THE IMPORTANCE OF SEASONAL TEXTURAL FEATURES FOR OBJECT-BASED CLASSIFICATION OF WETLANDS: NEW YORK STATE CASE STUDY
Notice bibliographique
Résumé
Abstract. Seasonal variations result in hydrophytes and undrained hydric soil changes in wetland areas, which lead to a dynamic environment that makes wetland classification challenging. This study aims to explore the applicability of multi-seasonal Gray-Level Co-Occurrence Matrix (GLCM) texture-derived features for object-based wetland classification over large-extent for the first time. We attempted to enhance the performance of the random forest classifier by incorporating multi-source remote sensing data, including Sentinel-2, Sentinel-1, Alos-Palsar, and topographic features. A total of 47 features were extracted from multi-source remote sensing data. In this context, we assessed the applicability of multi- versus mono-seasonal derived features for the wetland's classes with low within-class separability. We investigated the mean decrease in the Gini impurity index for each GLCM feature. We observed that including GLCM features enhanced overall accuracy by 7.38% when using imagery from one season and 4.21% for multi-season imagery. The multi-season scenario that included GLCM measures (93.49%) attained the highest overall accuracy. For this scenario, the means of decrease in Gini impurity index suggested that Soil Adjusted Vegetation Index, Modified Normalized Difference Water Index, slope, correlation in summer (GLCM feature), and Sentinel-1 VH are the most important features in increasing the random forest's classifier performance. In looking at the GLCM features, the separability analysis suggested that Entropy, Sum of Average, and Variance calculated from the summer imagery improve the classifier's performance while other textural features from spring imagery better contributed to classifier 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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».