Moving Toward L‐Band NASA‐ISRO SAR Mission (NISAR) Dense Time Series: Multipolarization Object‐Based Classification of Wetlands Using Two Machine Learning Algorithms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Given the key role wetlands play in climate regulation and shoreline stabilization, identifying their spatial distribution is essential for the management, restoration, and protection of these invaluable ecosystems. The increasing availability of high spatial and temporal resolution optical and synthetic aperture radar (SAR) remote sensing data coupled with advanced machine learning techniques have provided an unprecedented opportunity for mapping complex wetlands’ ecosystems. A recent partnership between the National Aeronautics and Space Administration (NASA) and the Indian Space Research Organization (ISRO) resulted in the design of the NASA‐ISRO SAR (NISAR) mission. In this study, the capability of L‐band simulated NISAR data for wetland mapping in Yucatan Lake, Louisiana, is investigated using two object‐based machine learning approaches: Support vector machine (SVM) and random forest (RF). L‐band Unmanned Aerial Vehicle SAR (UAVSAR) data are exploited as a proxy for NISAR data. Specifically, we evaluated the synergistic use of different polarimetric features for efficient delineation of wetland types, extracting 84 polarimetric features from more than 10 polarimetric decompositions. High spatial resolution National Agriculture Imagery Program imagery is applied for image segmentation using the mean‐shift algorithm. Overall accuracies of 74.33% and 81.93% obtained by SVM and RF, respectively, demonstrate the great possibility of L‐band prototype NISAR data for wetland mapping and monitoring. In addition, variable importance analysis using the Gini index for RF classifier suggests that H/A/ALPHA, Freeman‐Durden, and Aghababaee features have the highest contribution to the overall accuracy.
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.
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 | 0,001 |
| 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) | 0,000 | 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 découle