Identification of the best method for detecting surface water in Sentinel-2 multispectral satellite imagery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Surface water maps are useful in a variety of disciplines from climate change analysis to water resource management . Multispectral satellite imagery can be used to derive such surface water maps using a variety of image processing methods. The medium resolution Sentinel-2 multispectral satellite imagery catalogue is currently used extensively for surface water mapping. The quality and accuracy of these maps produced from Sentinel-2 imagery can vary greatly depending on the method applied to classify the image pixels into land or water. Thus far, there has not been a consensus on which method produces the highest accuracy surface water maps, warranting a direct comparison to assess these methods in a wide range of geographic settings. Here we show that among some of the most commonly applied surface water mapping methods (NDWI, MNDWI, AWEI_SH, AWEI_NSH, AWEI_BOTH, SVM , RT, MLC, and KNN) that no single method produced the most accurate maps across the four locations studied, but AWEI_NSH performed the best overall across the four locations, and SVM was the best performing machine learning technique. Rather, each method's performance was shown to depend on the objects present in the image (e.g., built-up, shadows, vegetated shorelines, narrow waterbodies, etc.) and how successfully the method was able to classify those objects properly. This is in-line with current understanding of spectral index methods' performance, and we provide recommendations to aid remote sensing data users in choosing a suitable method based on their image's characteristics. Using these recommendations, we hope that the quality of surface water maps derived from multispectral satellite imagery will be improved for all disciplines that utilize such data by allowing users to choose the method that is best fit to the application.
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.
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 | 0,000 | 0,000 |
| 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 découle