Change detection and landscape structure mapping using remote sensing
Notice bibliographique
Résumé
Satellite remote sensing has long held promise as a powerful method of detecting forest canopy changes and mapping landscape structure over vast, often multi-jurisdictional forest areas. Landsat Thematic Mapper (TM) spectral response, for example, can be related accurately to changes in physiology and cover at a range of small to intermediate mapping scales. These data have been available continuously for almost 20 years; many areas have earlier satellite image archives stretching back to the 1970s. When considering spatially-explicit changes to landscapescaused by natural and human disturbancesover this time period, digital, synoptic, and repeatable satellite remotely-sensed data are emerging as the observational media of choice that forest managers must possess and use wisely. In this paper, successful use of satellite remote sensing in two of Canadas Model Forests is described. First, in the Fundy Model Forest in southeastern New Brunswick, a 15-year TM image sequence was used to detect area changes associated with different harvesting and silvicultural practices. Second, in the Foothills Model Forest in west-central Alberta, grizzly bear habitat maps have been created from multi-scene TM land cover mosaics. These map products constitute critical information on landscape change and configuration required to answer key management questions. The paper concludes with a prognosis for the future role of satellite remote sensing in sustainable forest management as data quality continues to improve (i.e., increasing spatial, spectral, temporal, and radiometric resolutions), and methods are brought into the purview of forest managers and practitioners. Key words: remote sensing, landscape change, forest fragmentation, human disturbance, management information needs, habitat
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 | 0,000 |
| 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 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 ».