Assessing RADARSAT-2 for Mapping Shoreline Cleanup and Assessment Technique (SCAT) Classes in the Canadian Arctic
Notice bibliographique
Résumé
Continued development of natural resources and a greater human presence in the Arctic places biologically and culturally sensitive shorelines at greater risk of environmental emergencies. Maps of vegetation, substrate, and water classes are needed in order to develop emergency response contingency plans. This study was completed as part of Environment Canada's Emergency Spatial Pre-SCAT for Arctic Coastal Ecosystems (e-SPACE) project, and focused on assessing the potential for improved mapping efficiency through semiautomated classification of the thematic classes defined for these purposes by Environment Canada–Environmental Emergencies Branch, using RADARSAT-2 and SPOT-4 alone and in combination. Repeatability and optimal RADARSAT-2 acquisition parameters were evaluated through comparison of multiple incidence angle images acquired over Tuktoyaktuk Harbour and West Point on Richards Island, Northwest Territories, Canada. Shallow incidence angles (45.3°–49.5°) were preferred over medium (39.3°–41.6°) and steep incidence angles (20.9°–24.2°), and when used alone as inputs, a number of land cover types could be discriminated, including sand, mixed sediment, herbs, shrubs, and wetlands. When used in combination with SPOT-4 data, an overall accuracy of 86.1% and 76.2% was achieved for Tuktoyaktuk Harbour and West Point, respectively, on Richards Island.
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 | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».