Discriminating Native and Nonnative Grasses in the Dry Mixedgrass Prairie With MODIS NDVI Time Series
Notice bibliographique
Résumé
Separating native grasses from tame pastures is an important mapping exercise that assists in the assessment of biodiversity, delineation of species' habitat, and appraisal of rangeland health. However, native grasslands (primarily naturally occurring species) and tame pastures (primarily nonnative grasses planted for hay, pasture, or seed) are spectrally similar and therefore difficult to differentiate with traditional remote sensing techniques and with air-photo interpretation. We used seasonal profiles of the normalized difference vegetation index (NDVI) from the Moderate Resolution Imaging Spectroradiometer (MODIS) instruments to examine the separability of native grasslands and tame pastures (where both types employ the C3 photosynthetic pathway) in the Dry Mixedgrass natural subregion of Alberta, Canada. The two classes were found to have different rates of spring green up at the pixel level that allowed for separation with a simple linear discriminant function. We achieved an overall accuracy of 73% (n = 100 independent test cases) with the MODIS time series-a statistically significant improvement of the photo-interpretation-based Grassland Vegetation Inventory (52%): the current standard for vegetation information in Alberta's agricultural zone. We also found that the multitemporal method was able to select dates for single-date classifications that provided relatively high classification accuracies (up to 71% overall). In addition to achieving higher levels of overall accuracy than more conventional methods, the MODIS time series produced much more reliable identification of abandoned pastures: formerly planted rangelands that lack many of the visual cues used by photo interpreters.
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 | 0,001 |
| 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 ».