Assessment of remotely sensed inventories for land cover classification of public grasslands in Manitoba, Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Land cover classification is one of the most common applications of remote sensing and is used for developing and modifying land management policies on agricultural landscapes to achieve conservation and economic goals, such as reducing grassland degradation and improving livestock and crop production. In this study, the grassland classification of the crown lands (public grasslands in Canada) from a newly developed remotely sensed dataset in the Prairie Province of Manitoba (i.e., the Manitoba Grassland Inventory, MGI) was assessed in terms of accuracy by comparison to non‐spatial government records. The analysis consisted of (i) converting non‐spatial records from the provincial crown land database to spatially‐defined parcels by performing parcel delineations using geographic information system (GIS) and R programming tools, (ii) summarising the MGI classification at the same spatial scale, and (iii) comparing the agreement between MGI and the crown land database. The most common land cover types identified were: forest (30%) and shrubland (25%), followed by native (10%) and tame (9%) grasslands. However, the class agreements between woody (i.e., forests and shrublands) and grassy (i.e., native and tame grasslands) vegetation classes were low between these datasets because of their spectral similarities. Based on these results, we suggest additional refinements on both sensor and ground data to improve the classification agreement between these datasets. This study is one of the first attempts to compare ground‐collected government records against a remotely sensed product in Manitoba.
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.
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 découle