Satellite‐derived ecosystems classification: image segmentation by ecological region for improved classification accuracy, a boreal case study
Notice bibliographique
Résumé
An unsupervised image classification technique employing image segmentation by ecological regions is evaluated using percentage accuracies and tau coefficients against an unsegmented two‐stage classification. k‐fold cross‐validation is used to partition the field data into training and testing sets. A Z‐test of the tau statistic and its variance is used to test for a significant increase in classification accuracy when using image segmentation. Results show a significant increase in classification accuracy (α = 0.05, one‐tailed) over two‐stage approaches (Z = 2.49, Z crit = 1.65 p = 0.0063). This supports our hypothesis that spectral variance within information classes can be explained, in part, by ecological region. Multi‐group discriminant analysis is performed using jack pine (Pinus banksiana) plant community spectral data, grouped by ecological region. Results show significant spectral differences in a single information class within different ecological regions, which support the image segmentation approach to classification. The minimum mappable unit (MMU) is discussed in the context of Landsat Thematic Mapper (TM). The plant association, or ecosite, is presented as the MMU and the physical and ecological properties are discussed in relation to their spectral properties. The results suggest refinements in data collection and image analysis for remotely sensed data in boreal environments.
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 | 0,001 | 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 | 0,001 |
| 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 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 ».