Separability analysis of wetlands in Canada using multi-source SAR data
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
Accurately classifying and monitoring wetlands using new technologies is important because of many services that wetlands provide to the environment. In this regard, Synthetic Aperture Radar (SAR) systems provide valuable data to separate different wetland classes. Using large amount of field samples collected over three years, 78 SAR features extracted from multi-source satellites were investigated to select the most important features and decomposition methods for discriminating five wetland classes: Bog, Fen, Marsh, Swamp, and Shallow Water. The results indicated that the ratio features obtained from the diagonal elements of the covariance matrix (extracted from full polarimetric data RADARSAT-2 imagery) and the intensity layers of the dual polarimetric data (i.e., the data acquired by Sentinel-1 and ALOS-2) were most useful for distinguishing wetland class pairs as well as all wetland classes. In this regard, the ratio of HH and HV channels had the highest potential especially for discriminating herbaceous (Bog, Fen, Marsh) and woody (e.g., Swamp) wetlands. Moreover, the features derived from eigenvalues of the coherency matrix (e.g., Anisotropy, serd, normalized serd, and normalized derd) were among the most optimum features for wetland classification. Regarding the decomposition techniques, the H/A/Alpha and Freeman-Durden methods were selected as the best to discriminate wetlands. In terms of scattering mechanisms, it was observed that the volume component was generally the most useful element to discriminate wetland classes compared to the two other components (i.e., single- and double-bounce). This study comprehensively discusses the efficiency of various SAR features/decomposition methods for wetland studies and the results are expected to help with creating sustainable policies and management for wetland protection and monitoring using remote sensing 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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