Gully mapping using remote sensing: Case study in KwaZulu-Natal, South Africa
Notice bibliographique
Résumé
At present one of the challenges of soil erosion research in South Africa is the limited information on the location of gullies. This is because traditional techniques for mapping erosion which consists of the manual digitization of gullies from air photos or satellite imagery, is limited to expert knowledge and is very time consuming and costly at a regional scale (50-10000km²). Developing a robust, reliable and accurate means of mapping gullies is a current focus for the Institute for Soil, Climate and Water Conservation (ISCW) of the Agricultural Research Council (ARC) of South Africa. The following thesis attempted to answer the question whether “medium resolution multi-spectral satellite observations, such as Landsat TM, combined with information extraction techniques, such as Vegetation Indices and multispectral classification algorithms, can provide a semi-automatic method of mapping gullies and to what level of accuracy?”. \n \nMore specifically, this thesis investigated the utility of three Landsat TM-derived Vegetation Index (VI) techniques and three classification techniques based on their level of accuracy compared to traditional gully mapping methods applied to SPOT 5 panchromatic imagery at selected scales. The chosen study area was located in the province of KwaZulu-Natal (KZN) South Africa, which is considered to be the province most vulnerable to considerable levels of water erosion, mainly gully erosion. Analysis of the vegetation indices found that Normalized Difference Vegetation Index (NDVI) produced the highest accuracy for mapping gullies at the sub-catchment level while Transformed Soil Adjusted Vegetation Index (TSAVI) was successful at mapping gullies at the continuous gully level. Mapping of gullies using classification algorithms highlighted the spectral complexity of gullies and the challenges faced when trying to identify them from the surrounding areas. The Support Vector Machine (SVM) classification algorithm produced the highest accuracy for mapping gullies in all the tested scales and was the recommended approach to gully mapping using remote sensing
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».