Exploring the Utility of Hyperspectral Imagery and LiDAR Data for Predicting <i>Quercus garryana</i> Ecosystem Distribution and Aiding in Habitat Restoration
Notice bibliographique
Résumé
In west‐coastal Canada Garry oak habitat has been significantly degraded and reduced to 1–5% of its pre‐European settlement range. To reverse the at‐risk status of species associated with Garry oak habitat, restoration efforts are mandatory. Effective restoration requires understanding habitat distribution in a detailed, accurate, and spatially explicit manner. This research investigates whether classified airborne hyperspectral imagery can provide distribution predictions that are more detailed and accurate than those stemming from conventional aerial photograph interpretation. Furthermore, this research assesses whether including structural information represented by light detection and ranging (LiDAR) data increases classification accuracies. Hyperspectral classification resulted in an overall accuracy of 86.4% with a 0.8 Kappa Index of Agreement (KIA) and Garry oak producer's and user's accuracies of 81.7 and 92.1%, respectively. Including structural information as classification input resulted in an overall accuracy of 87.2% with a 0.8 KIA and Garry oak producer's and user's accuracies of 86.9 and 81.5%, respectively. Both rounds of classification identified the precise location and amount of Garry oak trees/tree clusters at a 2‐m spatial resolution providing significant improvement as compared with 1:5,000 scale polygons mapped with a minimum unit of 0.04 ha (i.e. 20 × 20‐m) which comprise conventional data. Despite lower user's accuracy for Garry oak, overall, Garry oak producer's and most per‐class accuracies (producer's and user's) increased with the inclusion of structural information and therefore its use is recommended. Classification results provide contemporary reference information which can inform required restoration activities and be used to judge their effectiveness.
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 | 0,000 |
| 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 ».