Object-Based Approach Using Very High Spatial Resolution 16-Band WorldView-3 and LiDAR Data for Tree Species Classification in a Broadleaf Forest in Quebec, Canada
Notice bibliographique
Résumé
Species identification in Quebec, Canada, is usually performed with photo-interpretation at the stand level, and often results in a lack of precision which affects forest management. Very high spatial resolution imagery, such as WorldView-3 and Light Detection and Ranging have the potential to overcome this issue. The main objective of this study is to map 11 tree species at the tree level using an object-based approach. For modeling, 240 variables were derived from WorldView-3 with pixel-based and arithmetic feature calculation techniques. A global approach (11 species) was compared to a hierarchical approach at two levels: (1) tree type (broadleaf/conifer) and (2) individual broadleaf (five) and conifer (six) species. Five different model techniques were compared: support vector machine, classification and regression tree, random forest (RF), k-nearest neighbors, and linear discriminant analysis. Each model was assessed using 16-band or first 8-band derived variables, with the results indicating higher precision for the RF technique. Higher accuracies were found using 16-band instead of 8-band derived variables for the global approach (overall accuracy (OA): 75% vs. 71%, Kappa index of agreement (KIA): 0.72 vs. 0.67) and tree type level (OA: 99% vs. 97%, KIA: 0.97 vs. 0.95). For broadleaf individual species, higher accuracy was found using first 8-band derived variables (OA: 70% vs. 68%, KIA: 0.63 vs. 0.60). No distinction was found for individual conifer species (OA: 94%, KIA: 0.93). This paper demonstrates that a hierarchical classification approach gives better results for conifer species and that using an 8-band WorldView-3 instead of a 16-band is sufficient.
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 | 0,000 |
| 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 ».