Disturbance capture and attribution through the integration of Landsat and IRS-1C imagery
Notice bibliographique
Résumé
A primary activity required to support sustainable forest management is the detection and mitigation of forest disturbances. These disturbances can be planned, through urbanization and harvesting, or unplanned, through insect infestations or fire. Detection and characterization of disturbance types are important, as different disturbances have different ecological effects and may require unique managerial responses. As such, it is necessary for forest managers to have as complete and current information as possible to support decision making. In this study, we developed a framework to automatically detect and label disturbances derived from remotely sensed images. Disturbances were detected through traditional image differencing of medium-resolution imagery (Landsat-7 Enhanced Thematic Mapper Plus (ETM+), resampled to 30 m) but were refined and augmented through comparison with edge features extracted from high spatial resolution satellite imagery (Indian Remote Sensing (IRS) satellite 1C panchromatic imagery, resampled to 5 m). By incorporating spectral information, derived composite band values (tasselled cap transformations), spatial and contextual information, and secondary datasets, we were able to capture and label disturbance features with a high level of overall agreement (91%). Areal features, such as harvest areas, are captured and labelled more reliably than linear features such as roads, with 92% and 72% agreement when compared with control data, respectively. By incorporating rule-based disturbance attribution with remote sensing change detection, we envision the update of land cover databases with reduced human intervention, aiding more rapid data integration and opportunities for timely managerial responses.
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 | 0,000 |
| 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 ».