Assessing the accuracy of georeferenced landcover data derived from oblique imagery using machine learning
Notice bibliographique
Résumé
Abstract Repeat photography offers distinctive insights into ecological change, with ground‐based oblique photographs often predating early aerial images by decades. However, the oblique angle of the photographs presents challenges for extracting and analyzing ecological information using traditional remote sensing approaches. Several innovative methods have been developed for analyzing repeat photographs, but none offer a comprehensive end‐to‐end workflow incorporating image classification and georeferencing to produce quantifiable landcover data. In this paper, we provide an overview of two new tools, an automated deep learning classifier and intuitive georeferencing tool, and describe how they are used to derive landcover data from 19 images associated with the Mountain Legacy Project, a research team that works with the world's largest collection of systematic high‐resolution historic mountain photographs. We then combined these data to produce a contemporary landcover map for a study area in Jasper National Park, Canada. We assessed georeferencing accuracy by calculating the root‐mean‐square error and mean displacement for a subset of the images, which was 4.6 and 3.7 m, respectively. Overall classification accuracy of the landcover map produced from oblique images was 68%, which was comparable to landcover data produced from aerial imagery using a conventional classification method. The new workflow advances the use of repeat photographs for yielding quantitative landcover data. It has several advantages over existing methods including the ability to produce quick and consistent image classifications with little human input, and accurately georeference and combine these data to generate landcover maps for large areas.
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 ».