An evaluation of high-resolution land cover and land use classification accuracy by thematic, spatial, and algorithm parameters
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 resolution land cover and land use classifications have applications in many fields of study such as land use and cover change, carbon storage measurements and environmental impact assessments. The wide range of available imagery at different spatial resolutions, potential thematic classes, and classification methods introduces the problem of understanding how each aspect affects accuracy. This study investigates how these three aspects affect the results of land cover classification. Results show that the maximum likelihood classifier was able to produce the most consistent results with the highest average accuracy (82.9%). Classifiers were able to identify a spatial resolution for each thematic resolution that achieved a distinctly higher overall accuracy. In addition, the effects of different land cover classifications as input to an object-based classification of land use at the parcel scale were evaluated. Results showed that land use classification requires higher resolution imagery to obtain satisfactory results than what is required for land cover classification. Also, the highest accuracy land cover classification did not produce the highest accuracy for land use, where a higher number of thematic classes performs better than fewer thematic classes. The highest accuracy LC classification by MLC with 8 classes occurred at 640 cm and achieved an overall accuracy of 83.3%. The highest accuracy LU classification was produced by the 80 cm LC with 8 classes and achieved an overall accuracy of 88.0%. Aside from the produced land cover and land use classifications, this study produces a lookup table in the form of multiple graphs for future research to reference when selecting imagery and determining thematic classes and classification methods.
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 | 0,001 |
| 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