An Innovative Fusion-Based Scenario for Improving Land Crop Mapping Accuracy
Notice bibliographique
Résumé
The accuracy of land crop maps obtained from satellite images depends on the type of feature selection algorithm and classifier. Each of these algorithms have different efficiency in different conditions; therefore, developing a suitable strategy for combining the capabilities of different algorithms in preparing a land crop map with higher accuracy can be very useful. The objective of this study was to develop a fusion-based framework for improving land crop mapping accuracy. First, the features were retrieved using the Sentinel 1, Sentinel 2, and Landsat-8 imagery. Then, training data and various feature selection algorithms including recursive feature elimination (RFE), random forest (RF), and Boruta were used for optimal feature selection. Various classifiers, including artificial neural network (ANN), support vector machine (SVM), and RF, were implemented to create maps of land crops relying on optimal features and training data. After that, in order to increase the result accuracy, maps of land crops derived from several scenarios were fused using a fusion-based voting strategy at the level of decision, and new maps of land crops and classification uncertainty maps were prepared. Subsequently, the performance of different scenarios was evaluated and compared. Among the feature selection algorithms, RF accuracy was higher than RFE and Boruta. Moreover, the efficiency of RF was higher than SVM and ANN. The overall accuracy of the voting scenario was higher than all other scenarios. The finding of this research demonstrated that combining the features' capabilities extracted from sensors in different spectral ranges, different feature selection algorithms, and classifiers improved the land crop classification 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 | 0,002 | 0,002 |
| 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 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».