Wetland mapping with multi-temporal sentinel-1 & -2 imagery (2017 – 2020) and LiDAR data in the grassland natural region of alberta
Notice bibliographique
Résumé
ABSTARCTIn the Grassland Natural Region (GNR) of southern Alberta, wetlands are relatively small-sized disconnected prairie pothole marshes, swamps, and shallow open water habitats often surrounded by grasslands, parkland forests, agricultural lands, and urban areas. These wetlands are susceptible to climatic variability, resulting in temporally and spatially dynamic habitats that are difficult to map accurately. This study hypothesizes that seasonal synthetic aperture radar (SAR) and optical imagery will capture temporal variations of wetlands in the spring/summer and fall months of 2017, 2018, 2019, and 2020. We propose that these data combined with topographic variability offered by LiDAR-derived topographic wetness index (TWI) shall result in the accurate delineation of the wetlands. Using a combination of open-access government databases, we generated ground and training data to develop the classification models and perform accuracy assessments. The wetland map products’ overall accuracy results ranged from 63.2% to 75.7%. The pixel-based random forest (RF) classified dataset (Dataset 5 – multi-temporal (2017–2020) S1 SAR (VH) and S2 optical (B8 and B11) bands fused with TWI) had the highest overall accuracy (75.6%). The RF result significantly outperformed similar CART (Classification and Regression Trees) and SVM (Support Vector Machine) classifications, which had overall accuracies of 67.4% and 63.2%, respectively. In addition, the RF optimal wetland product had the best combination of F-score values for wetland and upland classes: 0.61 (marsh), 0.82 (open water), 0.75 (swamp), and 0.8 (uplands). Overall, the methodology adopted in this study is promising for mapping the spatial distribution of wetland habitats across the seasonally dynamic GNR of Alberta.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».