A Physically Based Terrain Morphology and Vegetation Structural Classification for Wetlands of the Boreal Plains, Alberta, Canada
Notice bibliographique
Résumé
The objective of this study is to test a cost-effective, physically based Light Detection and Ranging (LiDAR) classification methodology for wetland and upland land cover types within an area exceeding 1,000 km2 in the Boreal Plains, Alberta, Canada. Decision criteria are based on physical attributes of the landscape that influence maintenance of land cover types. Results are compared with 38 geolocated measurement plots at land cover boundaries and transition zones, manual delineation of 2,337 wetlands using photogrammetric methods and publicly available land cover classifications.Results suggest that 57% of LiDAR-based wetland classes correspond with delineated wetlands, whereas 37% occur as errors of commission due to excluded wetlands in the manual delineation and confusion with harvested areas. Comparison of classified edges with plot shows that all classifications underestimate wetland area. Residual differences of the LiDAR-based classification are −0.3 m, on average (compared with measured), and have reduced range of error compared with other methods. Multispectral classifications misclassify up to 2/3 of wetland boundaries as a result of lower-resolution mixed pixels. Therefore, high-resolution maps of terrain morphology and vegetation structure provide an accurate, cost-effective means for characterizing wetland vs. upland forest in areas where LiDAR data are available.
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 ».