Multiscale Object-Based Classification and Feature Extraction along Arctic Coasts
Notice bibliographique
Résumé
Permafrost coasts are experiencing accelerated erosion in response to above average warming in the Arctic resulting in local, regional, and global consequences. However, Arctic coasts are expansive in scale, constituting 30–34% of Earth’s coastline, and represent a particular challenge for wide-scale, high temporal measurement and monitoring. This study addresses the potential strengths and limitations of an object-based approach to integrate with an automated workflow by assessing the accuracy of coastal classifications and subsequent feature extraction of coastal indicator features. We tested three object-based classifications; thresholding, supervised, and a deep learning model using convolutional neural networks, focusing on a Pleaides satellite scene in the Western Canadian Arctic. Multiple spatial resolutions (0.6, 1, 2.5, 5, 10, and 30 m/pixel) and segmentation scales (100, 200, 300, 400, 500, 600, 700, and 800) were tested to understand the wider applicability across imaging platforms. We achieved classification accuracies greater than 85% for the higher image resolution scenarios using all classification methods. Coastal features, waterline and tundra, or vegetation, line, generated from image classifications were found to be within the image uncertainty 60% of the time when compared to reference features. Further, for very high resolution scenarios, segmentation scale did not affect classification accuracy; however, a smaller segmentation scale (i.e., smaller image objects) led to improved feature extraction. Similar results were generated across classification approaches with a slight improvement observed when using deep learning CNN, which we also suggest has wider applicability. Overall, our study provides a promising contribution towards broad scale monitoring of Arctic coastal erosion.
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 ».