Perbandingan Ketelitian Metode NDVI Melalui Software Global Mapper Dan Arcgis
Notice bibliographique
Résumé
Normal Difference Vegetation Index (NDVI) merupakan algoritma untuk mendeteksi indeks vegetasi dari citra satelit. Pengolahan indeks vegetasi pada penelitian ini menggunakan algoritma NDVI dengan memanfaatkan kanal/band 5 (NIR) dan 4 (RED) pada Landsat 9 OLI 2 perekaman tanggal 26 Oktober 2024 Hasil pada penelitian ini menunjukkan terjadi perbedaan hasil analisis pada masing-masing kelas pada software Global Mapper dan ArcGIS. Luas Kelas Klassifikasi Kerapatan Vegetasi pada Software Global Mapper menunjukkan bahwa luas tertinggi pada kelas Non Vegetasi seluas 16696,2 Ha atau 46,82% diikuti Kelas Tingkat Kehijauan Tinggi seluas 5755,9 Ha atau 16,14% dan luas yang terendah pada kelas Kehijauan Sangat Rendah seluas 3245,7 Ha atau 9,1%. Sedangkan pada Software ArcGIS hasil yang diperoleh, luas Kelas klasifikasi tertinggi pada Kehijauan Rendah Seluas 9396,4 Ha atau 26,35% dan diikuti kelas Non Vegetasi seluas 9206,7 Ha atau 25,82%. Luas terendah ditempati kelas Kehijauan Tinggi seluas 3821,3 Ha atau 10,72%. Hasil uji ketelitian, menunjukkan bahwa menggunakan Software ArcGIS terdapat 8 area yang sesuai dengan kondisi eksisting atau sekitar 80% kesesuaian dari area sampel sedangkan dengan menggunakan software Global Mapper menunjukkan area yang sesuai dengan kondisi eksisting hanya 2 area atau 20% dari area sample. Kata Kunci: NDVI, ArcGIS, Global Mapper
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,009 |
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 ».