MétaCan
Menu
Retour à la cohorte
Enregistrement W2052650460 · doi:10.1111/j.1939-7445.2006.tb00177.x

CANADA'S FOREST COVER INDICATOR: DEFINITION, METHODOLOGY AND RESULTS

2008· article· en· W2052650460 sur OpenAlexaffabout
Wenjun Chen, R.H.H. Moll, B Haddon, Sylvain G. Leblanc, G Pavlic, Robert Fraser, Richard Fernandes, RASIM LATFOVIC, J. Cihlar, Simon Bridge

Notice bibliographique

RevueNatural Resource Modeling · 2008
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest ecology and management
Établissements canadiensCanadian Forest ServiceStatistics CanadaNatural Resources Canada
Organismes subventionnairesnon disponible
Mots-clésRemote sensingEnvironmental scienceEnvironmental resource managementForest coverVegetation (pathology)UnderstoryKey (lock)Sustainable forest managementComputer scienceForest managementGeographyAgroforestryEcology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT. The Environment and Sustainable Development Indicators (ESDI) Initiative was introduced to track Canada's overall wealth in the form of natural and human capital, in additionto familiar economic data such as the gross domestic product (GDP). One of the six ESDIs is the Forest Cover Indicator (FCI). In this paper we define FCI, outline the overall method for deriving FCI, and report results for addressing four key technical issues in carrying out this overall method. The FCI is defined as interannual variations of Canada's forest area with the middle-summer crown closure (CC) ? 10%. Crown closure is the percentage of the ground surface covered by a downward vertical projection of the tree crowns. Theoverall monitoring method is mainly based on coarse resolution remote sensing data because of the need to cover Canada's extensive landmass during the middle-summer months and toupdate the results annually. Medium resolution satellite data, field measurements, and modeling approaches were used for calibration, correction, validation, and down-scaling, with a focus on the following 4 key technical issues: (1) correcting understory non-tree vegetation effect on CC, (2) downscaling forest cover area from 1-km to 100-m spatial resolution as required by the FCI definition, (3) detecting the changes of CC caused by disturbances, and (4) detecting changes in CC caused by forest regrowth. Methods and results for addressing these technical issues are described in the paper. While these results indicate that the key technical issues can be solved by integrating satellite remote sensing data/products and other data, there are clear needs for further development, especially testing against field measurements.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,224

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,014
Études des sciences et des technologies0,0020,001
Communication savante0,0030,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,234
Écart entre enseignants0,196 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2008
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNatural Resource ModelingMême sujetForest ecology and managementTravaux en français237 207