Comparing Pixel- and Object-Based Approaches for Classifying Multispectral Drone Imagery of a Salt Marsh Restoration and Reference Site
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Monitoring salt marshes with remote sensing is necessary to evaluate their state and restoration. Determining appropriate techniques for this can be overwhelming. Our study provides insight into whether a pixel- or object-based Random Forest classification approach is best for mapping vegetation in north temperate salt marshes. We used input variables from drone images (raw reflectances, vegetation indices, and textural features) acquired in June, July, and August 2021 of a salt marsh restoration and reference site in Aulac, New Brunswick, Canada. We also investigated the importance of input variables and whether using landcover classes representing areas of change was a practical way to evaluate variation in the monthly images. Our results indicated that (1) the classifiers achieved overall validation accuracies of 91.1–95.2%; (2) pixel-based classifiers outperformed object-based classifiers by 1.3–2.0%; (3) input variables extracted from the August images were more important than those extracted from the June and July images; (4) certain raw reflectances, vegetation indices, and textural features were among the most important variables; and (5) classes that changed temporally were mapped with user’s and producer’s validation accuracies of 86.7–100.0%. Knowledge gained during this study will inform assessments of salt marsh restoration trajectories spanning multiple years.
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.
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 découle