Assessing the use of cross-orbit Sentinel-1 images in land cover classification
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
Land cover is the easiest detectable indicator of human intervention on land. Urban, peri-urban and agriculture areas present a complex combination of land cover, which makes classification challenging. Getting more detailed information is the aim of any classification method. In this study, improving land cover type classification using cross-orbit Sentinel-1 images is evaluated. To avoid uncertainties, three sites in different weather conditions and locations but approximately the same land cover is selected. For each study area, three datasets including polarimetric features extracted from (1) ascending orbit image, (2) descending orbit image, and (3) combined ascending and descending orbit images are produced and used for classification. Land cover classification is performed following a supervised Support Vector Machine (SVM) exploiting all three datasets. Consequently, the radar cross-orbit integrated dataset produced the most accurate land cover map. Classifications show overall accuracies (OA) of 84%, 85%, and 75%, and Kappa coefficients (K) of 0.67, 0.75, and 0.55 for Skane, Tehran, and Sherbrooke regions, respectively. Fortunately, the accuracy results are at least 4% better than single-orbit classification. In other words, the proposed mapping approach has proved that using information from both the ascending and descending dual-polarized images could achieve a more accurate classification map than using a single-orbit image individually.
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 | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découle