Mapping Dominant Boreal Tree Species Groups by Combining Area-Based and Individual Tree Crown LiDAR Metrics with Sentinel-2 Data
Notice bibliographique
Résumé
Airborne light detection and ranging (LiDAR) data are increasingly used to inform sustainable forest management practices. Information about species composition is needed for a range of applications; however, commonly used area-based summaries of LiDAR data are limited to accurately differentiate tree species. The objective of this study was to map dominant species groups across a large (>580,000 ha) boreal forest by combining area-based and individual tree metrics derived from single photon LiDAR data with multispectral information derived from Sentinel-2 imagery. Classification of the forest into jack pine (Pinus banksiana), black spruce (Picea mariana), mixed conifer, mixedwood, and hardwood species groups resulted in an overall accuracy of 67.8% compared with field data. A more generalized classification into softwood, hardwood, and mixedwood had an overall accuracy of 83.2%. The reflectance in the red edge region of the electromagnetic spectrum (λ = 740 nm), the area and volume of tree crowns, and the cumulative distribution of LiDAR returns in the canopy were particularly important variables to discriminate between species groups. Wall-to-wall predictions of species groups based on remotely sensed data—as derived herein—could provide a spatially-detailed alternative to stand-level species composition information traditionally derived from photo-interpreted aerial imagery.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».