An Integrated Decision Tree Approach (IDTA) to Mapping Landcover Using Satellite Remote Sensing in Support of Grizzly Bear Habitat Analysis in the Alberta Yellowhead Ecosystem
Notice bibliographique
Résumé
Des données multisources comprenant des images satellitales Landsat de 1999, des descripteurs topographiques dérivés de MNA et des informations issues d'inventaires sur la végétation et intégrées dans un SIG ont été utilisés pour générer une carte détaillée de la classification du couvert afin de quantifier et d'analyser la distribution spatiale et la configuration des habitats d'ours grizzly dans la zone d'étude de l'écosystème de Yellowhead en Alberta. La carte était nécessaire dans le cadre plus global de l'évaluation de l'écosystème pour déterminer si les mouvements des ours et les patrons d'utilisation des habitats étaient affectés par les conditions changeantes du paysage et les activités humaines. Une approche intégrée IDTA, basée sur l'utilisation d'un arbre de décision, a été développée en incorporant le groupage non dirigé (K-moyennage), des règles de décision dérivées de façon empirique et basées sur l'utilisation de MNA et d'un SIG (proximité, pentes, etc.) et une classification dirigée basée sur le maximum de vraisemblance des classes de forêt et de végétation déduites de l'échantillonnage sur le terrain. Cette approche reposait sur une découverte antérieure, réalisée à partir d'une image Landsat de 1998 de la région, démontrant que la performance des différents classificateurs pouvait varier en fonction des diverses classes. La carte produite au moyen de la méthode IDTA s'est avérée d'une précision d'environ 80% (kappa=0,783) utilisant 494 points échantillonnés identifiés sans ambiguïté sur les orthophotographies numériques disponibles.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».