Predicted Tree Canopy Cover (1972 - 2020) from: Using Landsat time-series to investigate nearly 50 years of tree canopy cover change across an urban-rural landscape
Notice bibliographique
Résumé
Paper Abstract: Canadian urban and adjacent landscapes have undergone dynamic changes over the last 50 years due to land management practices, land cover alternations, climate change, and various disturbances. Remote sensing, particularly the Landsat archive, provides the only means to spatially quantify these long-term dynamics at a local scale. Here, we explore how Landsat, including the often-forgotten MSS sensor, can be used to investigate tree canopy cover (CC) change over nearly 50 years (1972-2020) in a Canadian urban-rural landscape. We built a CC time-series by training random forest models using visually interpreted CC from reference high-resolution imagery. Predictors included topographic and yearly LandTrendr-fitted tasseled cap indices. Harmonized tasseled cap indices were available throughout the full Landsat archive by applying LandsatLinkr. Yearly binary tree canopy maps were also built to mask consistent non-canopy areas and limit noise. To increase confidence in observed CC change in the absence of historical reference imagery, we consider multiple temporal validation options. We explore changes across broad landscape types and build connections with different influential drivers (e.g., agricultural reforestation, housing development, emerald ash borer, ice storms). Results demonstrate how long-term Landsat time-series can be used to better understand historical tree canopy change, providing important information for local organizations. Dataset details: See paper. See code on GitHub: ZZMitch/PredictTreeCC_Landsat_1972to2020: Code from the portion of my PhD about using Landsat time-series to predict tree canopy cover from 1972 - 2020. Code will be released as papers are published. (github.com)
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».