Predictions of forest inventory cover type proportions using Landsat TM
Notice bibliographique
Résumé
The feasibility of generating via Landsat TM data current estimates of cover type proportions for areas lacking this information in the national forest inventory was explored by a case study in New Brunswick. A recent forest management inventory covering 4196 km2 in south-eastern New Brunswick (the test area) and a coregistered Landsat TM scene was used to develop predictive models of 12 cover type proportions in an adjacent 4525 km2 region (the validation area). Four prediction models were considered, one using a maximum likelihood classifier (MLC), and three using the proportions of 30 TM clusters as predictors. The MLC was superior for non-vegetated cover types while a neural net or a prorating of cluster proportions was chosen for predicting vegetated cover types. Most predictions generated for national inventory photo-plots of 2 x 2 km were closer to the most recent inventory results than estimates extrapolated from the test area. Agreement between predictions and current inventory results varied considerably among cover types with model-based predictions outperforming, on average, the simple spatial extensions by about 14%. In this region, an 11-year-old forest inventory for the validation area provided estimates that in half the cases were closer to current inventory estimates than predictions using the optimal Landsat TM model. A strong temporal correlation of photo-plot-level cover type proportions made old-values more consistent than predictions using the optimal Landsat TM model in all but three cases. Prorating of cluster proportions holds promise for large-scale multi-sensor predictions of forest inventory cover types.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».