Supervised wetland classification using high spatial resolution optical, SAR, and LiDAR imagery
Notice bibliographique
Résumé
Wetlands are among the most valuable natural resources, being highly beneficial to both the environment and humans. Therefore, it is very important to map and monitor wetlands. Although various remote sensing datasets, including optical, synthetic aperture radar (SAR), light detection and ranging (LiDAR) imagery, have been widely applied to classify wetlands, it is still required to discuss the advantages/limitations of each of these datasets and suggest the best remote sensing methodology for wetland mapping. Thus, the Terra Nova National Park, located in Newfoundland, Canada, was initially selected as the study area to develop a supervised classification method along with object-based image analysis. To this end, different remote sensing-based scenarios were investigated using individual optical, SAR, and LiDAR datasets, as well as their various combinations. In addition, for achieving the highest accuracy, the effects of segmentation scales and the tuning parameters of the random forest (RF) classifier were examined. The results showed that a combination of optical, SAR, and LiDAR images with the segmentation scale of 150, the RF depth of 20, and the RF minimum sample number of 5 provided the highest classification accuracy with the overall accuracy of 87.2%. Moreover, based on the results, approximately 21% and 79% of the study area are covered by wetlands and nonwetlands, respectively. The proposed methodology shows an optimum scenario for future wetland classification tasks and can assist stakeholders in the effective management of wetlands and establishment of necessary policies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».