Algorithms and Predictors for Land Cover Classification of Polar Deserts: A Case Study Highlighting Challenges and Recommendations for Future Applications
Notice bibliographique
Résumé
The use of remote sensing for developing land cover maps in the Arctic has grown considerably in the last two decades, especially for monitoring the effects of climate change. The main challenge is to link information extracted from satellite imagery to ground covers due to the fine-scale spatial heterogeneity of Arctic ecosystems. There is currently no commonly accepted methodological scheme for high-latitude land cover mapping, but the use of remote sensing in Arctic ecosystem mapping would benefit from a coordinated sharing of lessons learned and best practices. Here, we aimed to produce a highly accurate land cover map of the surroundings of the Canadian Forces Station Alert, a polar desert on the northeastern tip of Ellesmere Island (Nunavut, Canada) by testing different predictors and classifiers. To account for the effect of the bare soil background and water limitations that are omnipresent at these latitudes, we included as predictors soil-adjusted vegetation indices and several hydrological predictors related to waterbodies and snowbanks. We compared the results obtained from an ensemble classifier based on a majority voting algorithm to eight commonly used classifiers. The distance to the nearest snowbank and soil-adjusted indices were the top predictors allowing the discrimination of land cover classes in our study area. The overall accuracy of the classifiers ranged between 75 and 88%, with the ensemble classifier also yielding a high accuracy (85%) and producing less bias than the individual classifiers. Some challenges remained, such as shadows created by boulders and snow covered by soil material. We provide recommendations for further improving classification methodology in the High Arctic, which is important for the monitoring of Arctic ecosystems exposed to ongoing polar amplification.
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 | 0,009 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».