A rules-based approach for predicting the eastern hemlock component of forests in the northeastern United States
Notice bibliographique
Résumé
The expanding threat of hemlock woolly adelgid (Adelges tsugae Annand) infestation has generated interest in locating eastern hemlock ( Tsuga canadensis (L.) Carr.). Prior studies have incorporated remotely sensed imagery to detect eastern hemlock presence or absence. The goal of this study was to develop methodology to quantify hemlock abundance using software and data accessible to forest managers. Three seasons of Landsat ETM+ scenes served as the imagery basis, whereas simple (slope, aspect, and curvature) and detailed (heat and wetness) environmental indices were extracted from a digital elevation model. Three hundred and forty-nine forest plots representing the typical forest cover found in the Catskill Mountain Region, New York, served as ground reference; model input used the percentage of hemlock basal area for each plot. The models generally underpredicted in plots with substantial hemlock composition, whereas overpredictions mainly occurred in mixed forests that lacked hemlock. Underpredictions negated overpredictions in mixed hemlock deciduous forests resulting in a neutral model. Correlation coefficients ranged from a high of 0.67 for the model created from three Landsat images to a low of 0.01 for the heat and wetness indices model. Although the models were typically within 10% of field measurements, there was no overall benefit in including topographic indices for mapping hemlock abundance.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».