Mapping piping plover (<i>Charadrius melodus melodus</i>) habitat in coastal areas using airborne lidar data
Notice bibliographique
Résumé
AbstractCoastal estuaries and beach habitat are some of the most important and productive ecosystems in Atlantic Canada. These sensitive areas are crucial for hundreds of land and marine species. Mapping and monitoring coastal habitat is important for the protection of species such as the endangered piping plover (Charadrius melodus melodus). Light detection and ranging (lidar) elevation and intensity data have been used together to successfully classify land-cover types. This study explores the use of elevation, texture, slope, and intensity to classify coastal habitat. Lidar data were collected over a barrier beach and estuary on the South Shore of Nova Scotia. Ground validation and training sites were collected using a real-time kinematic global positioning system. Unsupervised, supervised, and logical filter classifications were compared for separability of various beach and intertidal habitats. Coastal land classes similar in elevation, texture, and slope, such as mudflats, sand beaches, and salt marshes, relied heavily on intensity data for separation. Tidal saturation of these areas produced similar intensity returns, resulting in poor separation between classes. Logical filters applied to the lidar data improved the classification of coastal habitat compared to standard unsupervised and supervised classifications. Additional logical filters were used to isolate important nesting and feeding habitat for piping plover. Results of this study suggest that lidar can effectively be used for classifying coastal habitat if tidal and seasonal factors are taken into consideration.Les estuaires côtiers et les habitats de plage sont parmi les écosystèmes les plus importants et productifs dans la région atlantique au Canada. Ces zones sensibles sont cruciales pour des centaines d'espèces terrestres et marines. La cartographie et le suivi des habitats côtiers sont essentiels pour la protection des espèces comme le pluvier siffleur (Charadrius melodus melodus), une espèce menacée. Des données d'altitude et d'intensité lidar (« light detection and ranging ») ont été utilisées conjointement avec succès pour la classification des types de couvert. La présente étude explore l'utilisation de l'altitude, de la texture, de la pente et de l'intensité pour la classification des habitats côtiers. Les données lidar ont été acquises au-dessus d'un cordon littoral et d'un estuaire sur la côte sud de la Nouvelle-Écosse. Les sites de validation et d'entraînement au sol ont été collectés en utilisant un système de positionnement global cinématique en temps réel. Les résultats des classifications non dirigée, dirigée et par filtre logique ont été comparés dans le contexte de la séparabilité des divers habitats de plage ou intertidaux. La séparation des classes semblables de couvert côtier en termes d'altitude, de texture et de pente telles que les vasières, les plages sablonneuses et les marais salants reposait fortement sur les données d'intensité. La saturation par la marée de ces zones a produit des retours d'intensité semblables résultant en une faible séparation entre les classes. L'application de filtres logiques aux données lidar a permis d'améliorer la classification des habitats côtiers comparativement aux classifications standards non dirigée et dirigée. Des filtres logiques additionnels ont été utilisés pour isoler les habitats importants de nidification et d'alimentation pour le pluvier siffleur. Les résultats de cette étude suggèrent que les données lidar peuvent être utilisées efficacement pour la classification des habitats côtiers si les facteurs tidaux et saisonniers sont pris en considération.[Traduit par la Rédaction]
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».