Land Cover Mapping Using Sentinel-1 Time-Series Data and Machine-Learning Classifiers in Agricultural Sub-Saharan Landscape
Notice bibliographique
Résumé
This paper shows the efficiency of machine learning for improving land use/cover classification from synthetic aperture radar (SAR) satellite imagery as a tool that can be used in some sub-Saharan countries that experience frequent clouds. Indeed, we aimed to map the land use and land cover, especially in agricultural areas, using SAR C-band Sentinel-1 (S-1) time-series data over our study area, located in the Kaffrine region of Senegal. We assessed the performance and the processing time of three machine-learning classifiers applied on two inputs. In fact, we applied the random forest (RF), K-D tree K-nearest neighbor (KDtKNN), and maximum likelihood (MLL) classifiers using two separate inputs, namely a set of monthly S-1 time-series data acquired during 2020 and the principal components (PCs) of the time-series dataset. In addition, the RF and KDtKNN classifiers were processed using different tree numbers for RF (10, 15, 50, and 100) and different neighbor numbers for KDtKNN (5, 10, and 15). The retrieved land cover classes included water, shrubs and scrubs, trees, bare soil, built-up areas, and cropland. The RF classification using the S-1 time-series data gave the best performance in terms of accuracy (overall accuracy = 0.84, kappa = 0.73) with 50 trees. However, the processing time was relatively slower compared to KDtKNN, which also gave a good accuracy (overall accuracy = 0.82, kappa = 0.68). Our results were compared to the FROM-GLC, ESRI, and ESA world cover maps and showed significant improvements in some land use and land cover classes.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».