GA Driven feature selection in object-based classification for forest mapping with IKONOS imagery in Flanders, Belgium
Notice bibliographique
Résumé
Land cover map development was done on the base of the Landsat 7 ETM+ images.As a background topographical map of the scale 1:100 000 was used.Satellite image interpretation was done automatically using coefficients of spectral brightness for image and etalon (standard) types of landscape surfaces and the rule of minimum distance.Total number of 14 types of lands for Sankt-Petersburg greenbelt area was identified: broadleaf forest, mix forest, Scots pine dominated forest, Norway spruce dominate forest, clear cuttings, bushes and low dense forest, meadows and hay fields, agricultural lands, open areas (badlands), dacha settlements and villages, cities areas (including roads), areas densely covered by houses, bogs, waters.The results of satellite image interpretation were checked by comparison with ground truth data on 37 sample plots, statistical reliability of classification appears to be equal 85%.As a result of satellite image interpretation the digital land cover map for the Sankt-Petersburg green belt area of the scale 1:100 000 was developed.Each of the 14 types of the land was represented as a separate layer in ArcView3.2GIS in the format SHP (ArcView3.2Shape file).It appears that all kind of the forests cover 56.0% of the total green belt area with serious prevailing of Scots pine dominated forests -31.1%, agricultural lands -22.0%, all kind of populated areas -18.6%, bogs and waters -2.9%.This data and spatial patterns of each type of land distribution were compared with the data and maps obtained from other sources by means of GIS technique.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».