Identification of Woodland Vernal Pools with Seasonal Change PALSAR Data for Habitat Conservation
Notice bibliographique
Résumé
Woodland vernal pools are important, small, cryptic, ephemeral wetland ecosystems that are vulnerable to a changing climate and anthropogenic influences. To conserve woodland vernal pools for the state of Michigan USA, vernal pool detection and mapping methods were sought that would be efficient, cost-effective, repeatable and accurate. Satellite-based L-band radar data from the high (10 m) resolution Japanese ALOS PALSAR sensor were evaluated for suitability in vernal pool detection beneath forest canopies. In a two phase study, potential vernal pool (PVP) detection was first assessed with unsupervised PALSAR (LHH) two season change detection (spring when flooded—summer when dry) and validated with 268, 1 ha field-sampled test cells. This resulted in low false negatives (14%–22%), overall map accuracy of 48% to 62% and high commission error (66%). These results make this blind two-season PALSAR approach for cryptic PVP detection of use for locating areas of high vernal pool likelihood. In a second phase of the research, PALSAR was integrated with 10 m USGS DEM derivatives in a machine learning classifier, which greatly improved overall PVP map accuracies (91% to 93%). This supervised approach with PALSAR was found to produce better mapping results than using LiDAR intensity or C-band SAR data in a fusion with the USGS DEM-derivatives.
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 | 0,000 |
| 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 ».