Evaluation of segment‐based gap‐filled Landsat ETM+ SLC‐off satellite data for land cover classification in southern Saskatchewan, Canada
Notice bibliographique
Résumé
Abstract This paper describes single‐date and multi‐date land‐cover classification accuracy results using segment‐based, gap‐filled Landsat 7 Enhanced Thematic Mapper data compared with Landsat 5 Thematic Mapper data captured one day apart. Maximum likelihood and Decision tree classification algorithms were evaluated. The same training and verification sets of ground data were used for each classification evaluation. For the comparison with the single‐date classification, an average decrease of 2.8% in the classification accuracy was obtained with the use of the gap‐filled Landsat data. Area estimates for the mid‐summer images differed, on average, from 0.6% to 1.9% for a four‐class and eight‐class classification, respectively. A multi‐date land‐cover classification was also completed with the addition of a late spring Landsat 5 image, resulting in an average decrease in classification accuracy of 1.8%. Acknowledgements I would like to thank and acknowledge the support of the Agriculture Division, Statistics Canada for financial and support in conducting this research. I would also like to thank Susan Maxwell of USGS for kindly providing a segment‐based gap‐filled Landsat 7 ETM+ SLC‐off image of our study area for this research study.
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 | 0,001 |
| 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 | 0,001 | 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 ».