Rock unit discrimination on Landsat TM, SIR-C and Radarsat images using spectral and textural information
Notice bibliographique
Résumé
The paper presents results for spectral and textural analysis of the rock units in Landsat Thematic Mapper (TM) images, dual-band (L and C) and dual-polarization (HH and HV) Shuttle Imaging Radar (SIR)-C images, and C-band HH polarization Standard Beam 4 and Extended High Incidence Beam 3 Radarsat images from a study area between California and Arizona, USA. Fractal dimension, lacunarity and grey-level co-occurrence matrix (GLCM) textural feature images were created from the SIR-C and Radarsat images. Fractal dimensions were calculated using a differential box counting method and lacunarity measures were obtained using a new grey-scale lacunarity estimation method for 36 sample images extracted from the SIR-C and Radarsat images. The fractal dimension and lacunarity curves and class signature separability analysis show that, for rock unit discrimination using image textural features in the study area, the SIR-C L-HH image is more suitable than other SIR-C images and Radarsat images, and that co-polarization (HH) generally provides more textural information than cross-polarization (HV) in the study area. The study also shows that lacunarity measures can reveal the scaling properties of radar image textures for rock units. The combination of spectral information from Landsat TM images and textural information from radar images improves the image classification accuracy of rock units in the study area.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».