A hybrid pansharpening approach and multiscale object-based image analysis for mapping diseased pine and oak trees
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
Abstract We developed a multiscale object-based classification method for detecting diseased trees (Japanese Oak Wilt and Japanese Pine Wilt) in high-resolution multispectral satellite imagery. The proposed method involved (1) a hybrid intensity–hue–saturation smoothing filter-based intensity modulation (IHS-SFIM) pansharpening approach to obtain more spatially and spectrally accurate image segments; (2) synthetically oversampling the training data of the 'Diseased tree' class using the Synthetic Minority Over-sampling Technique (SMOTE); and (3) using a multiscale object-based image classification approach. Using the proposed method, we were able to map diseased trees in the study area with a user's accuracy of 96.6% and a producer's accuracy of 92.5%. For comparison, the diseased trees were mapped at a user's accuracy of 84.0% and a producer's accuracy of 70.1% when IHS pansharpening was used alone and a single-scale classification approach was implemented without oversampling the 'Diseased tree' class. Acknowledgements We would like to thank the Japan Society for the Promotion of Science (JSPS) for supporting this research under the JSPS Postdoctoral Fellowship for Foreign Researchers.
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 | 0,001 | 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