Detecting and Mapping Four Invasive Species along the Floodplain of North Platte River, Nebraska
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Geospatial technologies are increasingly important tools used to assess the spatial distributions and predict the spread of invasive species. The objective of our research was to quantify and map four dominant invasive plant species, including saltcedar, Russian olive, Canada thistle, and musk thistle, along the flood plain of the North Platte River corridor within a 1-mile (1.6-km) buffer. Using the Airborne Imaging Spectroradiometer for Applications (AISA) hyperspectral imager (from visible to near infrared), we evaluated an image processing technique known as spectral angle mapping for mapping the invasive species distribution. A minimum noise fraction algorithm was used to remove the inherent noise and redundancy within the dataset during the classification. The classification algorithm applied on the AISA image revealed five categories of invasive species distribution including (1) saltcedar; (2) Russian olive; and a mix of (3) Canada and musk thistle, (4) Canada/musk thistle and reed canary grass, or (5) Canada/musk thistle, saltcedar, and reed canary grass. Validation procedures confirmed an overall map accuracy of 74%. Saltcedar and Russian olive classes showed producer and user accuracies of greater than 90%, whereas the mixed categories revealed accuracy values of between 35 and 74%. The immediate benefit of this research has been to provide information on the spatial distribution of invasive species to land managers for implementation of management programs. In addition, these data can be used to establish a baseline of the species distributions for future monitoring and control efforts.
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.
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 découle