Characterizing Forest Succession Stages for Wildlife Habitat Assessment Using Multispectral Airborne Imagery
Notice bibliographique
Résumé
In this study, we demonstrate the potential of using high spatial resolution airborne imagery to characterize the structural development stages of forest canopies. Four forest succession stages were adopted: stand initiation, young multistory, understory reinitiation, and old growth. Remote sensing metrics describing the spatial patterns of forest structures were derived and a Random Forest learning algorithm was used to classify forest succession stages. These metrics included texture variables from Gray Level Co-occurrence Measures (GLCM), range and sill from the semi-variogram, and the fraction of shadow and its spatial distribution. Among all the derived variables, shadow fractions and the GLCM variables of contrast, mean, and dissimilarity were the most important for characterizing the forest succession stages (classification accuracy of 89%). In addition, a LiDAR (Light Detection and Ranging) derived forest structural index (predicted Lorey’s height) was employed to validate the classification result. The classification using imagery spatial variables was shown to be consistent with the LiDAR derived variable (R2 = 0.68 and Root Mean Square Error (RMSE) = 2.39). This study demonstrates that high spatial resolution imagery was able to characterize forest succession stages with promising accuracy and may be considered an alternative to LiDAR data for this kind of application. Also, the results of stand development stages build a framework for future wildlife habitat mapping.
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 | 0,001 | 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 ».