Classification and Mapping of Plant Communities Using Multi-Temporal and Multi-Spectral Satellite Images
Notice bibliographique
Résumé
Classification and mapping of plant communities is an essential step for conservation and management of ecosystems and biodiversity. We adopt the Genus-Physiognomy-Ecosystem (GPE) system developed in the previous study for satellite-based classification of plant communities at a broad scale. This paper assesses the potential of multi-spectral and multi-temporal images collected by Sentinel-2 satellites for the classification and mapping of GPE types. This research was conducted in seven representative study sites in different climatic regions ranging from one warm-temperate site in Aya to six cool-temperate sites in Hakkoda, Zao, Oze, Shirakami, Kitakami and Shiranuka. The GPE types were enumerated in all study sites and ground truth data were collected with reference to extant vegetation surveys, visual interpretation of high-resolution images, and onsite field observations. We acquired all Sentinel-2 Level-1C product images available for the study sites between 2017-2019 and generated monthly median composite images consisting of ten spectral and twelve spectral-indices. The Gradient Boosting Decision Trees (GBDT) classifier was employed for the supervised classification of the satellite data with the support of ground truth data. The cross-validation accuracy in terms of kappa coefficient varied from 87% in Oze site with 41 GPE types to 95% in Hakkoda site with 19 GPE types; with average performance of 91% across all sites. The GPE maps produced in this research demonstrated a clear distribution of plant communities in all seven sites, highlighting the potential of Sentinel-2 multi-spectral and multi-temporal images with GPE classification system for operational and broad-scale mapping of plant communities.
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 ».