The application of discriminant analysis for mapping cereals and pasture using object-based features
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
High mapping accuracies occur where crops differ spectrally (e.g.>90.0%; canola, corn, soybeans) and vice versa (e.g. <75.0%; cereals and pasture). Developing improved mapping methods has been an ongoing priority of Agriculture and Agri-Food Canada (AAFC) remote-sensing science. To this end, this study tests a data-driven object-based classification method using Discriminant Analysis (DA) method for mapping cereals and pasture from satellite data. In this approach, variables (number >400) derived from the image segmentation and object-based feature extraction of multi-date and multi-band optical (RapidEye) and microwave (RADARSAT-2) imagery were applied in a data-driven approach. We use in situ and satellite information collected over two study sites with different levels of heterogeneity (Winnipeg, Brandon) situated in the Canadian Prairies during the 2013 growing season to assess: (a) the type of DA model that most accurately classifies the cereals and pasture cover classes; and (b) how the classification accuracies obtained by the application of this DA model compare to those obtained from more traditional Maximum Likelihood (ML), Decision Tree (DT), and Random Forest (RF) classifications. We found that our DA-based approach was able to map cereals and pastures at our two study sites with the highest accuracies, but these accuracies did not improve significantly with the use of more complex DA model (including priori classification probabilities, more input principle components (PCs), the use of weights proportional to field area). Our results are encouraging for the wider application of the data-driven pre-processing of the inputs to the image classification by DA.
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