Detection of Annual Spruce Budworm Defoliation and Severity Classification Using Landsat Imagery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Spruce budworm (SBW) is the most destructive forest pest in eastern forests of North America. Mapping annual current-year SBW defoliation is challenging because of the large landscape scale of infestations, high temporal/spatial variability, and the short period of time when detection is possible. We used Landsat-5 and Landsat-MSS data to develop a method to detect and map SBW defoliation, which can be used as ancillary or alternative information for aerial sketch maps (ASMs). Results indicated that Landsat-5 data were capable of detecting and classifying SBW defoliation into three levels comparable to ASMs. For SBW defoliation classification, a combination of three vegetation indices, including normalized difference moisture index (NDMI), enhanced vegetation index (EVI), and normalized difference vegetation index (NDVI), were found to provide the highest accuracy (non-defoliated: 77%, light defoliation: 60%, moderate defoliation: 52%, and severe defoliation: 77%) compared to using only NDMI (non-defoliated: 76%, light defoliation: 40%, moderate defoliation: 43%, and severe defoliation: 67%). Detection of historical SBW defoliation was possible using Landsat-MSS NDVI data, and the produced maps were used to complement coarse-resolution aerial sketch maps of the past outbreak. The method developed for Landsat-5 data can be used for current SBW outbreak mapping in North America using Landsat-8 and Sentinel-2 imagery. Overall, the work highlights the potential of moderate resolution optical remote sensing data to detect and classify fine-scale patterns in tree defoliation.
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.
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 découle