OBJECT-BASED LAND COVER CLASSIFICATION OF URBAN AREAS USING VHR IMAGERY AND PHOTOGRAMMETRICALLY-DERIVED DSM
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
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.
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 | 0,000 |
| 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