An Automatic and Operational Method for Land Cover Change Detection Using Spatiotemporal Analysis of MODIS Data: A Northern Ontario (Canada) Case Study
Notice bibliographique
Résumé
Mapping and understanding the differences in land cover and land use over time is an essential component of decision-making in sectors such as resource management, urban planning, and forest fire management, as well as in tracking of the impacts of climate change. Existing methods sometimes pose a barrier to the effective monitoring of changes in land cover and land use, since a threshold parameter is often needed and determined based on trial and error. This study aimed to develop an automatic and operational method for change detection on a large scale from Moderate Resolution Imaging Spectroradiometer (MODIS) data. Super pixels were the basic unit of analysis instead of traditional individual pixels. T2 tests based on the feature vectors of temporal Normalized Difference Vegetation Index (NDVI) and land surface temperature were used for change detection. The developed method was applied to data over a predominantly vegetated area in northern Ontario, Canada spanning 120,000 sq. km from 2001–2016. The accuracies ranged between 78% and 88% for the NDVI-based test, from 74% to 86% for the LST-based test, and from 70% to 86% for the joint method compared with manual interpretation. Our proposed method for detecting land cover change provides a functional and viable alternative to existing methods of land cover change detection as it is reliable, repeatable, and free from uncertainty in establishing a threshold for change.
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 | 0,001 | 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 | 0,003 |
| 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 ».