Forest cover classification using Landsat Thematic Mapper data for areal expansion of line LAI estimate generated through airborne laser profiler
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A simple cover classification of Canadian boreal forest was conducted using Landsat Thematic Mapper (TM) imagery to expand a line estimate of leaf area index (LAI) into a two-dimensional regional one. The line estimate had been made through a 600km long continuous vegetation profile obtained by airborne laser altimetry. The present study area of 170×30km straddles the central portion of the laser profiling transect, from Wandering River north to Fort McMurray, Alberta, Canada. A total of eight land cover types were identified first in the field, and then some 83 training points and another 74 reference points were chosen and recorded for a supervised classification and its accuracy assessment respectively. By applying a supervised procedure to Landsat TM data in two different seasons, these eight cover types, consisting of six vegetated covers, i. e. closed and open conifer forests, conifer woodland, closed and open broad-leaved forests and marsh thicket, and two nonvegetated covers, i. e. bare ground and water surface, were classified. The classification was basically successful with an overall accuracy of 76%. Finally, using an overlay of this land cover map and the airborne laser profiling flight track, the mean LAI for each type of vegetation cover was obtained, and subsequently fed back to the land cover map to form a false-color map showing the two-dimensional distribution of LAI over the entire study area.
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.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle