Mapping Arctic Coastal Ecosystems with High Resolution Optical Satellite Imagery Using a Hybrid Classification Approach
Notice bibliographique
Résumé
Most mapping methods for Arctic land cover are pixel-based techniques for low resolution data, and have limitations in mapping land cover heterogeneity over complex Arctic polygonal tundra terrain. In this study, we developed a hybrid object-based approach for Arctic coastal tundra mapping using very high resolution optical satellite imagery by combining results from semi-automatic water/land separation, texture analysis based on local binary pattern (LBP), and image classification via Random Forests (RF). The method was applied for coastal land cover mapping in a study site in Tuktoyaktuk, Northwest Territories, Canada using Pleiades satellite data. Results from pixel-based Maximum Likelihood Classifier (MLC), segment-based MLC, pixel-based RF, and segment-based RF were compared with the proposed method. The hybrid method outperformed other approaches and achieved an overall accuracy of 88% for 9 classes. In particular, it has successfully identified unique land cover types of Ice-Wedge Polygons, Wetland (inundated low-lying tundra and marsh with water ponds), with both producer's and user's accuracy over 91%. Results from this study indicate that the developed hybrid method is suitable to be applied for mapping Arctic coastal ecosystems, and confirms the feasibility of proper use of LBP at segment level for mapping complex environment.
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 | 0,000 |
| 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 | 0,001 | 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 ».