Mapping Trails and Tracks in the Boreal Forest Using LiDAR and Convolutional Neural Networks
Notice bibliographique
Résumé
Trails and tracks are the detectable signs of passage of wildlife and off-highway vehicles in natural landscapes. They record valuable information on the presence and movement of animals and humans. However, published works aimed at mapping trails and tracks with remote sensing are nearly absent from the peer-reviewed literature. Here, we demonstrate the capacity of high-density LiDAR (light detection and ranging) and convolutional neural networks to map undifferentiated trails and tracks automatically across a diverse study area in the Canadian boreal forest. We compared maps developed with LiDAR from a drone platform (10 cm digital terrain model) with those from a piloted-aircraft platform (50 cm digital terrain model). We found no significant difference in the accuracy of the two maps. In fact, the piloted-aircraft map (F1 score of 77 ± 9%) performed nominally better than the drone map (F1 score of 74 ± 6%) and demonstrated a better balance among error types. Our maps reveal a 2829 km network of trails and tracks across the 59 km2 study area. These features are especially abundant in peatlands, where the density of detected trails and tracks was 68 km/km2. We found a particular tendency for wildlife and off-highway vehicles to adopt linear industrial disturbances like seismic lines into their movement networks. While linear disturbances covered just 7% of our study area, they contained 27% of all detected trails and tracks. This type of funnelling effect alters the movement patterns of humans and wildlife across the landscape and impedes the recovery of disturbed areas. While our work is a case study, the methods developed have broader applicability, showcasing the potential to map trails and tracks across large areas using remote sensing and convolutional neural networks. This capability can benefit diverse research and management communities.
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 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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 ».