Image Classification for Different Land Use and Land Covers Using Fuzzy Logic for the Improvement of Accuracies
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
The aim of present research is to classify the satellite images of Ranchi area using fuzzy logic for different land use and land covers. An IRS-LISS III (Linear Imaging Self Scanning Sensor) image has been used for classification. Fuzzy logic is relatively a new theory. Now, fuzzy logic is widely used in the classification of remotely sensed images, for various land use and land cover classes. Classification of images includes pervious and impervious categories. Pervious categories contain mainly standing water bodies, natural vegetation and agricultural lands. Impervious categories contain dense built-up, moderate built-up and low density built-up area. The images of Ranchi area has been classified using standard maximum likelihood (ML) as well as fuzzy techniques using supervised method of classification using ERDAS IMAGINE 9.1. After classification of images, producer’s accuracy, user’s accuracy, overall accuracy and kappa coefficient values have been calculated with the help of confusion / error matrix. Result shows that in pervious category, standing water body exhibits highest accuracy (100%), then natural vegetation and agricultural land exhibits lowest accuracy. Standing water exhibits highest accuracy due to more clear pixels. Among the impervious categories, low density built-up area exhibits highest producer’s accuracy due to small area, dense built-up has second highest and moderate built-up has lowest producer’s accuracies. Comparison among accuracies have been done for both techniques and it is observed that the fuzzy logic is a better classification methodology than the standard ML method because overall accuracy and kappa value are higher for fuzzy classified images.
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 | 0,001 |
| 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