MétaCan
Menu
Retour à la cohorte
Enregistrement W2166234440 · doi:10.5589/m02-007

Empirical relations between Landsat TM spectral response and forest stands near Fort Simpson, Northwest Territories, Canada

2002· article· en· W2166234440 sur OpenAlexvenueaboutno aff
G. R. Gerylo, Ronald J. Hall, Steven E. Franklin, Lisa Smith

Notice bibliographique

RevueCanadian Journal of Remote Sensing · 2002
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing and LiDAR Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésThematic MapperGeographyJack pinePhysical geographyForestryEcological successionThinningEcologySatellite imageryRemote sensingBiologyPinus <genus>

Résumé

récupéré en direct d'OpenAlex

AbstractEmpirical relationships between forest stand variables, such as age and crown closure, and spectral response measured by the Landsat Thematic Mapper (TM) satellite sensor have long been suggested as an information source to support forest inventories in many regions of the world. Using regression and correlation techniques, the authors have identified the form and strength of these empirical relationships for a sample of forest stands near Fort Simpson, Northwest Territories. Models were strongest for pioneer forest species such as jack pine and trembling aspen as these relationships were characterized by reasonably consistent changes in stand structure and composition. White spruce, a secondary successional species, produced the statistically weakest models from Landsat TM spectral response patterns for all stand variables with the exception of crown closure. The authors attribute the differences in model strength to variable trends in stem growth and stand structural changes caused by differing successional pathways for white spruce stands in this region.Depuis longtemps, des relations empiriques entre des variables des peuplements forestiers, comme l'âge et la fermeture du couvert, et la réponse spectrale mesurée par le capteur TM (Thematic Mapper) du satellite Landsat ont été proposées pour appuyer les évaluations d'inventaires forestiers dans beaucoup de régions de la planète. Par des techniques de régression et de corrélation, nous avons déterminé la forme et la force de ces relations pour un échantillon de peuplements près de Fort Simpson dans les Territoires du Nord-Ouest. Les modèles se sont avérés plus forts pour les espèces forestières pionnières telles que le pin tordu latifolié et le peuplier faux-tremble, ce que nous avons attribué aux changements assez uniformes de la structure et de la composition des peuplements en fonction de l'âge. Les modèles de l'épinette blanche, espèce de succession secondaire, se sont montrés plus faibles, sauf pour la fermeture du couvert. Nous expliquons les différences de la force des modèles par l'évolution plus variable de la croissance des arbres et de la structure des peuplements, attribuable aux différents modes de succession à l'origine des peuplements d'épinette blanche qui sont typiques de la forêt boréale dans cette région.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,396
Score d'incertitude au seuil0,593

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,222
Écart entre enseignants0,206 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations41
Publié2002
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Remote SensingMême sujetRemote Sensing and LiDAR ApplicationsTravaux en français237 207