Wetlands Mapping with Deep ResU-Net CNN and Open-Access Multisensor and Multitemporal Satellite Data in Alberta’s Parkland and Grassland Region
Notice bibliographique
Résumé
Abstract Wetlands are a valuable ecosystem that provides various services to flora and fauna. This study developed and compared deep and shallow learning models for wetland classification across the climatically dynamic landscape of Alberta’s Parkland and Grassland Natural Region. This approach to wetland mapping entailed exploring multi-temporal (combination of spring/summer and fall months over four years – 2017 to 202) and multisensory (Sentinel 1 and 2 and Advanced Land Observing Satellite - ALOS) data as input in the predictive models. This input image consisted of S1 dual-polarization vertical-horizontal bands, S2 near-infrared and shortwave infrared bands and ALOS-derived Topographic Wetness Index. The study explored the ResU-Net deep learning (DL) model and two shallow learning models, namely random forest (RF) and support vector machine (SVM). We observed a significant increase in the average F1-score of the ResNet model prediction (0.77) compared to SVM and RF prediction of 0.65 and 0.64, respectively. The SVM and RF models showed a significant occurrence of mixed pixels, particularly marshes and swamps confused for upland classes (such as agricultural land). Overall, it was evident that the ResNet CNN predictions performed better than the SVM and RF models. The outcome of this study demonstrates the potential of the ResNet CNN model and exploiting open-access satellite imagery to generate credible products across large landscapes.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».