Detection and Mapping of Water Hyacinth Growth Cycle in Anzali International Wetland Using Sentinel-2 Time Series
Notice bibliographique
Résumé
Water hyacinth (WH) is a notorious invasive species that significantly threatens ecosystems worldwide. Despite WH's well-documented threats and effects, its spatial distribution is not yet fully understood, especially in complex environments such as wetland systems. This knowledge gap is primarily due to the lack of accurate techniques with high spatial resolution and reliable in situ field data for quantification and monitoring. To address this research gap, we conducted a study to map the spatiotemporal distribution of invasive WH in Anzali International Wetland, Iran, using Sentinel-2 Multispectral Instrument 2022 data. Specifically, our study aimed to identify multispectral remote sensing variables and in situ field data using machine learning (ML) methods to detect and map WH growth cycles. In the first phase of our study, we compared three ML models for detecting WH and discriminating from other classes. Our results demonstrate that ML algorithms can detect WH accurately. In the second phase, we used four images dominated by four growth stages: early, mid, high, and decaying stages to train our ML classifier. We used the random forest algorithm for training our training samples achieving an overall classification accuracy of over 98%. These findings were further supported by statistical analysis, such as F1 (above 96%) and intersection over union (above 92%), indicating the high-performance quality of the used algorithm. Our study provides valuable insights into using ML algorithms for mapping WH growth cycles, which can significantly contribute to effectively managing and monitoring invasive species worldwide.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».