accuracy to 83.56% (kappa: 0.803). Decision level fusion of RADARSAT SAR and QuickBird data improved the classification accuracy of several land cover classes. The post-classification change detection was able to identify the areas of significant change, for example, major new roads, new low-density and high-density builtup areas and golf courses, even though the change detection results contained large amount of noise due to classification errors of individual images. QuickBrid classification result was able add detailed change information to the major changes identified.
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