Analyzing Fuzzy Logic, Logistic-Decision Tree, and Neural Network Classification for Extracting Subzonal Land Uses from Remote Sensing Imagery
Notice bibliographique
Résumé
Lack of elaborate land use (LU) information has forced city planners and modelers to use large aggregated zones in their models, and consequently accept undesirable approximations and errors in their analyses and planning workflow. This paper presents and compares the performances of three classification techniques developed and designed for LU extraction through a hybrid geographic information (GI)/remote sensing (RS) expert system. The hybrid system is designed to classify urban subzones, in this case, dissemination blocks (DBs), into pure LUs using very high resolution (VHR) aerial imagery and several GIS data. The LU classification techniques developed in this study, which are the core of the proposed expert system, includes Fuzzy-Decision Tree, Logistic-Decision Tree, and Artificial Neural Network (ANN). Several types of GIS data, including building footprint, street network, digital property map (DPM), and dissemination block (DB) zones from the study area, City of Fredericton, Canada, are fused into the LU classification expert systems to discover correlation/association rules related to urban LU classes. Morphological properties of a number of selected DBs, which contain different types of pure LUs, are derived from GIS/RS data. Zonal properties, including vegetation ratio, soil ratio, building ratio, street ratio, parking ratio, mean building area, mean building perimeter, mean building compactness, average height of buildings, and sum of soil and parking ratio, are used as potential indicators in the classification process. Based on the accuracy assessment, the testing results of the three classification techniques indicate that Logistic-Decision Tree has the best performance with an overall accuracy of 95.2%. Continuing development of the proposed GI/RS expert system will have an important implication to current modeling process by providing up-to-date and much more detailed land use information.
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 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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».