Identification of the Optimal Season and Spectral Regions for Shrub Cover Estimation in Grasslands
Notice bibliographique
Résumé
Woody plant encroachment (WPE), the expansion of native and non-native trees and shrubs into grasslands, is a less studied factor that leads to declines in grassland ecosystem health. With the increasing application of remote sensing in grassland monitoring and measuring, it is still difficult to detect WPE at its early stages when its spectral signals are not strong enough. Even at late stages, woody species have strong vegetation characteristics that are commonly categorized as healthy ecosystems. We focus on how shrub encroachment can be detected through remote sensing by looking at the biophysical and spectral properties of the WPE grassland ecosystem, investigating the appropriate season and wavelengths that identify shrub cover, testing the spectral separability of different shrub cover groups and by revealing the lowest shrub cover that can be detected by remote sensing. Biophysical results indicate spring as the best season to distinguish shrubs in our study area. The earliest shrub encroachment can be identified most likely only when the cover reaches between 10% and 25%. A correlation between wavelength spectra and shrub cover indicated four regions that are statistically significant, which differ by season. Furthermore, spectral separability of shrubs increases with their cover; however, good separation is only possible for pure shrub pixels. From the five separability metrics used, Transformed divergence and Jeffries-Matusita distance have better interpretations. The spectral regions for pure shrub pixel separation are slightly different from those derived by correlation and can be explained by the influences from land cover mixtures along our study transect.
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 ».