Full fuzzy land cover mapping using remote sensing data based on fuzzy<i>c</i>-means and density estimation
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
AbstractThe three stages in supervised digital classification of remote sensing data are training, classification, and testing. The commonly adopted approaches assume that boundaries between classes are crisp and hard classification is applied. In the real world, however, as spatial resolution decreases significantly, the proportion of mixed pixels increases. This leads to vagueness or fuzziness in the data, and in such situations researchers have applied the fuzzy approach at the classification stage. Some researchers have tried fuzzy approaches at the training, classification, and testing stages (full fuzzy concept) using statistical and artificial neural network methods. In this paper a full fuzzy concept has been presented, at a subpixel level, using density estimation using support vector machine (D-SVM) and fuzzy c-means (FCM) approaches. These approaches (SVM and FCM) were evaluated with respect to a fuzzy weighted matrix. In this test study using a four-channel dataset, a comparison of methods has found that a D-SVM function using a Euclidean norm yields the best accuracy.Les trois étapes de la classification numérique dirigée des données de télédétection sont l'entraînement, la classification et la validation. Les approches adoptées généralement supposent que les frontières entre les classes sont nettes et on applique ainsi des classifications dures. Toutefois, dans la réalité, lorsque la résolution spatiale diminue significativement, la proportion de pixels mixtes augmente. Ceci entraîne une imprécision ou un flou dans les données et, dans de tels cas, les chercheurs ont appliqué une approche floue au stade de la classification. Certains chercheurs ont essayé des approches floues aux stades de l'entraînement, de la classification et de la validation (concept flou complet) utilisant des méthodes statistiques et des réseaux de neurones artificiels. Dans cet article, un concept flou complet est présenté, au niveau du sous-pixel, basé sur l'utilisation des approches D-SVM de même que FCM. Ces approches (SVM et FCM) ont été évaluées par rapport à la matrice floue pondérée. Dans cette étude test, basée sur l'utilisation d'un ensemble de données de quatre bandes, une comparaison des méthodes a montré qu'une fonction D-SVM utilisant une norme euclidienne donne la meilleure précision.[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.
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 | 0,002 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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