Using Landsat time-series to investigate nearly 50 years of tree canopy cover change across an urban-rural landscape in southern Ontario
Notice bibliographique
Résumé
Canadian urban and adjacent landscapes have been dynamic over the last 50 years due to land management, land cover alternations, climate change, and disturbances. Remote sensing, particularly the Landsat archive, provides the only means to spatially quantify these long-term dynamics locally. Here, we explore the utility of Landsat, including the often-forgotten MSS sensor, for investigating percent tree canopy cover (TCC) change between 1972 and 2020 in a Canadian urban-rural context. We build a TCC time-series by training random forest models using visually interpreted TCC from high-resolution imagery. Predictors include topographic and yearly LandsatLinkr-harmonized and LandTrendr-fitted tasseled cap indices. Yearly binary TCC maps are built to mask consistently treeless areas and limit noise. To increase confidence in observed TCC change without historical reference imagery, we investigate multiple temporal validation options. Our TCC time-series (R2: 0.89, RMSE: 10.7%), quantifies TCC dynamics while limiting erroneous change and predictor space extrapolation. We explore TCC changes across landscapes, revealing periods of gain and loss associated with agricultural reforestation (1978–1996), housing development (on-going), drought (late 1990s), emerald ash borer (2010s), an ice storm (2013), and other drivers. Results demonstrate how long-term Landsat time-series can be used to better understand historical tree canopy change at local-regional 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».