KERNEL-BASED UNSUPERVISED CHANGE DETECTION OF AGRICULTURAL LANDS USING MULTI-TEMPORAL POLARIMETRIC SAR DATA
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
Abstract. Unsupervised change detection of agricultural lands in seasonal and annual periods is necessary for farming activities and yield estimation. Polarimetric Synthetic Aperture Radar (PolSAR) data due to their special characteristics are a powerful source to study temporal behaviour of land cover types. PolSAR data allows building up the powerful observations sensitive to the shape, orientation and dielectric properties of scatterers and allows the development of physical models for identification and separation of scattering mechanisms occurring inside the same region of observed lands. In this paper an unsupervised kernel-based method is introduced for agricultural change detection by PolSAR data. This method works by transforming data into higher dimensional space by kernel functions and clustering them in this space. Kernel based c-means clustering algorithm is employed to separate the changes classes from the no-changes. This method is a non-linear algorithm which considers the contextual information of observations. Using the kernel functions helps to make the non-linear features more separable in a linear space. In addition, use of eigenvectors' parameters as a polarimetric target decomposition technique helps us to consider and benefit physical properties of targets in the PolSAR change detection. Using kernel based c-means clustering with proper initialization of the algorithm makes this approach lead to great results in change detection paradigm.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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