Mapping Grasslands in Mixed Grassland Ecoregion of Saskatchewan Using Big Remote Sensing Data and Machine Learning
Notice bibliographique
Résumé
Accurate spatial distribution information of native, mixed, and tame grasslands is essential for maintaining ecosystem health in the Prairie. This research aimed to use the latest monitoring technology to assess the remaining grasslands in Saskatchewan’s mixed grassland ecoregion (MGE). The classification approach was based on 78 raster-based variables derived from big remote sensing data of multispectral optical space-borne sensors such as MODIS and Sentinel-2, and synthetic aperture radar (SAR) space-borne sensors such as Sentinel-1. Principal component analysis (PCA) was used as a data dimensionality reduction technique to mitigate big data load and improve processing time. Random Forest (RF) was used in the classification process and incorporated the selected variables from 78 satellite-based layers and 2385 reference training points. Within the MGE, the overall accuracy of the classification was 90.2%. Native grassland had 98.20% of user’s accuracy and 88.40% producer’s accuracy, tame grassland had 81.4% user’s accuracy and 93.8% producer’s accuracy, whereas mixed grassland class had very low user’s accuracy (45.8%) and producer’s accuracy 82.83%. Approximately 3.46 million hectares (40.2%) of the MGE area are grasslands (33.9% native, 4% mixed, and 2.3% tame). This study establishes a novel analytical framework for reliable grassland mapping using big data, identifies future challenges, and provides valuable information for Saskatchewan and North America decision-makers.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».