WetNet: A Spatial–Temporal Ensemble Deep Learning Model for Wetland Classification Using Sentinel-1 and Sentinel-2
Notice bibliographique
Résumé
While deep learning models have been extensively applied to land-use land-cover (LULC) problems, it is still a relatively new and emerging topic for separating and classifying wetland types. On the other hand, ensemble learning has demonstrated promising results in improving and boosting classification accuracy. Accordingly, this study aims to develop a classification system for mapping complex wetland areas by incorporating deep ensemble learning and satellite datasets. To this end, time series of Sentinel-1 dual-polarized Synthetic Aperture Radar (SAR) dataset, alongside Sentinel-2 multispectral imagery (MSI), are used as input data to the model. In order to increase the diversity of the extracted features, the proposed model, herein called WetNet, consists of three different submodels, comprising several recurrent and convolutional layers. Furthermore, multiple ensembling sections are added to different stages of the model to increase the transferability of the model (to other areas) and the reliability of the final results. WetNet is evaluated in a complex wetland area located in Newfoundland, Canada. Experimental results indicate that WetNet outperforms the state-of-the-art deep models (e.g., InceptionResnetV2, InceptionV3, and DenseNet121) in terms of both the classification accuracy and processing time. This makes WetNet an efficient model for large-scale wetland mapping application. The python code of the proposed WetNet model is available at the following link for the sake of reproducibility:https://colab.research.google.com/drive/1pvMOd3_tFYaMYGyHNfxqDxOiwF78lKgN?usp=sharing
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».