Improving Built-up Extraction Using Spectral Indices and Machine Learning on Sentinel-2 Satellite Data in Mumbai Suburban District, India
Notice bibliographique
Résumé
Built-up mapping possesses a great challenge owing to the varying spectral signatures and spatial attributes of different features such as buildings, individual houses, roads, etc.Here, the key challenge is to separate built-up class and bare/fallow land class due to the spectral signature similarity.The objectives of this study are as follows: (i) to extract built-up features using spectral bands and twelve popular spectral indices using advanced machine learning techniques and analyzing the change in accuracy after integrating selected spectral indices in the classification, (ii) separability analysis of built-up class and bare/fallow land using the Spectral Discrimination Index (SDI) and histogram plots for selected indices.(iii) the performance of the advanced ensemble classifier, extreme gradient boosting, is compared to other well-known machine learning techniques, such as Random Forest, Support Vector Machine, and K-nearest neighbors (KNN).Two datasets were used: Dataset-1 was formed by performing stacking operation on four bands at 10 m spatial resolution.Dataset-2 was prepared by computing twelve spectral indices and integrating them with Dataset-1.The results indicated that extreme gradient boosting method obtained highest overall accuracy and kappa value of 88.90%, 0.848 for Dataset-1, and 94.30%, 0.922 for Dataset-2, respectively.The overall accuracy for Random Forest, Support Vector Machine, and KNN is 88.23%, 87.05%, and 86.60% for Dataset-1, and 93.04%, 91.04%, and 89.93% for Dataset-2, respectively.There is a significant rise of 4.81% (Random Forest), 3.99% (Support Vector Machine), 3.33% (KNN), and 5.40% (extreme gradient boosting) in overall accuracy for the fused dataset has been observed.The outcome of this study suggest that the Enhanced Normalized Difference Impervious Surfaces Index (ENDISI) and Modified Normalized Difference Water Index (MNDWI) are very useful spectral indices for mapping of built-up with a higher degree of separability for built-up and bare/fallow land separation.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».