Wetland mapping with LiDAR derivatives, SAR polarimetric decompositions, and LiDAR–SAR fusion using a random forest classifier
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
In this paper, we assess the use of Random Forest (RF) for mapping land cover classes within Mer Bleue bog, a large northern peatland in southeastern Ontario near Ottawa, Canada, using Synthetic Aperture Radar (SAR) and airborne Light Detection and Ranging (LiDAR). Not only has RF been shown to improve classification accuracies over more traditional classifiers, but it also provides useful information on the statistical importance of individual input image bands for land cover classification. Our specific objectives in this study were to: (i) assess the robustness of a RF approach to northern peatland classification; (ii) examine variable importance resulting from the RF classifications to identify which imagery types, derivatives, and analysis scales are most useful for mapping different classes of northern peatlands; (iii) assess if fusion of different LiDAR and SAR variables can improve classification accuracies at Mer Bleue; and (iv) assess physical interpretability of the multisensor image types and derivatives with respect to biophysical attributes associated with peatland classes. Our results show that the fusion of SAR with LiDAR imagery and derivatives at this study site did not provide additional classification accuracy over the use of LiDAR derivatives alone. Nevertheless, the RF-based approach presented here has strong potential to improve mapping and imagery classification of wetlands and may also help researchers and practitioners improve information extraction and land cover classification in other application areas benefitting from large volumes of multi-sensor imagery.
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 | 0,000 | 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 | 0,000 |
| 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 découle