Predicting Tree Mortality Using Spectral Indices Derived from Multispectral UAV Imagery
Notice bibliographique
Résumé
Past research has shown that remotely sensed spectral information can be used to predict tree health and vitality. Recent developments in unmanned aerial vehicles (UAVs) have now made it possible to derive such information at the tree and stand scale from high-resolution imagery. We used visible and multispectral bands from UAV imagery to calculate a set of spectral indices for 52,845 individual tree crowns within 38 forest stands in western Canada. We then used those indices to predict the mortality of these canopy trees over the following year. We evaluated whether including multispectral indices leads to more accurate predictions than indices derived from visible wavelengths alone and how the performance varies among three different tree species (Picea glauca, Pinus contorta, Populus tremuloides). Our results show that spectral information can be effectively used to predict tree mortality, with a random forest model producing a mean area under the receiver operating characteristic curve (AUC) of 89.8% and a balanced accuracy of 83.3%. The exclusion of multispectral indices worsened the model performance, but only slightly (AUC = 87.9%, balanced accuracy = 81.8%). We found variation in model performance among species, with higher accuracy for the broadleaf species (balanced accuracy = 85.2%) than the two conifer species (balanced accuracy = 73.3% and 77.8%). However, all models overpredicted tree mortality by a major degree, which limits the use for tree mortality predictions on an individual level. Further improvements such as long-term monitoring, the use of hyperspectral data and cost-sensitive learning algorithms, and training the model with a larger and more balanced data set are necessary. Nevertheless, our results demonstrate that imagery from UAVs has strong potential for predicting annual mortality for individual canopy trees.
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 | 0,001 | 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 ».