The Synergistic Use of RADARSAT-2 Ascending and Descending Images to Improve Surface Water Detection Accuracy in Alberta, Canada
Notice bibliographique
Résumé
Large, e.g., provincial or national, scale near-real-time surface water monitoring is an ambitious task, which can be accomplished by using Synthetic Aperture Radar (SAR) satellite data. SAR has demonstrated the ability to distinguish water and land, but there are many common errors of commission and omission that arise due to the side-looking nature of SAR and due to some landcover types with similar backscatter like roads and pasture. A method is proposed to fix/mitigate these errors through the use of combined ascending/descending RADARSAT-2 image pairs and ancillary data. The results of a corrected water/land binary image were, on average, 99.4% accurate for the Boreal Forest Region (Utikuma) of Alberta, Canada, while for the Rocky Mountain Region (Westcastle) also in Alberta, the results proved to be 99.9% accurate when distinguishing water from land. These accuracies were achieved through the reduction of the water false positive rate and a slight reduction in the water true positive rate. These high accuracy values can be partially attributed to the relative low ratios of water to land in the study regions. We hope that these methods can be used and improved in order to move towards large scale dynamic surface water and wetland mapping.
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 | 0,000 |
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 ».