Land Cover Mapping with MERIS at the BOREAS Study Area
Notice bibliographique
Résumé
The objective of this study is to validate the MERIS vegetation land cover classification product. The full resolution MERIS radiance data sets obtained over the BOREAS (Boreal Ecosystem-Atmosphere Study) South Study Area in May and August 2003 were used. The MERIS radiance data were first converted to at-canopy reflectance data, which were compared to CASI data obtained during BOREAS (1994), followed by unsupervised classification performed based on seasonal variation of pigments as inferred from visible and near-infrared spectral bands. Three modified normalized Difference Vegetation Indices (mNDVI), sensitive to relative proportions among pigments and pigment content, and a red-edge spectral parameter, the wavelength at the reflectance minimum (λ0) were used in the unsupervised classification. Accuracy assessments of the derived vegetation classification maps were performed using a forest inventory map provided by the Saskatchewan Environment and Resource Management Forestry Branch-Inventory Unit (SERM-FBIU). The forest vegetation classification using seasonal changes in optical indices (mNDVIs and λ0), derived from the MERIS imagery in May and August revealed a reasonably high overall classification accuracy for all vegetation cover types identified: conifer, mixed stands, and fen. The classification results also demonstrated that classification using reflectance parameters sensitive to pigment absorption outperformed that using reflectance itself and the classification using seasonal information was better than that using information obtained in a single MERIS image,
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 | 0,000 | 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) | 0,002 | 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 ».