Statistical comparison of simple and machine learning based land use and land cover classification algorithms: A case study
Notice bibliographique
Résumé
This study used three different classification models, namely Support Vector Machine (SVM), Random Forest Machine (RFM), and Maximum Likelihood (ML) for classification of Landsat (7 & 8), and Sentinel-2A data sets. Each case’s area of interest (AOI) and number of training sets (within fixed AOI of Chennai district boundary) were considered equal. Land use class change was observed because of rapid urbanization and developmental activities under urbanization, and the LULC was monitored using the ArcGIS Pro platform for 2005, 2010, 2015 and 2020. The overall accuracy (OA) of the first, second, and third was 89%, 88%, 82%, 80% under RF, and 87%, 85%, 79%, 80% under SVM. However, the ML classifier provided the OA as 82%, 77%, 76%, 66% for 2005, 2010, 2015 and 2020, respectively. The Kappa coefficient (K) was calculated under the first, second, and third, as 84%, 79%, 75%, 72%, under RF, and 80%, 78%, 71%, 67% under SVM. However, the ML provided a K value of 77%, 67%, 67%, 57% for 2005, 2010, 2015 and 2020. Based on the quantitative assessments, the RF classifier showed good accuracy, then SVM and ML in classifications of fixed AOI with fixed training sets.
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 | 0,012 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».