Applicability of a Gradient Profile Algorithm for Road Network Extraction - Sensor, Resolution and Background Considerations
Bibliographic record
Abstract
Dans cet article, on évalue le potentiel des photographies aériennes à haute résolution et des images panchromatiques à résolution moyenne de SPOT et de Landsat TM pour la détection des réseaux routiers dans différents environnements tels que les régions rurales agricoles et forestières, les centres-villes et les zones résidentielles. L'algorithme d'analyse de profil GDPA (Gradient Direction Profile Analysis) est utilisé pour tester l'efficacité de la détection des routes et les résultats sont comparés. Dans les zones rurales et forestières, les réseaux de routes détectés à partir de toutes les sources de données sont relativement bons et comparables parce que les routes constituent des formes distinctives dans ces images. En zone urbaine, tous les résultats obtenus dans les centres-villes sont faibles dû à la nature complexe des scènes. Dans les zones résidentielles, les résultats sont plus diversifiés en fonction des sources de données qui proposent des résolutions différentes. Parmi les trois types de données utilisés pour les zones urbaines résidentielles, les photographies aériennes numérisées ont donné la meilleure carte du réseau routier. L'image SPOT a produit des résultats adéquats, avec une performance meilleure dans les zones de développement routier récent. L'image Landsat TM donne des résultats faibles. Nos expériences montrent que l'efficacité et le degré de difficulté de l'extraction des formes linéaires à partir d'images de télédétection dépendent grandement de la nature des données, et en particulier, de la résolution spatiale et de l'environnement local.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".