Mapping Canadian boreal forest vegetation using pigment and water absorption features derived from the AVIRIS sensor
Notice bibliographique
Résumé
Using imagery of the Canadian boreal forest, we explored the ability of the Airborne Visible Infrared Imaging Spectrometer (AVIRIS) to map vegetation type by taking advantage of pigment and water absorption features. Two techniques were exploited. In the first classification routine, laboratory‐acquired leaf spectra representing different “pigment classes” were used in a spectral unmixing procedure to map the relative abundance of pigments in the landscape. The resulting images were then used in a maximum likelihood routine to map the distribution of vegetation cover types. Accuracies for this method range between 66.6–80.1%, when compared to a vegetation map prepared by the Saskatchewan Environment and Resource Management (SERM), Forestry Branch Inventory Unit (FBIU). In the second approach, seven indices of vegetation structure and physiological function were calculated from AVIRIS. Cover types were then derived using the index images as inputs in a maximum likelihood classification. Levels of accuracy for this method were between 56.6 and 73.3%, when compared to the same vegetation map. Both of these complementary techniques were able to differentiate important vegetation types such as fen, deciduous trees, and wet and dry conifers at accuracies superior to other well‐established classification methods for this area. This improved vegetation classification can now be used to evaluate regional surface‐atmosphere fluxes of carbon and water vapor.
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 | 0,001 | 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 | 0,001 |
| 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 ».