Lacunarity analysis to determine optimum extents for sample‐based spatial information extraction from high‐resolution forest imagery
Notice bibliographique
Résumé
Abstract Lacunarity analysis was evaluated as a means to determine multiple pattern scales that are inherent in high‐resolution imagery of forests and to specify an optimal spatial extent for spatial image information extraction. A series of 0.5 m pixel images of temperate hardwood and mixed boreal forests were analysed using lacunarity distributions calculated for spatial extents ranging from 7 m to 40 m. The optimal extent was taken as that which displayed the greatest number of distinct pattern scales. For the temperate hardwood forest dataset, 12–14 m extents were found to be optimal, detecting three pattern scales. For the boreal forest dataset, optimal extents were 14–18 m for five of six plots, detecting two or three pattern scales in each plot. The detected pattern scales ranged from 8 m to 14 m and showed some correspondence to tree crown size, but also responded to clusters of understorey and overstorey trees or to partially exposed tree crowns. The method can aid in determination of the sample extent that best captures the pattern scales present in the imagery. More generally, it can be useful in exploratory analysis of any spatial data for which the fundamental patterns are not known. Acknowledgments This research was funded by grants to D. King from the US National Geographic Society and the Natural Sciences and Engineering Research Council of Canada (NSERC). The Quebec Ministry of Natural Resources kindly provided field data for Dataset 1. The Ontario Ministry of Natural Resources acquired the airborne imagery for Dataset 1. The National Capital Commission of Canada provided field access and logistic support.
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 | 0,001 |
| 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 ».