Detecting moose (<i>Alces alces</i>) browsing damage in young boreal forests from airborne laser scanning data
Notice bibliographique
Résumé
Large herbivores can have large impacts on their habitats through extensive browsing. Similarly, human actions can have large impacts both on habitats and on the animals utilizing the habitats. In Finland, the increase in clear-cut areas has been highly positive for moose in particular, because these areas provide an easy and abundant source of winter food. For the forest owners, moose browsing causes growth and quality losses or even the destruction of whole stand. We aimed to identify moose browsing damage from airborne laser scanning (ALS) data and to predict damaged areas. The data was used to detect the difference in forest structure caused by moose browsing (lost branches and twigs) in relation to reference areas without moose browsing. The damaged areas were located, measured, and confirmed by forestry professionals, and ALS data was collected after the damage. In the end, the structural differences that browsing caused proved to be clear enough to be detected with metrics calculated from ALS data. Many variables were significantly different between the damage and no-damage areas. With logistic regression, we were able to differentiate the areas with significant, large-scale damage from no-damage areas with a 76% accuracy. However, the model was too keen to predict false-positive cases (classifying no-damage areas as damaged). It was shown that ALS data can be used in detecting moose browsing damage in a case where the damage is extremely severe (like in here). Yet, to make the results more accurate, better field data about the damaged areas would be needed.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».