Impacts of light detection and ranging (LiDAR) data organization and unit of analysis on land cover classification
Notice bibliographique
Résumé
Airborne light detection and ranging (LiDAR) data have been used to generate land cover models for almost two decades. In this paper, three common processing decisions are assessed for their impact on the accuracy and configuration of the resultant land cover models. Using data acquired from a single-wavelength, discrete return system, this study compares six land cover models that investigate (i) the organization of data into tiles or flightstrips, (ii) the unit of analysis as either the individual LiDAR point or as a pixel in a rasterized model of the LiDAR data, and (iii) the use of either pixel- or object-based image analysis. Although the overall accuracies of the land cover models generated in this study are comparable, models disagree on up to 17% of the total study area. Class-specific metrics of recall and precision differ markedly between models, and the configuration of land covers are also affected. Models that employ pixel-based image analysis techniques tend to generate models with smaller, more dispersed patches of land cover. Data organization and choice of unit of analysis also influence the configuration of land cover, although effects differ depending on the land cover class. Comprehensive analyses of accuracy and precision are crucial to developing land cover models. This study demonstrates that it is also important to understand the potential influence of classification methodologies on the configuration of landscape features, especially when interpreting land cover models from an ecological or landscape genetic perspective.
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 ».