Mapping common and glossy buckthorns (<i>Frangula alnus</i>and<i>Rhamnus cathartica</i>) using multi-date satellite imagery WorldView-3, GeoEye-1 and SPOT-7
Notice bibliographique
Résumé
Buckthorns (Glossy buckthorn, Frangula alnus and common buckthorn, Rhamnus cathartica) represent a threat to biodiversity. Their high competitivity lead to the replacement of native species and the inhibition of forest regeneration. Early detection strategies are therefore necessary to limit invasive alien plant species’ impacts, and remote sensing is one of the techniques for early invasion detection. Few studies have used phenological remote sensing approaches to map buckthorn distribution from medium spatial resolution images. Those studies highlighted the difficulty of detecting buckthorns in low densities and in understory using this category of images. The main objective of this study was to develop an approach using multi-date very high spatial resolution satellite imagery to map buckthorns in low densities and in the understory in the Québec city area. Three machine learning classifiers (Support Vector Machines, Random Forest and Extreme Gradient Boosting) were applied to WorldView-3, GeoEye-1 and SPOT-7 satellite imagery. The Random Forest classifier performed well (Kappa = 0.72). The SVM and XGBoost's coefficient Kappa were 0.69 and 0.66, respectively. However, buckthorn distribution in understory was identified as the main limit to this approach, and LiDAR data could be used to improve buckthorn mapping in similar environments.
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 | 0,001 |
| 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 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 ».