Evaluating the use of hyperspectral imagery to calculate raster-based wetland vegetation condition indicator
Notice bibliographique
Résumé
Abstract Field observations and measurements of wetland plants have traditionally been used to monitor and evaluate wetland condition; however, there has been increasing use of remote sensing applications for rapid evaluations of wetland productivity and change. Combining key aspects of field- and remote sensing-based wetland evaluation methods can provide more efficient or improved biological indices. This exploratory study set out to develop a raster-based Wetland Vegetation Condition Indicator system that used airborne hyperspectral imagery-derived data to estimate plant-community quality (via wetland classification and Coefficient of Conservatism) and vegetation biomass (estimated using the Normalized Difference Vegetation Index). The Wetland Vegetation Condition Indicator system was developed for three Lake Ontario wetland areas and compared to a field-based floristic quality index and a dominant-plant based Floristic quality indexdom. The indicator system serves as a proof-of-concept that capitalized on the spatial and spectral attributes of high-resolution imagery to quantify and characterize the quality and quantity of wetland vegetation. A Pearson correlation analysis showed moderate r values of 0.59 and 0.62 for floristic quality index and floristic quality indexdom, respectively, compared to the indicator method. The differences are potentially due to the spatial resolution of the imagery and the indicator method only accounting for the dominant plants within each assessment unit (pixel), therefore disregarding understory plants or those with low abundance. However, the multi-metric Wetland Vegetation Condition Indicator approach shows promise as an indicator of wetland condition by using remotely sensed data, which could be useful for more efficient landscape-scale assessments of wetland health, resilience, and recovery.
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) | 0,000 | 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 ».