Shelterbelt Agroforestry Systems Inventory and Removal Analyzed by Object-based Classification of Satellite Data in Saskatchewan, Canada
Notice bibliographique
Résumé
Shelterbelt agroforestry systems inventory is challenging given their narrow linear feature and extensive distribution. The objective of this study was to evaluate the capability of Sentinel-2A Multispectral Instrument (MSI) and Sentinel-1B Synthetic Aperture Radar (SAR) imagery in (i) delineating shelterbelt tree rows on managed agricultural land in Saskatchewan, Canada, and (ii) detecting shelterbelt removal during the period 2008–2016. Contrast split segmentation for the normalized difference vegetation index and Gaussian filter (line filter) data sets from SAR were used to delineate feature borders. Several feature variables from the spectral bands of MSI were used as inputs for an object-based classification using the random forest classifier. A resulting land cover map, including the linear features of existing shelterbelts, was created with an overall accuracy of 80% and kappa value of 0.69. Shelterbelt change detection analysis using the land cover map (2016) and a legacy shelterbelt inventory map (2008) showed that 354 km of shelterbelts were removed within the study area (1,400 km2), accounting for 29.8% of the total shelterbelt length present in 2008. Our results demonstrated that the combination of Sentinel SAR and MSI imagery can provide sufficient information for mapping future shelterbelt planting, as well as allow the detection of shelterbelt removal.
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 | 0,001 | 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 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 ».