Parcel-based classification of agricultural crops via multitemporal Landsat imagery for monitoring habitat availability of western burrowing owls in the Imperial Valley agro-ecosystem
Notice bibliographique
Résumé
Agricultural production has a large impact upon the sustainability of wildlife populations. Certain species decline in the presence of intensive agriculture, while others thrive. Thus, quantifying changes in habitat within agricultural systems is paramount to understanding the underlying ecological mechanisms influencing species' range shifts and may facilitate the development of management strategies for sensitive wildlife species that depend on agricultural systems. Remotely sensed data can provide an efficient means to assess and monitor agricultural crop dynamics across large spatial extents. The objective of this study was to classify field-level agricultural crop types via a time series of Landsat imagery across the 3 620 000 ha agro-ecosystem in the Imperial Valley in California. The primary impetus was to generate data to characterize short-term changes in habitat for the western burrowing owl (Athene cunicularia), a species of concern that has an affinity for agricultural systems. The parcel-based classification method attained overall accuracies of 84% and 69% for level II (3 crop groups) and level III (31 crop types) agricultural crops, respectively. Given the large number of crop categories classified, these accuracies were quite high, especially when compared with existing crop type classifications across the region (e.g., the National Cropland Data Layer). These results suggest that the crop type classifications presented herein could potentially be used to evaluate owl demographic and space use parameters in light of shifting crop patterns across the study area.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».