Detailed land cover mapping in a seasonally dry tropical forest landscape using multiple sensor types
Notice bibliographique
Résumé
Detailed mapping of land cover is essential for supporting science-based sustainable landscape management. Despite the importance of land cover mapping in monitoring landscapes dynamics, land cover data are not always available. Even when the land cover data are available, they often lack detailed discrimination between forest types and plantations. This issue was found in a seasonally dry tropical forest landscape in Siem Reap and Preah Vihear, Cambodia. In this thesis, I explored the potential of (1) the fusion of optical and radar data in developing detailed land cover maps and revealing the driver of landscape change, and (2) vertical vegetation structure acquired by the Global Ecosystem Dynamics Investigation (GEDI) mission—a new mission that harnesses a space-borne waveform lidar sensor installed on the International Space Station—to improve the vegetation mapping in the studied landscape. The fusion between radar (Sentinel-1) and optical (Sentinel-2) satellite data slightly improved the land cover classification accuracy (1.6% overall accuracy increase) relative to Sentinel-2-only classification. Between 2015 and 2019, I detected a 247,781.04 Ha dry deciduous forest loss; most were due to logging (147,314 Ha). Land designations, such as the protected areas and the economic land concessions (ELCs), significantly determine land cover change. The classification of vegetation types using GEDI data had 81.9% overall accuracy despite the limited spatial coverage of GEDI data. The GEDI-only classification results could identify the seasonally inundated forests with better accuracy than the land cover map derived from the fusion of optical-radar data. These results demonstrate the potential of structural information acquired by Sentinel-1 and GEDI to improve our ability to identify vegetation types in complex, heterogeneous landscapes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».