Classification Of Submerged Aquatic Vegetation In Black River Using Hyperspectral Image Analysis
Notice bibliographique
Résumé
Monitoring aquatic vegetation is an important component of water resource management due to the ecological services provided by these habitats. Spectrally-rich hyperspectral imagery can be an efficient tool for mapping and classifying macrophyte communities. Identification of submerged vegetation in aquatic regions is complicated by variations in optical properties of water constituents, sun-water-sensor geometry, water depth and the spectral/structural complexity of the plants. Many studies have attempted to detect aquatic vegetation in coastal waters; however, few studies have targeted shallow, black-water rivers tainted with chromophoric dissolved organic matter (CDOM). This study investigates methods to analyze airborne hyperspectral imagery and detect and classify aquatic vegetation in a black-water riverine system. Images were normalized to account for reflectance from the water surface and varying water depth before being analyzed by the Maximum Likelihood (ML) and three other non-parametric classifiers: Artificial Neural Network (ANN), Support Vector Machine (SVM) and Spectral Angular Mapper (SAM). Quality assessment analysis indicated a general classification and detection accuracy improvement when non-parametric classifiers were applied on the normalized and depth invariant images. A maximum classification accuracy of about 69% was achieved when the ANN classifier was applied on the normalized images, and maximum detection accuracies of 93% and 92% were obtained when the SAM and the SVM classifiers were applied on depth invariant images, respectively.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».