Monitoring Forest Loss in ALOS/PALSAR Time-Series with Superpixels
Notice bibliographique
Résumé
We present a flexible methodology to identify forest loss in synthetic aperture radar (SAR) L-band ALOS/PALSAR images. Instead of single pixel analysis, we generate spatial segments (i.e., superpixels) based on local image statistics to track homogeneous patches of forest across a time-series of ALOS/PALSAR images. Forest loss detection is performed using an ensemble of Support Vector Machines (SVMs) trained on local radar backscatter features derived from superpixels. This method is applied to time-series of ALOS-1 and ALOS-2 radar images over a boreal forest within the Laurentides Wildlife Reserve in Québec, Canada. We evaluate four spatial arrangements including (1) single pixels, (2) square grid cells, (3) superpixels based on segmentation of the radar images, and (4) superpixels derived from ancillary optical Landsat imagery. Detection of forest loss using superpixels outperforms single pixel and regular square grid cell approaches, especially when superpixels are generated from ancillary optical imagery. Results are validated with official Québec forestry data and Hansen et al. forest loss products. Our results indicate that this approach can be applied to monitor forest loss across large study areas using L-band radar instruments such as ALOS/PALSAR, particularly when combined with superpixels generated from ancillary optical data.
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 | 0,000 | 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 | 0,001 |
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 ».