QUANTIFYING IMPACTS OF SPATIAL RESOLUTION ON PIXEL AND OBJECT-BASED METHODS OF IMAGE CLASSIFICATION: A CASE STUDY OF IDENTIFYING ESTUARINE MORPHOLOGY IN COBEQUID BAY, NOVA SCOTIA, CANADA
Notice bibliographique
Résumé
Image processing methods can be used to classify land cover and phenomena fromsatellite imagery according to their spectral characteristics and identify target features. These methodscanprovide a relatively efficient approach to processing many images and to measuringchange of features over time. Selecting an appropriate data source and classification method, however, requires considerations such as the scale of the process under investigation, spectral differences between target areas and their surroundings, and technical limitations for the analyst.The Salmon River estuary within Cobequid Bay, Nova Scotiawas chosen to evaluate the impact of spatial resolution on the use of satellite imagery to identify tidal bars. Images were acquired from four satellite systems (PlanetScope, RapidEye, Sentinel-2, Landsat-5) representing arange of spatial resolutions(3m to 30m). Both traditional pixel-based methods (i.e., supervised, unsupervised classification), and object-based image classification methods were used to identify sediment bars within the estuary, and then assessed for classification accuracy.All image types could be classified to at least 80% overall accuracywith a Cohen’s Kappa coefficient of 0.9using at least one method. The research identifiedtrends related to classification result and increasing spatial resolution including: 1) decreasing reliability of unsupervised classification;2) increased single-pixel errors in supervised classifications, despite overall product reliability;and 3) formation of increasingly meaningful pixel groupings for object-based analysis. Differences in appropriate classification method are considered to be a result of the relationship between scale of phenomenon being mapped and the spatial resolution at which it is represented; when increasing spatial resolution, there is a shift away from presence of mixed-pixels towards the dominance of multi-pixel objects, the classification of which is better suited to object-based as opposed to pixel-based methods. The results suggesta Modifiable Areal Unit Problem-based framework to consider large pixels and object created from small pixels each as viable areal units of analysis for processes at this scale. Keywords: Keywords:Remote sensing, scale issue, estuary, geomorphology, Bay of Fundy Pages: 66 Supervisor: Christopher Greene
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».