MétaCan
Menu
Retour à la cohorte
Enregistrement W3121017406 · doi:10.1080/07038992.2020.1865792

Modeling Watershed-Scale Historic Change in the Alpine Treeline Ecotone Using Random Forest

2020· article· en· W3121017406 sur OpenAlexafffundvenueabout
David R. McCaffrey, Chris Hopkinson

Notice bibliographique

RevueCanadian Journal of Remote Sensing · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFire effects on ecosystems
Établissements canadiensUniversity of Lethbridge
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of Lethbridge
Mots-clésEcotoneWatershedEnvironmental sciencePhysical geographyLand coverGeographyRandom forestCanopyClimate changeLidarAltitude (triangle)Hydrology (agriculture)EcologyRemote sensingLand useGeologyHabitatMathematics

Résumé

récupéré en direct d'OpenAlex

Historic changes in Alpine Treeline Ecotone were modeled using 21 topographic, climatic, geologic, and disturbance variables in a random forest model. Airborne LiDAR and oblique historic repeat photography were used to identify changes in canopy cover in the West Castle Watershed (WCW), Alberta, Canada (49.3° N, 114.4° W). A Random Forest model was trained on ∼30% of the watershed which was observable in oblique imagery, then used for a spatial extension to predict change classes in the unobserved regions of the watershed. Overall accuracy of the model was 77.3% and kappa showed moderate agreement at 0.56. The relative strength of each prediction variable was compared using permutation importance. Fire exposure, annual temperature, and annual solar radiation were the highest-ranking variables; canopy cover decreases on warm, fire-exposed aspects at high elevations, and increases on cool, non-fire-exposed aspects.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,659
Score d'incertitude au seuil0,859

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,217
Écart entre enseignants0,187 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2020
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Remote SensingMême sujetFire effects on ecosystemsTravaux en français237 207