Influence of wavelet type on the classification of marsh vegetation from satellite imagery using a combination of wavelet texture and statistical component analyses
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
An image textural analysis method based on a combination of discrete wavelet transform (DWT) and principle component analysis (PCA) has recently emerged as a promising tool for feature extraction in images in a variety of disciplines. Uncertainty remains on the influence that wavelet type has on the use of this joint DWT-PCA method and on whether the less constraining independent component analysis (ICA) might be more efficient than PCA. In this context, the key objective of this note is to illustrate the effect of wavelet type on the textural analysis of a remotely sensed (QuickBird panchromatic) image of a wetland along the Hudson River in New York State and on the identification of four plant communities (reed, cattail, purple loosestrife, and shrub). The results of calculations involving six different types of wavelets suggest that the DWT-PCA method, unlike other available image analysis methods, is very effective at discriminating shrub from the other three plant communities, with limited influence of wavelet type. The ability to separate among the three remaining community types depends strongly on the wavelet used. By combining results obtained with the Daublets d4 and d12 wavelets, full discrimination among all four plant community types is feasible. For this particular analysis, ICA did not seem to have an advantage over PCA.
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 | 0,000 | 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