Urban Structure Changes in Three Areas of Detroit, Michigan (2014–2018) Utilizing Geographic Object-Based Classification
Notice bibliographique
Résumé
The following study utilized geographic object-based image analysis methods to detect pervious and impervious landcover with respect to residential structure changes. The datasets consist of freely available very high-resolution orthophotos acquired under the United States National Agriculture Imagery Program. Over the last several decades, cities in America’s Rust Belt region have experienced population and economic declines—most notably, the city of Detroit. With increased property vacancies, many residential structures are abandoned and left vulnerable to degradation. In many cases, one of the answers is to demolish the structure, leaving a physical, permanent change to the urban fabric. This study investigates the performance of object-based classification in segmenting and classifying orthophotos across three neighbourhoods (Crary/St. Mary, Core City, Pulaski) with different demolition rates within Detroit. The research successfully generated the distinction between pervious and impervious land cover and linked those to parcel lot administrative boundaries within the city of Detroit. Successful detection rates of residential parcels containing structures ranged from a low of 63.99% to a high of 92.64%. Overall, if there were more empty residential parcels, the detection method performed better. Pervious and impervious overall classification accuracy for the 2018 and 2014 imagery was 98.333% (kappa 0.966) with some slight variance in the producers and users statistics for each year.
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 | 0,000 | 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 | 0,000 | 0,000 |
| 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 ».