Attributing a Causal Agent and Assessing the Severity of Non-Stand Replacing Disturbances in a Northern Hardwood Forest using Landsat-Derived Vegetation Indices
Notice bibliographique
Résumé
Non-stand-replacing disturbances are major drivers of northern hardwood forest dynamics, but are more challenging to characterize using satellite imagery than stand-replacing events. This study proposes a hurdle approach in which disturbance causal agents are first attributed to permanent sample plots that were either partially harvested, had sustained damage from an ice storm or remained undisturbed during the observation period, reaching an overall accuracy of 82.9%. Ordinary least square regression was then used to develop disturbance-specific models to assess the severity of partial harvests and damage from ice storms, with r-squared values of 0.57 and 0.59, respectively. The disturbance-specific models included a different set of predictors, confirming the importance of attributing a causal agent to a disturbance before assessing its severity. The sequence of models was implemented regionally to produce severity maps for two disturbance events, revealing within-stand variability in the severity that could be useful for the planning of future silvicultural actions. Although the proposed models offer acceptable performance, more research is needed to include additional disturbance agents and develop models that better capture the small variations in the spectral reflectance caused by low-severity disturbances, especially in the case of low-intensity partial harvests.
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 | 0,001 |
| 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 ».