Mountain Image Analysis Suite (<scp>MIAS</scp>): A new plugin for converting oblique images to landcover maps in <scp>QGIS</scp>
Notice bibliographique
Résumé
Abstract The objective of this article is to present a novel GIS plugin for classifying and georeferencing high‐resolution oblique imagery with the intention of creating landcover datasets for spatial analysis. The Mountain Image Analysis Suite (MIAS) is a newly released plugin for the open‐source software, QGIS. MIAS was developed with images from Mountain Legacy Project, the world's largest systematic collection of high‐resolution mountain images. It works with both grayscale and color imagery, including historical images that predate aerial and satellite imagery. MIAS encompasses four tools for classifying and georeferencing oblique images. The plugin accesses pretrained deep learning models from a PyTorch‐based segmentation network to automate the classification of landcover in oblique images. Monoplotting is accomplished through the construction of a virtual photograph simulating the view from the camera using a shaded relief model. Once the virtual photograph is produced, the user aligns the classified image to the virtual photograph using a set of control points. This allows the creation of a classified and georeferenced raster representing the landcover for the area visible in the original oblique image. Similar workflows to the one contained in MIAS have been used for landcover mapping with oblique images to a high level of accuracy. However, MIAS is the first piece of software to bring all stages of image analysis into a single platform. MIAS has many applications across diverse fields such as mountain research, ecological restoration, community‐based mapping, environmental planning, and more.
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 | 0,001 | 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 | 0,000 |
| 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 ».