Confusion Matrices Help Prevent Reader Confusion: Reply to Bechtel, B., et al. A Weighted Accuracy Measure for Land Cover Mapping: Comment on Johnson et al. Local Climate Zone (LCZ) Map Accuracy Assessments Should Account for Land Cover Physical Characteristics that Affect the Local Thermal Environment, Remote Sens. 2019, 11, 2420
Notice bibliographique
Résumé
Land use/land cover (LULC) maps are now being used across disciplines for many different types of applications, e.g., to analyze urban heat islands or rainfall-runoff dynamics. Traditional map accuracy metrics are limited in this regard, as they only assess LULC map thematic accuracy. In reality, some types of misclassification lead to larger estimation errors for these specific applications. In a previous study, we developed a new map accuracy metric (referred to here as “JJ19”) to assess the accuracy of local climate zone maps for urban microclimate analysis. In the previous work, we also attempted to reproduce another metric (weighted accuracy (WA)) proposed for this purpose, but misinterpreted it due to a lack of methodological information available (principally, the lack of a confusion matrix to demonstrate how WA was derived). We sincerely thank the authors of Bechtel et al. 2019 for providing more information on WA in response to our previous study and are happy to report that we found that the metric is now both reproducible and valid. On the other hand, we found some other aspects of Bechtel et al. 2019’s study to be inaccurate, particularly their claims regarding the suitability of the JJ19 metric. Finally, we made a minor improvement to the JJ19 metric based on Bechtel et al.’s comments.
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 | 0,027 | 0,160 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,014 |
| Communication savante | 0,008 | 0,012 |
| Science ouverte | 0,007 | 0,006 |
| Intégrité de la recherche | 0,034 | 0,071 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,014 |
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 ».