Supporting large-area, sample-based forest inventories with very high spatial resolution satellite imagery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Information needs associated with forest management and reporting requires data with a steadily increasing level of detail and temporal frequency. Remote sensing satellites commonly used for forest monitoring (eg, Landsat, SPOT) typically collect imagery with sufficient temporal frequency, but lack the requisite spatial and categorical detail for some forest inventory information needs. Aerial photography remains a principal data source for forest inventory; however, information extraction is primarily accomplished through manual processes. The spatial, categorical, and temporal information requirements of large-area forest inventories can be met through sample-based data collection. Opportunities exist for very high spatial resolution (VHSR; ie, <1 m) remotely sensed imagery to augment traditional data sources for large-area, sample-based forest inventories, especially for inventory update. In this paper, we synthesize the state-of-the-art in the use of VHSR remotely sensed imagery for forest inventory and monitoring. Based upon this review, we develop a framework for updating a sample-based, large-area forest inventory that incorporates VHSR imagery. Using the information needs of the Canadian National Forest Inventory (NFI) for context, we demonstrate the potential capabilities of VHSR imagery in four phases of the forest inventory update process: stand delineation, automated attribution, manual interpretation, and indirect attribute modelling. Although designed to support the information needs of the Canadian NFI, the framework presented herein could be adapted to support other sample-based, large-area forest monitoring initiatives.
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.
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 | 0,000 |
| 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 découle