Examining the effect of spatial resolution and texture window size on classification accuracy: an urban environment case
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
AbstractThe purpose of this paper is to evaluate spatial resolution effects on image classification. Classification maps were generated with a maximum likelihood (ML) classifier applied to three multi-spectral bands and variance texture images. A total of eight urban land use/cover classes were obtained at six spatial resolution levels based on a series of aggregated Colour Infrared Digital Orthophoto Quarter Quadrangle (DOQQ) subsets in urban and rural fringe areas of the San Diego metropolitan area. The classification results were compared using overall and individual classification accuracies.Classification accuracies were shown to be influenced by image spatial resolution, window size used in texture extraction and differences in spatial structure within and between categories. The more heterogeneous are the land use/cover units and the more fragmented are the landscapes, the finer the resolution required. Texture was more effective for improving the classification accuracy of land use classes at finer resolution levels. For spectrally homogeneous classes, a small window is preferable. But for spectrally heterogeneous classes, a large window size is required. Notes *Present address: Department of Geography, Queen's University, Kingston, Ontario, K7L 3N6, Canada; e-mail: chendm@post.queensu.caAdditional informationNotes on contributorsD. Chen* *Present address: Department of Geography, Queen's University, Kingston, Ontario, K7L 3N6, Canada; e-mail: chendm@post.queensu.ca
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 | 0,000 |
| 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