Utility of Classification and Regression Tree Analyses and Vegetation in Mountain Permafrost Models, Yukon, Canada
Notice bibliographique
Résumé
ABSTRACT Classification and regression tree (CART) analyses were undertaken to test the usefulness of including vegetation variables in mountain permafrost distribution models for five widely spaced study areas in the Yukon. Digital elevation model (DEM)‐derived variables, field‐derived vegetation variables and satellite imagery‐derived vegetation variables were employed individually to classify sites into permafrost probable, permafrost improbable and permafrost ‘uncertain’ categories. The vegetation variables were subsequently combined with the DEM‐derived set to see if they could improve the latter's accuracy. Overall training accuracies for the probable and improbable permafrost categories for 102 sites ranged from 81% to 92%. Remotely sensed imagery alone had the lowest overall training (81%) and testing (50%) accuracies. The CART that combined imagery and DEM‐based variables produced high overall accuracy for training (90%) and the highest for testing (77%), had few nodes classified as ‘uncertain’ and could be used to create permafrost probability maps of the study areas. CART analyses appear useful for predicting permafrost distribution because they can incorporate non‐linear relationships between independent variables and the presence of permafrost. Remotely sensed variables relating to vegetation, specifically a normalised difference vegetation index, improved the DEM‐based results, but required considerable additional effort for data collection and processing. Copyright © 2011 John Wiley & Sons, Ltd.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».