Optimal combinations of data, classifiers, and sampling methods for accurate characterizations of deforestation
Notice bibliographique
Résumé
AbstractThere are increasingly more choices from a complex of data resources, classification algorithms, and methods of training sample selections. To increase the repeatability of digital classifications of remotely sensed data with consistently high accuracy, it is essential to use optimal classification options or factors. In this paper, two temporal sets of Landsat thematic mapper (TM) data, three classifiers and three approaches of training sample selections were tested for mapping deforestation. The use of these different factors can have significant effects on classification accuracy. The mixed effects of the three factors can also magnify the variations of classification accuracy. The use of bi-temporal data, a spatial‐spectral classifier, and hybrid training samples results in steadily higher classification accuracy than the combination of uni-temporal data, a spectral classifier, and image training samples. For the purpose of characterizing managed forest lands, even a small increase in overall accuracy of image classification is important because it may represent a large decrease in the variations of the producer's and user's accuracy, which in turn can reduce the uncertainties of area measurements for forest coverage.Il y a de plus en plus de possibilités au niveau du choix des sources de données, des algorithmes de classification et des méthodes de sélection de sites d'entraînement. Pour accroître la répétitivité des classifications numériques des données de télédétection avec une précision constante élevée, il est essentiel d'utiliser les options ou les facteurs optimaux de classification. Dans cet article, deux ensembles de données temporelles Landsat TM, trois classificateurs et trois approches de sélection de sites d'entraînement ont été testés pour la cartographie de la déforestation. L'utilisation de ces différents facteurs peut avoir des effets significatifs sur la précision de classification. Les effets combinés de ces trois facteurs peuvent aussi accroître les variations de la précision de classification. L'utilisation de données bi-temporelles, d'un classificateur spatial‐spectral et de sites d'entraînement hybrides accroît de façon constante la précision de classification comparativement à la combinaison de données uni-temporelles, d'un classificateur spectral et de sites d'entraînement. Dans le contexte de la caractérisation des terres forestières sous gestion, même un faible taux d'accroissement dans la précision globale de classification de l'image est important parce qu'il peut correspondre à une forte diminution dans les variations de précision des producteurs et de l'usager, qui en retour, peut réduire les incertitudes dans les mesures de surface de la couverture forestière.[Traduit par la Rédaction]
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 | 0,000 |
| 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 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 ».