Employing ground-based spectroscopy for tree-species differentiation in the Gulf Islands National Park Reserve
Notice bibliographique
Résumé
Airborne hyperspectral data is a promising tool to map species distribution; however, the large number of input bands can be highly correlated and potentially noisy. Ground-based spectrometer data can identify spectral regions that are optimal for species differentiation, and therefore provide a logical initial step for species mapping endeavours employing airborne hyperspectral data. This study used reflectance collected by an Analytical Spectral Devices (ASD) spectrometer to differentiate between tree species common to the Canadian Gulf Islands. Baseline ASD reflectance and its derivatives were used as input for forward stepwise discriminant analyses to identify wavelengths that minimize within-species variance while maximizing between-species variance. Identified wavelengths were then used as input for normal discriminant analyses, which confirmed through cross-validation classifications that, at the leaf scale, species could be differentiated with an overall accuracy > 98% and individual accuracies > 85% using 40 optimal wavelengths. Accuracies slightly decreased when using derivatives, but only for certain species. Results indicate that wavelengths in the ranges 501–550, 681–740 and 1401–1800 nm exhibited the most significance. The selected bands form the basis of ongoing mapping efforts using airborne hyperspectral imagery.
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 | 0,001 | 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) | 0,001 | 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 ».