Influence of Pansharpening in Obtaining Accurate Vegetation Maps
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
In recent decades, there has been a decline in ecosystem services. Thus, the development of reliable methodologies to monitor ecosystems is becoming important. In this context, the availability of very high resolution sensors offer practical and cost-effective means for good environmental management. However, improvements in the data received are becoming necessary to obtain higher quality information in order to get reliable thematic maps. One improvement is pansharpening, which enhances the spatial resolution of the multispectral bands by incorporating information from a panchromatic image. The main goal of this work was to assess the influence of pansharpening techniques in obtaining precise vegetation maps. Thus, pixel- and object-based classification techniques were implemented and applied to fused imagery using different pansharpening algorithms. Worldview-2 high resolution imagery was used due to its excellent spatial and spectral characteristics. The Teide National Park, in The Canary Islands (Spain), was chosen as the study area since it is a vulnerable heterogeneous ecosystem. The vegetation classes of interest considered were established by the National Park conservation managers. Weighted Wavelet ‘à trous’ through Fractal Dimension Maps pansharpening algorithm demonstrated a superior performance in the image fusion preprocessing step, while the most appropriate classifier to generate accurate vegetation thematic maps in heterogenic and mixed ecosystems was the Bayes method after the segmentation stage, even though Support Vector Machine achieved the highest overall accuracy.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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