Moving to the RADARSAT Constellation Mission: Comparing Synthesized Compact Polarimetry and Dual Polarimetry Data with Fully Polarimetric RADARSAT-2 Data for Image Classification of Peatlands
Notice bibliographique
Résumé
For this research, the Random Forest (RF) classifier was used to evaluate the potential of simulated RADARSAT Constellation Mission (RCM) data for mapping landcover within peatlands. Alfred Bog, a large peatland complex in Southern Ontario, was used as a test case. The goal of this research was to prepare for the launch of the upcoming RCM by evaluating three simulated RCM polarizations for mapping landcover within peatlands. We examined (1) if a lower RCM noise equivalent sigma zero (NESZ) affects classification accuracy, (2) which variables are most important for classification, and (3) whether classification accuracy is affected by the use of simulated RCM data in place of the fully polarimetric RADARSAT-2. Results showed that the two RCM NESZs (−25 dB and −19 dB) and three polarizations (compact polarimetry, HH+HV, and VV+VH) that were evaluated were all able to achieve acceptable classification accuracies when combined with optical data and a digital elevation model (DEM). Optical variables were consistently ranked to be the most important for mapping landcover within peatlands, but the inclusion of SAR variables did increase overall accuracy, indicating that a multi-sensor approach is preferred. There was no significant difference between the RF classifications which included RADARSAT-2 and simulated RCM data. Both medium- and high-resolution compact polarimetry and dual polarimetric RCM data appear to be suitable for mapping landcover within peatlands when combined with optical data and a DEM.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».