Comparison of forestry-based remote sensing methodologies to evaluate woodland caribou habitat in non-forested areas of Newfoundland
Notice bibliographique
Résumé
Forest inventory maps and a manual interpretation of forestry-enhanced Landsat imagery are compared to the results of a detailed aerial photograph interpretation used to map habitat for caribou (Rangifer tarandus terra novae) in a relatively unforested region of Newfoundland. This comparison serves as an illustration of the pitfalls inherent in using readily available remote sensing technologies in applications for which they were not intended. The non-forest classes in the Newfoundland Forest Inventory are too broad to describe single vegetation communities, and only rarely are vegetation communities found entirely within a single forest inventory class. For example, "bog" is relatively well associated with wetland vegetation classes and "barren" with upland classes, but "scrub" is a misleading term used to describe both forest and non-forest communities. An earlier (global) forest classification for Newfoundland has a more reliable association of scrub with forest, but a less reliable identification of bog than later updates to the forest inventory in the study area. Landsat imagery applications for forest inventory updates do not appear useful in identifying non-forest vegetation communities. Caution should be taken in using forest inventory maps in wildlife habitat applications when the habitat includes important non-forest components. Key words: forest inventory, habitat classification, Landsat imagery, mapping, remote sensing
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 | 0,000 |
| 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 ».