Combining aerial LiDAR and multispectral imagery to assess postfire regeneration types in a Mediterranean forest
Notice bibliographique
Résumé
Wildfires play a major role in driving vegetation changes and can cause important environmental and economic losses in Mediterranean forests, especially where the dominant species lacks efficient postfire regeneration mechanisms. In these areas, postdisturbance vegetation management strategies need to be based on detailed, spatially continuous inventories of the burned area. Here, we present a methodology in which we combine airborne LiDAR and multispectral imagery to assess postfire regeneration types in a spatially continuous way, using a Mediterranean black pine (Pinus nigra Arn ssp. salzmannii) forest that burned in 1998 as a case study. Five postfire regeneration types were obtained by clustering field-plot data using Ward’s method. Two of the five regeneration types presented high tree cover (one clearly dominated by hardwoods and the other dominated by pines), a third type presented low to moderate tree cover, being dominated by hardwoods, and the remaining two types matched to areas dominated by soil–herbaceous or shrub layers with very low or no tree cover (i.e., very low to no tree species regeneration). These five types of regeneration were used to conduct a supervised classification of remote sensing data using a nonparametric supervised classification technique. Compared with independent field validation points, the remote sensing based assessment method resulted in a global classification accuracy of 82.7%. Proportions of regeneration types in the study area indicated a general shift from the former pine-dominated forest toward hardwood dominance and showed no serious problems of regeneration failure. Our methodological approach appears to be appropriate for informing postdisturbance vegetation management strategies over large areas.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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 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 ».