Tracking forest attributes across Canada between 2001 and 2011 using a <i>k</i> nearest neighbors mapping approach applied to MODIS imagery
Notice bibliographique
Résumé
Mapping Canada’s forests is a significant challenge given their extent and the interprovincial differences in forest inventories. We created new sets of nationally consistent forest attribute maps for the years 2001 and 2011 by building upon previously published work with the objective to determine if sequential maps of forest attributes could be used to quantify changes over time. We first refined our previously published methodology of using the k nearest neighbors (kNN) prediction method and MODIS spectral reflectance data as predictive variables. The maps were generated using an improved reference dataset and a new analytical kNN workflow. We then evaluated 2001 to 2011 changes in two key attributes, aboveground biomass and percent tree cover, on pixels identified from published sources as having undergone fire, harvest, or postdisturbance regrowth during that period. For all three change types, average changes in both aboveground biomass and percent tree cover between 2001 and 2011 matched expectations relative to the dynamics of Canadian forests. Our results support the use of sequential national maps of forest attributes for evaluating regionally aggregated disturbance-related changes in forest properties. The new forest attribute maps are available from Beaudoin et al. (2017 ; doi: 10.23687/ec9e2659-1c29-4ddb-87a2-6aced147a990) at http://ouvert.canada.ca/data/fr/dataset/ec9e2659-1c29-4ddb-87a2-6aced147a990 .
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 | 0,002 | 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 | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».