A New Clustering Method to Generate Training Samples for Supervised Monitoring of Long-Term Water Surface Dynamics Using Landsat Data through Google Earth Engine
Notice bibliographique
Résumé
Water resources are vital to the survival of living organisms and contribute substantially to the development of various sectors. Climatic diversity, topographic conditions, and uneven distribution of surface water flows have made reservoirs one of the primary water supply resources in Iran. This study used Landsat 5, 7, and 8 data in Google Earth Engine (GEE) for supervised monitoring of surface water dynamics in the reservoir of eight Iranian dams (Karkheh, Karun-1, Karun-3, Karun-4, Dez, UpperGotvand, Zayanderud, and Golpayegan). A novel automated method was proposed for providing training samples based on an iterative K-means refinement procedure. The proposed method used the Function of the Mask (Fmask) initial water map to generate final training samples. Then, Support Vector Machines (SVM) and Random Forest (RF) models were trained with the generated samples and used for water mapping. Results demonstrated the satisfactory performance of the trained RF model with the samples of the proposed refinement procedure (with overall accuracies of 95.13%) in comparison to the trained RF with direct samples of Fmask initial water map (with overall accuracies of 78.91%), indicating the proposed approach’s success in producing training samples. The performance of three feature sets was also evaluated. Tasseled-Cap (TC) achieved higher overall accuracies than Spectral Indices (SI) and Principal Component Transformation of Image Bands (PCA). However, simultaneous use of all features (TC, SI, and PCA) boosted classification overall accuracy. Moreover, long-term surface water changes showed a downward trend in five study sites. Comparing the latest year’s water surface area (2021) with the maximum long-term extent showed that all study sites experienced a significant reduction (16–62%). Analysis of climate factors’ impacts also revealed that precipitation (0.51 ≤ R2 ≤ 0.79) was more correlated than the temperature (0.22 ≤ R2 ≤ 0.39) with water surface area changes.
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 | 0,001 | 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 | 0,001 | 0,003 |
| 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 ».