TREE SPECIES CLASSIFICATION BASED ON NEUTROSOPHIC LOGIC AND DEMPSTER-SHAFER THEORY
Notice bibliographique
Résumé
Abstract. The objective of this study was to explore the use of multi-source remotely sensed data for individual tree species. To achieve this, a neutrosophic logic-based method was developed for tree species classification using the combined spectral, textural and structural information derived from WorldView-2 (WV-2) multispectral bands, WV-2 panchromatic band, and LiDAR (Light Detection And Ranging)-derived canopy height model (CHM), respectively. The developed method was tested on the data obtained over the Keele campus, York University, Toronto Canada and the KNN (K Nearest Neighbour) classification method. Twenty-one spectral, three textural and three structural features were used to classify five species (Norway maple, honey locust, Austrian pine, blue spruce, and white spruce). For this study, 522 trees were used for training and 223 for testing. The overall classification accuracy obtained by the proposed method was 0.82. It was significantly improved compared with the KNN (0.73), weighted KNN (0.76), and fuzzy KNN (0.75) methods. In addition, Dempster-Shafer (DS) theory was explored to perform information fusion at the decision level in comparison to that at the feature level. The accuracies obtained by the fusion at the decision level were generally lower than those at the feature level. Even though promising results based on the neutrosophic logic were obtained during this proof-concept stage, studies are underway to perform more tests with a large number of tree crowns and more species and exploit other classification methods, such as support vector machine.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».