State of Science Assessment of Remote Sensing of Great Lakes Coastal Wetlands: Responding to an Operational Requirement
Notice bibliographique
Résumé
The purpose of this research was to develop a state of science synthesis of remote sensing technologies that could be used to track changes in Great Lakes coastal vegetation for the Great Lakes-St. Lawrence River Adaptive Management (GLAM) Committee. The mapping requirements included a minimum mapping unit (MMU) of either 2 × 2 m or 4 × 4 m, a digital elevation model (DEM) accuracy in x and y of 2 m, a “z” value or vertical accuracy of 1–5 cm, and an accuracy of 90% for the classes of interest. To determine the appropriate remote sensing sensors, we conducted an extensive literature review. The required high degree of accuracy resulted in the elimination of many of the remote sensing sensors used in other wetland mapping applications including synthetic aperture radar (SAR) and optical imagery with a resolution >1 m. Our research showed that remote sensing sensors that could at least partially detect the different types of wetland vegetation in this study were the following types: (1) advanced airborne “coastal” Airborne Light Detection and Ranging (LiDAR) with either a multispectral or a hyperspectral sensor, (2) colour-infrared aerial photography (airplane) with (optimum) 8 cm resolution, (3) colour-infrared unmanned aerial vehicle (UAV) photography with vertical accuracy determination rated at 10 cm, (4) colour-infrared UAV photography with high vertical accuracy determination rated at 3–5 cm, (5) airborne hyperspectral imagery, and (6) very high-resolution optical satellite data with better than 1 m resolution.
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 | 0,016 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».