Extending Estimates of Tree and Tree Species Presence-Absence through Space and Time Using Landsat Composites
Notice bibliographique
Résumé
We developed a methodology for extending estimates of the presence-absence of trees and several tree species contained in the Canadian National Forest Inventory using nationally consistent Landsat data products. For a prototype boreal forest region of Newfoundland and Labrador, Canada, we modeled and assessed changes in the presence-absence of trees and tree species distributions over a 25-year period. Random Forest models of presence-absence of trees had an overall classification accuracy of 0.87 ± 0.019. For five tree species, overall classification accuracies were: 0.74 ± 0.017 for balsam fir; 0.75 ± 0.028 for black spruce; 0.64 ± 0.085 for trembling aspen; 0.64 ± 0.035 for tamarack; and 0.77 ± 0.041 for white birch. While the proportion of treed area increased by 8.5% over the 25-year period, the area occupied by black spruce declined by 13.5%. The area of balsam fir and white birch increased by 9.9% and 28.2%, respectively, while trembling aspen and tamarack changed by less than 5%. The map products developed and trends observed offer baseline information in support of long-term monitoring of treed area and tree species distributions. The demonstrated methods encourage development of spatially-explicit map products to complement spatially or temporally limited forest inventory datasets.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| 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) | 0,001 | 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 ».