The Classification and Characterization of Canadian Boreal Peatland Sub-classes
Notice bibliographique
Résumé
This research addresses the lack of suitable peatland maps and vegetation data in the Canadian Boreal Forest.This study aimed to create a peatland sub-class map and inventory peatland vegetation height.A three-stage hierarchical classification framework was developed for mapping peatland sub-classes circa 2020.A combination of multi-spectral data, L-band SAR backscatter and C-Band InSAR coherence, forest structure, and ancillary variables were used as model predictors.In the first stage, wetlands, uplands, and water were classified with 86.5% accuracy.The second stage achieved 93.3% accuracy in distinguishing peatland from mineral wetlands.The third stage, focusing on peatland areas, classified bogs, rich fens, poor fens, and permafrost peat complexes with 71.5% accuracy.ICESat-2 ATL08 data described regional and class-wise vegetation height variations.This research introduced a comprehensive large-scale peatland sub-class mapping framework for the Canadian Boreal Forest, presenting the first moderate resolution map of its kind.i I would like to acknowledge the many people who made the writing of this thesis possible.First, I would like to thank my supervisor Dr. Koreen Millard for her invaluable advice, constant guidance, and continuous support.I would also like to acknowledge my committee members, Dr. Dan K. Thompson and Luc Guindon for their continuous guidance and contributions of expertise
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».