From need to product: A methodology for completing a land cover map of Canada from Landsat
Notice bibliographique
Résumé
Abstract. Despite its very large territory and the best Landsat archive in the world, Canada has made very limited use of Landsat data for land cover mapping. The primary difficulty has been the prohibitive cost of information extraction and the earlier (and now overcome for Landsat-7 enhanced thematic mapper plus data) high cost of data purchase. The solution to this remaining obstacle lies in decreasing the cost of Landsat data processing and analysis while ensuring the high quality of the extracted information. In this paper, we present an efficient and effective approach to mapping land cover in Canada from Landsat thematic mapper data (single or multiple satellites). The key features of this approach are an increase in the ratio of computer to human analysis and automation for high data volume or large area processing. However, it is essential that the final product quality not suffer because of the greater reliance on computer processing, thus the algorithm performance becomes critical. We describe the overall approach, discuss key challenges, explain the principles behind key algorithms developed to respond to the challenges, present evidence demonstrating the effectiveness of these algorithms in a boreal landscape setting, and consider implementation issues. With a processing system developed to handle large numbers (tens to hundreds) of Landsat scenes, which incorporates most of the algorithms discussed here, the stage is nearly set for large-scale processing leading to a Landsat-based land cover classification product(s) for Canada. Résumé. En dépit de l’étendue de son territoire et de la disponibilité de la meilleure archive Landsat au monde, le Canada a jusqu’à maintenant très peu fait usage des données Landsat pour les besoins de la cartographie du couvert. La difficulté
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».