Comparing matrix distance measures for unsupervised POLSAR data classification of sea ice based on agglomerative clustering
Notice bibliographique
Résumé
Mohammed Dabboora*, John Yackelb, Mosharraf Hossainb & Alexander Braunc a Department of Geomatics Engineering, Schulich School of Engineering , University of Calgary , Calgary , Alberta , Canada , T2N 1N4 b Department of Geography , University of Calgary , Calgary , Alberta , Canada , T2N 1N4 c Department of Geosciences, School of Natural Sciences and Mathematics , The University of Texas at Dallas , Richardson , TX , 75080 , USA * E-mail: mddabboo@ucalgary.ca Clustering is a technique that can be applied for unsupervised classification of polarimetric synthetic aperture radar (POLSAR) data, an important analysis technique of radar polarimetry. Six matrix distance measures have been investigated and compared through an agglomerative clustering of RADARSAT-2 POLSAR data. The considered matrix distance measures were used as similarity criteria for merging clusters hierarchically into an appropriate number of classes. In this study, the considered distances are Manhattan, Euclidean, Bartlett, revised Wishart, Wishart test statistic, and Wishart Chernoff. Results show that the Bartlett, revised Wishart, and Wishart Chernoff distances all produce identical classification results. The Manhattan distance retrieved classification results close to those obtained by the Euclidean distance. The Bartlett, revised Wishart, and Wishart Chernoff distances produced the most accurate classification results. The study area is located in Hudson Bay offshore Churchill, Manitoba, Canada.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».