Spectral Complexity of Hyperspectral Images: A New Approach for Mangrove Classification
Notice bibliographique
Résumé
Hyperspectral remote sensing across multiple spatio-temporal scales allows for mapping and monitoring mangrove habitats to support urgent conservation efforts. The use of hyperspectral imagery for assessing mangroves is less common than for terrestrial forest ecosystems. In this study, two well-known measures in statistical physics, Mean Information Gain (MIG) and Marginal Entropy (ME), have been adapted to high spatial resolution (2.5 m) full range (Visible-Shortwave-Infrared) airborne hyperspectral imagery. These two spectral complexity metrics describe the spatial heterogeneity and the aspatial heterogeneity of the reflectance. In this study, we compare MIG and ME with surface reflectance for mapping mangrove extent and species composition in the Sierpe mangroves in Costa Rica. The highest accuracy for separating mangroves from forest was achieved with visible-near infrared (VNIR) reflectance (98.8% overall accuracy), following by shortwave infrared (SWIR) MIG and ME (98%). Our results also show that MIG and ME can discriminate dominant mangrove species with higher accuracy than surface reflectance alone (e.g., MIG–VNIR = 93.6% vs. VNIR Reflectance = 89.7%).
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 ».