Object-Based Image Analysis (OBIA) and Machine Learning (ML) Applied to Tropical Forest Mapping Using Sentinel-2
Notice bibliographique
Résumé
The purpose of this research was to distinguish and estimate natural forest areas at Paran a, Brazil. Forest plantations (Silviculture) and natural forests have high annual vegetative vigor, as well as agricultural areas in the periods of agricultural harvests, which can bring classification errors between these classes of Land Use and Land Cover (LULC), these classes have similar spectral signatures, but have a distinct texture that can be separated in the supervised classification process, with the joining of object and pixel-to-pixel classification method approaches. Thus, image segmentation techniques through Object-Based Image Analysis (OBIA) and Machine Learning (ML) made forest mapping possible over a large territorial extension. The Google Earth Engine (GEE) platform was used to calculate the vegetation indices (VIs) and Spectral Mixture Analysis (SMA) fraction spectral from Sentinel-2 images, and the creation of homogeneous spectrally shaped regions under supervised classification of phytoecological regions and mesoregions. The overall precision obtained in the mappings resulted in 0.94 Kappa Index (KI) and 96% of Overall Accuracy (OA), which indicates a high performance in large-scale forest mapping. The proposed dataset, source codes and trained models are available on Github (https://github.com/Cechim/simepar-brazil/), creating opportunities for further ad vances in the field.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».