Invasive Shrub Mapping in an Urban Environment from Hyperspectral and LiDAR-Derived Attributes
Notice bibliographique
Résumé
Proactive management of invasive species in urban areas is critical to restricting their overall distribution. The objective of this work is to determine whether advanced remote sensing technologies can help to detect invasions effectively and efficiently in complex urban ecosystems such as parks. In Surrey, British Columbia, Canada, Himalayan blackberry (Rubus armeniacus) and English ivy (Hedera helix) are two invasive shrub species that can negatively affect native ecosystems in cities and managed urban parks. Random forest (RF) models were created to detect these two species using a combination of hyperspectral imagery, and light detection and ranging (LiDAR) data. LiDAR-derived predictor variables included irradiance models, canopy structural characteristics, and orographic variables. RF detection accuracy ranged from 77.8% to 87.8% for Himalayan blackberry and 81.9% to 82.1% for English ivy, with open areas classified more accurately than areas under canopy cover. English ivy was predicted to occur across a greater area than Himalayan blackberry both within parks and across the entire city. Both Himalayan blackberry and English ivy were mostly located in clusters according to a Local Moran’s I analysis. The occurrence of both species decreased as the distance from roads increased. This study shows the feasibility of producing highly accurate detection maps of plant invasions in urban environments using a fusion of remotely sensed data, as well as the ability to use these products to guide management decisions.
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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».