Use of Landsat Imagery Time-Series and Random Forests Classifier to Reconstruct Eelgrass Bed Distribution Maps in Eeyou Istchee
Notice bibliographique
Résumé
The eastern coastline of James Bay is known to have been home to sizeable eelgrass beds (Zostera marina L.) which thrived in the bay’s shallow, subarctic waters. The region was subjected to substantial hydroelectric dams, large fires, and other human activities in the past half-century. To assess the impact of these factors on eelgrass beds, a historical reconstruction of eelgrass bed distribution was performed from images acquired by Landsat-5 Thematic Mapper (TM) in 1988, 1991, and 1996 and images of the Landsat-8 Operational Land Imager (OLI) in 2019. All the images were classified using the Random Forests classifier (RF) and assessed for accuracy each year on a bay-wide scale using an independent field validation dataset. The validation data were extracted from an eelgrass bed map established using aerial photos and field surveys in 1986, 1991, and 1995 and from a field survey in 2019. The overall validation accuracy of the classified images (between 72% and 85%) showed good agreement with the other datasets for most locations, providing reassurance about the reliability of the research. This makes it possible to use satellite imagery to detect past changes to eelgrass distribution within a bay. The classified images of 1988 and 1996 were also compared to aerial photos taken in years close to each other at ten sites to determine their ability to assess small eelgrass beds’ shape and presence. Such a comparison revealed that the classified images accurately portrayed eelgrass distribution even at finer scales.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 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 ».