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 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».