An integrated framework for assessing the accuracy of GEOBIA land cover products
Notice bibliographique
Résumé
Vector-based landcover (LC) maps derived from GEographic Object-Based Image Analysis (GEOBIA) are increasingly replacing the traditional raster maps from per-pixel classification, but our strategies for assessing their quality are not yet fully developed. We contend that a complete accuracy assessment of a vector LC map must provide answers to the following questions: (1) What is the proportion of area assigned to each LC class that is actually covered by that class? (2) How does the area wrongly assigned to a class get distributed into the other classes? If we were flying at a low altitude over any given polygon, what is the likelihood that we would agree that (3) the LC class best representing the interior of the polygon is the one appearing on the map; (4) the area enclosed by the polygon can be seen as a self-contained unit or patch; (5) there are no regions, either next to the outside of the polygon or on its inside, that would have better be included in the polygon or excluded from it; and (6) the outline of the polygon (excluding parts affected by 5) follows reasonably well the LC transitions we appreciate from air? Questions 1 and 2 can be answered using a confusion matrix, but not the rest. We discuss the conceptual foundations of our integrated object-based approach to accuracy assessment, and demonstrate its implementation for a wall to wall vector LC map of Alberta, Canada.
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 | 0,011 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,012 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».