Land Cover Classification in SubArctic Regions Using Fully Polarimetric RADARSAT-2 Data
Notice bibliographique
Résumé
The expansion of shrub vegetation in Arctic and sub-Arctic environments observed in the past decades can have significant effects on northern ecosystems. There is a need for efficient tools to monitor those changes, not only in terms of the spatial coverage of shrubs, but also their vertical growth. The objective of the current paper is to evaluate the performance of polarimetric C-band SAR datasets for land cover classification in sub-Arctic environments. A series of RADARSAT-2 quad-pol images were acquired between October 2011 and April 2012. The Support Vector Machine (SVM) classification scheme was used on three sets of features: the elements of the polarimetric coherency matrix [ T ] , the parameters extracted from a polarimetric decomposition based on the eigenvalues and eigenvectors of [ T ] and the parameters extracted from a model-based decomposition. Using a single image, the results show that the best classification accuracies ( ≈ 75 % ) are obtained using the [ T ] matrix with the October images. When adding a second image to the feature set, either from two different dates or two incidence angles, the classification accuracy is improved and reaches 90 . 1 % with two images from October 2011 and April 2012 at 27 ∘ incidence. The results show that C-band polarimetric SAR imagery is an adequate tool to map shrub vegetation in sub-Arctic environments.
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 | 0,000 | 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 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 ».