Évaluation des méthodes de classifications dirigées (spectrale et orientée objet) sur les images satellitaires à THRS
Bibliographic record
Abstract
Cette étude se propose d’analyser les performances de la classification dite spectrale et de la classification dite orientée objet pour la cartographie du tissu urbain des communes de Cocody et d’Attécoubé, dans l’agglomération d’Abidjan en Côte d’Ivoire, à partir des images satellitaires à Très haute résolution spatiale (THRS). Ces deux techniques de classification ont été successivement appliquées à trois sites tests, à savoir une zone bien bâtie (ZBB), une zone à habitats précaires (ZHP) et une zone non bâtie (ZNB). Les résultats des deux traitements sont comparés afin d’analyser les performances. Il ressort de ces traitements que la classification orientée objet (COO) est mieux adaptée que la classification spectrale (CS) pour la cartographie des sites bâtis, car elle améliore la précision cartographique de 4,58%. Au niveau des sites à habitats précaires, les deux types de classifications affichent les précisions globales presque similaires : 89,59% pour la classification spectrale et 90,32% pour l’approche orientée objet. Concernant les terrains non bâtis, la CS est la mieux indiquée avec une amélioration globale de 8,22% par rapport à l’approche COO. En somme, la COO semble plus adaptée pour l’extraction d’unités cartographiques des sites bien structurés. Au fur et à mesure que le niveau d’organisation du site décroit, les performances de la COO baissent au profit de la CS.
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 | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| 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".