OBJECT-BASED LAND COVER CLASSIFICATION OF URBAN AREAS USING VHR IMAGERY AND PHOTOGRAMMETRICALLY-DERIVED DSM
Notice bibliographique
Résumé
Object-based image analysis is becoming increasingl y popular in classification of very high resolution (VHR) imagery over urban areas. The spectral resolution o f VHR imagery (generally they possesses 1 pan and 4 multispectral bands), however, is limited and insuf ficient for differentiating many urban land cover c lasses. Due to the spectral similarity of building roofs, roads an d parking lots, spectral-based classifications whic h solely rely on spectral information of the image do not have promi sing results when applied to VHR imagery over urban landscapes. In recent years, significant amount of research has been carried out on incorporating LiDA R derived DSM into the classification to address the problems of differentiating spectrally similar objects in u rban areas. However, LiDAR DSMs are expensive and not available for many urban areas. In this research, we introdu ce a new approach for classifying urban land cover classes b y incorporating widely available photogrammetricall y-derived DSMs. Even though the accuracy of photogrammetrically-derived DSMs is far below that of LiDAR DSMs, and significant misregistration exists between VHR imagery and DSM, object- based hierarchical fuzzy class ification still achieve successful separation between buildin g roofs and traffic areas. Stereo aerial photos and a pansharped QuickBird multispectral image of the downtown area of the city of Fredericton, Canada, were used for t his research. Results show that buildings can be well separated f rom roads and parking lots, and the proposed approa ch has the potential to replace LiDAR DSM for urban land cover classification.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».