Detection of Annual Spruce Budworm Defoliation and Severity Classification Using Landsat Imagery
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».