Near-Real Time Detection of Beetle Infestation in Pine Forests Using MODIS Data
Notice bibliographique
Résumé
This paper considers near-real time detection of beetle infestation in North American pine forests using MODIS 8-days 500 m data. Two methods are considered, both using a single time series for detection of beetle infestation by analyzing the statistics of the trend component of the signal. The first method estimates the trend component of the vegetation index time series by fitting an underlying triply modulated cosine model over a sliding window, using nonlinear least squares (NLS), and the second method uses a T-point moving average finite impulse response (FIR) filter. Both the methods perform well and show similar performance on simulated datasets. The methods are also tested on many difference and ratio-indices of a real-world dataset with change and no-change examples taken from the Rocky Mountain region of the United States and of British Columbia in Canada. The results suggest that both the methods detect beetle infestation reliably in almost all the vegetation index datasets. However, the model-based method (NLS-based) performs better in terms of the detection delay. Red Green Index (RGI), when used with the model-based method, provides the best tradeoff between the detection delay and accuracy. Furthermore, 90%, 50%, and 25% cross-validations are also performed for the threshold selection on RGI dataset, and it is shown that the selected threshold works well on the test data. In the end, it is also shown that the model-based method outperforms a recently published method for near-real time disturbance detection in MODIS data, in both accuracy and detection delay.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».