Identifying leading species using tree crown metrics derived from very high spatial resolution imagery in a boreal forest environment
Notice bibliographique
Résumé
Utilizing the spatial information inherent in panchromatic very high spatial resolution (VHSR) imagery, we explored the use of tree crown metrics for identifying leading species over four study sites in the Yukon Territory, Canada. Image segmentation was used to delineate homogeneous forest stands, followed by a tree crown delineation algorithm that identified individual tree crowns within each stand. Leading species in the study area included white spruce, black spruce, lodgepole pine, and trembling aspen. Nonparametric multivariate statistical tests indicated that some tree crown metrics generalized at the stand level have significant utility for discriminating leading species. Based on this result, a classification tree was generated using the crown metrics and independent calibration and validation datasets. The classification tree accurately identified leading species in 72.5% of the stands used for validation (n = 212), with the accuracy for individual species ranging from 43.9% to 100.0%. Most errors resulted from confusion between white spruce and the three other, less common, leading species. This study demonstrates the capacity of the spatial information content of panchromatic VHSR imagery to generate a series of crown metrics for discriminating among four common tree species of the Yukon Territory, a location with spatially and temporally limited forest monitoring practices.
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 | 0,001 | 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 | 0,001 |
| 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 ».