An Operational Workflow of Deciduous-Dominated Forest Species Classification: Crown Delineation, Gap Elimination, and Object-Based Classification
Notice bibliographique
Résumé
Recent advances in remote sensing technology provide sufficient spatial detail to achieve species-level classification over large vegetative ecosystems. In deciduous-dominated forests, however, as tree species diversity and forest structural diversity increase, the frequency of spectral overlap between species also increases and our ability to classify tree species significantly decreases. This study proposes an operational workflow of individual tree-based species classification for a temperate, mixed deciduous forest using three-seasonal WorldView images, involving three steps of individual tree crown (ITC) delineation, non-forest gap elimination, and object-based classification. The process of species classification started with ITC delineation using the spectral angle segmentation algorithm, followed by object-based random forest classifications. A total of 672 trees was located along three triangular transects for training and validation. For single-season images, the late-spring, mid-summer, and early-fall images achieve the overall accuracies of 0.46, 0.42, and 0.35, respectively. Combining the spectral information of the early-spring, mid-summer, and early-fall images increases the overall accuracy of classification to 0.79. However, further adding the late-fall image to separate deciduous and coniferous trees as an extra step was not successful. Compared to traditional four-band (Blue, Green, Red, Near-Infrared) images, the four additional bands of WorldView images (i.e., Coastal, Yellow, Red Edge, and Near-Infrared2) contribute to the species classification greatly (OA: 0.79 vs. 0.53). This study gains insights into the contribution of the additional spectral bands and multi-seasonal images to distinguishing species with seemingly high degrees of spectral overlap.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».