Heterogeneity characteristics of an inland wetland environment through spatio-spectral analysis
Notice bibliographique
Résumé
To manage wetlands, resource managers require information on the size, shape, condition, and spatial distribution of vegetation types at both the community and species levels. Remote sensing methods currently used for generating maps of wetland ecosystems are largely based on spectral transformations of image data, preferably using high spatial resolution data. However, airborne hyperspectral imagery contains not only high spectral content but also considerable spatial information. To date, use of the spatial information in such imagery, particularly to determine biodiversity, has not been fully exploited. In this study, spatial heterogeneity in the reflectance values of hyperspectral imagery recorded over an inland wetland complex in South Dumfries Township, Ontario, Canada, is determined on a per-pixel basis by measuring the degree of local spatial association (local Moran’s Ii) within a 3 × 3 neighbourhood of pixels. These new spatio-spectral Moran’s Ii bands are then classified into heterogeneity categories using a modified version of the spectral angle mapper algorithm. Results show that the extraction of spatial information from hyperspectral data contributes to wetland management initiatives by providing quantitative information on the spatial arrangement of measured biological elements. The use of Moran’s Ii, a local measure of spatial association, also provides a statistical basis on which to map heterogeneity characteristics of elements within a wetland environment and to determine how these characteristics change over time.
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 | 0,000 |
| 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 ».