Challenges for the operational detection of mountain pine beetle green attack with remote sensing
Notice bibliographique
Résumé
Mountain pine beetle infestations are spatially correlated; current (green) attack is often located near previous (red) attack. This spatial correlation between the green and red attack stages enables operational survey methods, as detection of red attack trees—typically from an airborne survey such as a helicopter GPS survey or aerial photography—guides the location of subsequent ground surveys for green attack trees. Forest managers, in an attempt to understand beetle movement and infestation patterns, hope to utilize remotely sensed data to detect and map green attack trees, with the expectation that the spatial extent, accuracy, and timeliness afforded by remotely sensed data will greatly improve the efficacy of beetle treatment and control. In this communication, we present the biological, logistical, and technological factors that limit the operational utility of remotely sensed data for green attack detection and mapping. To provide context for these limitations, we identify the operational information needs associated with green attack and discuss how these requirements dictate the characteristics of any potential remotely sensed data source (e.g., spatial, spectral, and temporal characteristics). Based upon our assessment, we conclude that the remote detection of green attack is not operationally viable, and is unlikely to become so unless the limiting factors we have identified are altered substantially or removed. Key words: green attack, remote sensing, operational, insect survey, high spatial resolution, high spectral resolution
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 ».