Wet-GC: A Novel Multimodel Graph Convolutional Approach for Wetland Classification Using Sentinel-1 and 2 Imagery With Limited Training Samples
Notice bibliographique
Résumé
Wetland is one of the most productive resources on Earth, and it provides vital habitats for several unique species of flora and fauna. Over the last decade, mapping and monitoring wetlands by utilizing deep learning (DL) models and Remote Sensing (RS) data gained popularity due to the importance of wetland preservation. In general, DL-based methods have shown astonishing achievement in wetland classification, but some practical issues, such as limited training samples, still need to be addressed. Moreover, the performance of most of the DL approaches is decreased when moderate-resolution images with few features are used as input data. One solution to breaking the performance bottleneck of a single model is to fuse two or more of them. To this end, we strive to investigate and develop a multi-model DL algorithm for wetland classification based on the combination of a Graph Convolutional Network (GCN) and a shallow Convolutional Neural Network (CNN), which is called the Wet-GC algorithm hereinafter. In doing this, moderate-resolution Sentinel-1 (S1) Synthetic Aperture Radar (SAR) and Sentinel-2 (S2) multispectral optical imagery are fed into the GCN and CNN models, respectively. As we know from the literature, the synergistic use of S1 SAR and S2 optical imagery can be used to extract different types of wetland features and increase the class discrimination possibility. Hence, wetland mapping by jointly using GCN and CNN has the ability to boost the wetland classification task. Findings indicate that the efficiency of Wet-GC with an Overall Accuracy (OA) of 88.68% outperforms the results obtained from Random Forest (OA = 84.88%), Support Vector Machine (OA = 82.86%), Extreme Gradient Boosting (OA = 86.55%), and ResNet50 (OA = 86.93). The outcomes reveal that the Wet-GC architecture proposed in this study has an excellent capability to be applied over large areas with minimal need for training samples and can perform acceptably in supporting regional wetland mapping.
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) | 0,001 | 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 | 0,001 |
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 ».