Land-use and land-cover classification in semi-arid regions using independent component analysis (ICA) and expert classification
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
This study was focused on addressing the need for accurate land-use/land-cover classification (LULC) maps in Iran and in other similarly developing countries. To generate and validate a new LULC map for northeastern Iran’s 2037.5 km2 Hable-roud watershed, a step-by-step process was developed and implemented, consisting of image preprocessing, extraction of training and reference sampling locations, decomposition of multi-spectral thematic mapper bands into features by independent component analysis methods, classification using these features and slope maps, enhancement of land-use classes through image segmentation and zonal statistics, then through consideration of normalized difference vegetation index and climatic zones, followed by ground truthing. This newly developed approach provided maps that distinguished dryland farming, irrigated farmland, forest plantations, and low-, medium-, and high-vegetation density rangelands, while currently available maps for the watershed lef t 39% of lands unclassified or in combined classes. The new maps’ ground-truthing-based overall accuracy and kappa coefficient were 88.3% and 0.83, respectively. In order to develop such an improved LULC map, it was necessary to go beyond the mere analysis of reflectance information, to incorporating climatic and topographic data through this newly proposed step-by-step approach.
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 | 0,001 | 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