Forest structure without ground data: Adaptive Full-Blind Multiple Forward-Mode reflectance model inversion in a mountain pine beetle damaged forest
Notice bibliographique
Résumé
Abstract A new approach for using canopy reflectance models (CRMs) is presented that requires no field data or knowledge about the study area or imagery. Multiple Forward-Mode Adaptive Full-Blind (MFM-AFB) modelling provides forest biophysical structural information (BSI), and can also be used for classification and spectral mixture analysis at sub-pixel scales without user-specified model inputs, training data or endmember spectra, as these are instead automatically derived. In an example application using 2007 Landsat imagery of forest damaged by a mountain pine beetle (MPB) epidemic in British Columbia, Canada, overall BSI accuracy was within ±1000 stems ha–1 for stand density, ±0.5 m for crown radius and ±1 m tree height for healthy and MPB stands. MFM-AFB software is suitable for regional, multi-temporal and unknown imagery and areas. By not requiring user-specified a priori model inputs to infer BSI, the MFM-AFB approach may help enable mainstream use of diverse and advanced CRMs for image analysis. Acknowledgements We gratefully acknowledge NSERC, AICWR, PARC, NRCan, WestGrid, Boston University, CFS-MPBI, S. Soenen (University of Lethbridge), P. Teti and D. Lewis. The Editor and reviewers are thanked for their comments that helped to clarify the presentation.
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 | 0,001 | 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 ».