An Object-Based Assessment of Multi-Wavelength SAR, Optical Imagery and Topographical Datasets for Operational Wetland Mapping in Boreal Yukon, Canada
Notice bibliographique
Résumé
The authors evaluated multiple remotely sensed datasets for their contributions to operational wetland mapping in a subarctic, boreal cordillera study site in Yukon, Canada. They assessed Sentinel-2 optical imagery, Sentinel-1 C-band and ALOS PALSAR L-band synthetic aperture radar (SAR) imagery, and topographical data from the territorial digital elevation model (DEM) using an object-based image analysis (OBIA) approach. Three machine-learning algorithms were tested, namely random forest (RF), support vector machine (SVM) and k-nearest neighbor (KNN), using various data combinations (11 model scenarios). RF produced the most accurate results when incorporating all optical, SAR and DEM data (86.5%, kappa 0.84), with open water (100% producer accuracy, PA), marsh (75% PA) and swamps (85.7% PA) being detected most accurately. When assessed in isolation, Sentinel-2 optical data consistently generated more accurate classifications than either SAR platform or DEM data. RF variable importance metrics provided further explanation to these results, indicating the 8 most powerful variables to be optical. Variable reduction tests also produced comparable accuracies, indicating that an optimal RF model can be built based on predictive power rankings. The results can be used to inform resource managers on the efficacy of current datasets and their applications to wetland mapping in northern, subarctic environments.
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 | 0,000 | 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 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 ».