Using multi-resolution remote sensing to monitor disturbance and climate change impacts on Northern forests
Notice bibliographique
Résumé
Global forests are experiencing a variety of stresses in response to climate change and human activities. The broad objective of this dissertation is to improve understanding of how temperate and boreal forests are changing by using remote sensing to develop new techniques for detecting change in forest ecosystems and to use these techniques to investigate patterns of change in North American forests. First, I developed and applied a temporal segmentation algorithm to an 11-year time series of MODIS data for a region in the Pacific Northwest of the USA. Through comparison with an existing forest disturbance map, I characterized how the severity and spatial scale of disturbances affect the ability of MODIS to detect these events. Results from these analyses showed that most disturbances occupying more than one-third of a MODIS pixel can be detected but that prior disturbance history and gridding artifacts complicate the signature of forest disturbance events in MODIS data. Second, I focused on boreal forests of Canada, where recent studies have used remote sensing to infer decreases in forest productivity. To investigate these trends, I collected 28 years of Landsat TM and ETM+ data for 11 sites spanning Canada's boreal forests. Using these data, I analyzed how sensor geometry and intra- and inter-sensor calibration influence detection of trends from Landsat time series. Results showed systematic patterns in Landsat time series that reflect sensor geometry and subtle issues related to inter-sensor calibration, including consistently higher red band reflectance values from TM data relative to ETM+ data. In the final chapter, I extended the analyses from my second chapter to explore patterns of change in Landsat time series at an expanded set of 46 sites. Trends in peak-summer values of vegetation indices from Landsat were summarized at the scale of MODIS pixels. Results showed that the magnitude and slope of observed trends reflect patterns in disturbance and land cover and that undisturbed forests in eastern sites showed subtle, but detectable, differences from patterns observed in western sites. Drier forests in western Canada show declining trends, while mostly increasing trends are observed for wetter eastern forests.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».