Comparing the Performance of Different Classifiers for Urban Change Detection: A Case Study in Kingston, Ontario
Notice bibliographique
Résumé
Abstract. Remote Sensing-based change detection (CD) focuses on the identification of Earth's surface transformations through analysis of multi-temporal satellite images captured for the same geographic region at different points in time. Two common classification-based change detection techniques are post-classification comparison of land cover maps and direct classification of image differences between two periods of interest. In either approach, the selection of an appropriate classifier is critical. Consequently, this study focuses on assessing the performance of different classifiers, including the multi-layer perceptron neural network (MLPNN), support vector machine (SVM), random forest (RF), maximum likelihood (MLH), k-nearest neighbor (KNN), and gaussian naïve bayes (GNB). For this evaluation, two high resolution images captured in 2016 and 2020 by the PS2 sensor within the PlanetScope satellite constellation were used. Additionally, a novel unbiased sampling technique was introduced to selectively capture a minimal number of reference pixels. In the context of change detection, slight variations were observed in classification performance rankings between post-classification and difference image classification methods. However, a consistent trend emerged. The MLPNN consistently achieved the highest accuracy, closely followed by RF and SVM as the second or third-best performers in each technique. In contrast, GNB consistently yielded less favourable results. Importantly, our findings highlight the persistent superiority of the difference image classification in terms of change detection accuracy across all six classifiers. Furthermore, this method offers a significant advantage due to its reduced processing time and computational demands, positioning it as the preferred choice for binary change detection when compared to post-classification techniques.
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 | 0,001 | 0,004 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».