TOWARD A MULTI-SOURCE REMOTE SENSING WETLAND INVENTORY OF THE USA: PRELIMINARY RESULTS ON WETLAND INVENTORY OF MINNESOTA
Notice bibliographique
Résumé
Abstract. Wetlands are highly productive ecosystems that offer unique services on regional and global scales including nutrient assimilation, carbon reduction, geochemical cycling, and water storage. In recent years, however, they are being lost or exploited as croplands due to natural or man-made stressors (1.4 percent in 5 years within the USA). This decline in the extent of wetlands began legislative activity at a national scale that mandate the regulate use of wetlands. As such, the need for cost-effective, robust, and semi-automated techniques for wetland preservation is ever-increasing in the current era. In this study, we developed a workflow for wetland inventorying on a state-wide scale using optimal incorporation of dual-polarimetry Sentinel-1, multi-spectral Sentinel-2 and dual polarimetry ALOS-PALSAR with the Random Forest (RF) classifier in Google Earth Engine (GEE). A total of 45 features from a stack of multi-season/multi-year SAR and Optical imagery (included more than 5000 imagery) was extracted over Minnesota state, USA. We followed the Cowardin classification scheme for clustering the field data. The classification was performed in two levels in 5 different ecozones that cover the Minnesota state. Depending on the availability field data for each ecozone overall accuracies changed from 77% to 85%. The variable importance analysis suggests that Sentinel-2 spectral features are dominant in terms of their capability for wetland delineation. Sentinel-1 backscattering coefficient was also superior among other SAR features. Ultimately, the results of this study shall illustrate the applicability of free of charge earth observation data coupled with the advanced machine learning techniques that are available in GEE for better restoration and management of wetlands.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».