Use of Multi-Date and Multi-Spectral UAS Imagery to Classify Dominant Tree Species in the Wet Miombo Woodlands of Zambia
Notice bibliographique
Résumé
Accurate maps of tree species distributions are necessary for the sustainable management of forests with desired ecological functions. However, image classification methods to produce species distribution maps for supporting sustainable forest management are still lacking in the Miombo woodland ecoregion. This study used multi-date multispectral Unmanned Aerial Systems (UAS) imagery collected at key phenological stages (leaf maturity, transition to senescence, and leaf flushing) to classify five dominant canopy species of the wet Miombo woodlands in the Copperbelt Province of Zambia. Object-based image analysis (OBIA) with a random forest algorithm was used on single date, multi-date, and multi-feature UAS imagery for classifying the dominant canopy tree species of the wet Miombo woodlands. It was found that classification accuracy varies both with dates and features used. For example, the August image yielded the best single date overall accuracy (OA, 80.12%, 0.68 kappa), compared to October (73.25% OA, 0.59 kappa) and May (76.64% OA, 0.63 kappa). The use of a three-date image combination improved the classification accuracy to 84.25% OA and 0.72 kappa. After adding spectral indices to multi-date image combination, the accuracy was further improved to 87.07% and 0.83 kappa. The results highlight the potential of using multispectral UAS imagery and phenology in mapping individual tree species in the Miombo ecoregion. It also provides guidance for future studies using multispectral UAS for sustainable management of Miombo tree species.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».