Multispectral and LiDAR-Derived Vegetation Indicators of Water Table Dynamics in Forested Wetlands
Notice bibliographique
Résumé
We examined the potential to use remotely sensed measures of vegetation composition and structure, including spaceborne multispectral and airborne light detection and ranging (LiDAR) variables, as indicators of forested wetland hydrology. First, we identified statistically significant associations between a suite of remote sensing variables (multispectral and LiDAR-derived vegetation indices) and field-measured metrics of wetland vegetation structure and composition. We then used redundancy analysis (RDA) to evaluate the relationships between remotely sensed vegetation indices and growing season water table dynamics in 13 north-temperate forested wetlands in southwestern Quebec, Canada. Our results show that ratio measures of near-infrared (NIR) and red/green band combination (SR-Simple Ratio, NDVI-Normalized Difference Vegetation Index and NDVIG-Normalized Difference Green Vegetation Index) are associated with many hydrometric variables describing the water table position (WTP), water level fluctuations and hydroperiod. Individual band brightness measures are associated with a smaller subset of these hydrometric variables. However, the incorporation of LiDAR derivatives with image variables in multivariate RDA did not significantly contribute to the explained variance in hydrometric variables. Overall, our results demonstrate that image-derived vegetation indices, more so than LiDAR-derived metrics of vegetation structure, can be used as indicators of water table dynamics in forested wetlands.
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 | 0,001 | 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 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 ».