SAR and Lidar Temporal Data Fusion Approaches to Boreal Wetland Ecosystem Monitoring
Notice bibliographique
Résumé
The objective of this study was to develop a decision-based methodology, focused on data fusion for wetland classification based on surface water hydroperiod and associated riparian (transitional area between aquatic and upland zones) vegetation community attributes. Multi-temporal, multi-mode data were examined from airborne Lidar (Teledyne Optech, Inc., Toronto, ON, Canada, Titan), synthetic aperture radar (Radarsat-2, single and quad polarization), and optical (SPOT) sensors with near-coincident acquisition dates. Results were compared with 31 field measurement points for six wetlands at riparian transition zones and surface water extents in the Utikuma Regional Study Area (URSA). The methodology was repeated in the Peace-Athabasca Delta (PAD) to determine the transferability of the methods to other boreal environments. Water mask frequency analysis showed accuracies of 93% to 97%, and kappa values of 0.8–0.9 when compared to optical data. Concordance results comparing the semi-permanent/permanent hydroperiod between 2015 and 2016 were found to be 98% similar, suggesting little change in wetland surface water extent between these two years. The results illustrate that the decision-based methodology and data fusion could be applied to a wide range of boreal wetland types and, so far, is not geographically limited. This provides a platform for land use permitting, reclamation monitoring, and wetland regulation in a region of rapid development and uncertainty due to climate change. The methodology offers an innovative time series-based boreal wetland classification approach using data fusion of multiple remote sensing data sources.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».