Applying remote sensing for large‐landscape problems: Inventorying and tracking habitat recovery for a broadly distributed Species At Risk
Notice bibliographique
Résumé
Abstract Anthropogenic habitat alteration is leading to the reduction of global biodiversity. Consequently, there is an imminent need to understand the state and trend of habitat alteration across broad areas. In North America, habitat alteration has been linked to the decline of threatened woodland caribou. As such, habitat protection and restoration are critical measures to support recovery of self‐sustaining caribou populations. Broad estimates of habitat change through time have set the stage for understanding the status of caribou habitat. However, the lack of updated and detailed data on post‐disturbance vegetation recovery is an impediment to recovery planning and monitoring restoration effectiveness. Advances in remote sensing tools to collect high‐resolution data at large spatial scales are beginning to enable ecological studies in new ways to support ecosystem‐based and species‐based management. We used semi‐automated and manual methodologies to fuse photogrammetry point clouds (PPC) from high‐resolution aerial imagery with wide‐area light detection and ranging (LiDAR) data to quantify vegetation structure (height, density, class) on disturbances associated with caribou declines. We also compared vegetation heights estimated from the semi‐automated PPC‐LiDAR fusion to heights estimated in the field, using stereoscopic interpretation, and using multi‐channel TiTAN LiDAR. Vegetation regrowth was occurring on many of the disturbance types, though there was local variability in the type, height and density of vegetation. Heights estimated using PPC‐LiDAR fusion were highly correlated ( r ≥ 0.87 in all cases) with heights estimated using stereomodels, TiTAN multi‐channel LiDAR and field measurements. We demonstrated that PPC‐LiDAR fusion can be operationalized over large areas to collect comprehensive and consistent vegetation data across landscape levels, providing opportunities to link fine‐resolution remote sensing to landscape‐scale ecological studies. Crucially, these data can be used to estimate rates of habitat recovery at resolutions that are not feasible using more commonly used satellite‐based sensors, bridging the gap between resolution and extent. Such data are needed to achieve effective and efficient habitat monitoring to support caribou recovery efforts, as well as a myriad of additional forest management needs.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».