Mapping sub‐pixel fluvial grain sizes with hyperspatial imagery
Notice bibliographique
Résumé
Abstract This study presents an investigation of image texture approaches for mapping sub‐pixel fluvial grain‐size features from airborne imagery, allowing for the rapid acquisition of surface sand and coarse fraction (>1·41 mm) grain‐size information. Imagery at 30 mm resolution was acquired over four gravel bars from the Fraser River (British Columbia, Canada). Combined first‐order and second‐order image texture approaches (windowed standard deviation filter and the grey level co‐occurrence matrix) were used. First‐order image texture, through the application of a standard deviation filter and subsequent thresholding was used to detect the presence of surface sand, with optimal accuracy achieved at 91 ± 1·9%. A wide‐ranging parameter space investigation was used to derive optimum parameters for the grey‐level co‐occurrence matrix. Subsequently first‐order and second‐order image textures were used in multiple linear regression to achieve good calibrations with several sub‐pixel grain‐size percentiles; relative error at 1·44%, 3·18%, 6·80% and 10·6% for D 5 , D 16 , D 35 and D 50 , respectively. The larger percentiles of D 84 and D 95 had relative errors of 24·7% and 29·7%, respectively. The breakdown of calibration precision for larger percentiles is attributed to a ‘pixel averaging effect’. It is concluded that multispectral imagery is not required, because sufficient image texture information can be derived from standard colour imagery. Recommendations are suggested for the application of this method to other localities and data sets, thus reducing exhaustive parameter searches in future studies.
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 | 0,000 | 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) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».