A Fuzzy Decision Tree for Processing Satellite Images and Landsat Data
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
Satellite and airborne images, including Landsat, ASTER, and Hyperspectral data, are widely used in remote sensing and Geo- graphic Information Systems (GIS) to understand natural earth related processes, climate change, and anthropogenic activity. The nature of this type of data is usually multi or hyperspectral with individual spectral bands stored in raster file structures of large size and global coverage. The elevated number of bands (on the order of 200 to 250 bands) requires data processing algorithms capable of extracting information content, removing redundancy. Conventional statistical methods have been devised to reduce dimension- ality however they lack specific processing to handle data diversity. Hence, in this paper we propose a new data analytic technique to classify these complex multidimensional data cubes. Here, we use a well-known database consisting of multi-spectral values of pixels from satellite images, where the classification is associated with the central pixel in each neighborhood. The goal of our proposed approach is to predict this classification based on the given multi-spectral values. To solve this classification problem, we propose an improved decision tree (DT) algorithm based on a fuzzy approach. More particularly, we introduce a new hybrid classification algorithm that utilizes the conventional decision tree algorithm enhanced with the fuzzy approach. We propose an improved data classification algorithm that utilizes the best of a decision tree and multi-criteria classification. To investigate and evaluate the performance of our proposed method against other DT classifiers, a comparative and analytical study is conducted on well-known Landsat data.
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 | 0,001 |
| Science ouverte | 0,001 | 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