Contextual classification of Landsat TM images to forest inventory cover types
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
Abstract. In the context of Landsat TM images forest stands are a cluster of homogeneous pixels. Contextual classification of forest cover types exploits relationships between neighbouring pixels in the pursuit of an increase in classification accuracy. Results with six contextual classifiers from two sites in Canada were compared to results with a maximum likelihood (ML) classifier. The comparisons were done at three levels of spectral class separation. Training and validation data were obtained from single-stage cluster sampling of 2 km62 km primary sampling units (PSU) located on a 20 km620 km grid. A strong relationship between contextual and ML classification accuracy was explored with logistic regression analysis. Effects of contextual classification were predicted for given levels of ML accuracy. Estimates of the spatial autocorrelation of reflectance values within a PSU were deemed consistent with a first-order autoregressive process. Iterative Conditional Modes (ICM) was the best contextual method; it improved the overall accuracy by four to six percentage points (statistically significant) when ML accuracy was between 50% and 80%. A relaxed ICM and a smoothing algorithm were second and third best. Contextual classification is most promising when an ML accuracy is around 70%. ICM results were sensitive to the level of spatial autocorrelation of ML classification errors and to the homogeneity of a PSU. 1.
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 | 0,000 |
| 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