Unsupervised land cover classification in Ontario using multi-sensor satellite imagery
Notice bibliographique
Résumé
High-resolution land cover classification is essential for environmental monitoring and resource management. This thesis presents a fully unsupervised framework for land cover classification in Ontario, Canada, using fused Sentinel-1 synthetic aperture radar (SAR) and Sentinel-2 optical imagery at 10-meter resolution. A cloud-native export pipeline in Google Earth Engine produces seasonally consistent, cloud-free, and snow-free composites. A comprehensive feature engineering process extracts spectral indices, SAR backscatter metrics, terrain attributes from digital elevation models (DEMs), and temporal statistics to form a rich multi-sensor feature space. Dimensionality reduction via Sparse Principal Component Analysis (SparsePCA) and mutual information–based feature selection is applied to improve class separability. Three clustering algorithms—K-means (centroid-based), HDBSCAN (densitybased), and OPTICS (reachability-based)—are employed to capture diverse structural patterns in the data. The final land cover labels are determined via a majority-voting ensemble strategy, with OPTICS acting as a deterministic tie-breaker. Classification outputs are evaluated against the Dynamic World dataset using overall accuracy (OA), precision, recall, F1-score, Adjusted Rand Index (ARI), and Normalized Mutual Information (NMI). The ensemble model consistently outperforms individual clustering methods, achieving an OA of 99%, ARI of 96.70%, and NMI of 92.20%. These results demonstrate the effectiveness of the proposed ensemble-based, label-free methodology for scalable and accurate land cover mapping using multisensor Earth observation 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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».