Regional-scale mapping of native grasslands in Alberta, Canada, using optical and microwave remote sensing
Notice bibliographique
Résumé
Canada’s Prairie grasslands are ecologically and agriculturally significant but face threats from climate change, urban expansion, and resource extraction. Accurate mapping of these grasslands is essential for conservation, sustainable management, and understanding land use change. This thesis explores methodological advancements in mapping Prairie grasslands using high-resolution satellite imagery, synthetic aperture radar (SAR), machine learning (ML), and geographic object-based image analysis (GEOBIA). These tools address challenges in distinguishing native grasslands from spectrally similar land cover classes, like seeded forage, which complicates traditional mapping techniques. Focusing on Southern Alberta’s ecoregions, the research investigates the spatial and temporal variability of compact polarimetric C-band SAR backscatter in native and tame grasslands, providing insights into their complex environments. Results highlight the limitations of a "one-size-fits-all" approach due to the variability within the Prairie ecozone, emphasizing the need for spatially robust field monitoring to enhance provincial and federal land cover classification efforts. The findings demonstrate significant improvements in regional-scale grassland mapping accuracy, enabling better identification of at-risk areas and informing targeted conservation initiatives. Additionally, the research underscores the importance of investing in SAR infrastructure for terrestrial vegetation mapping in Canada. By advancing remote sensing methodologies, this study contributes to geography and provides a framework for environmental monitoring and management. Its practical implications extend to policymakers, conservationists, and land managers working to preserve the ecological integrity of Canada’s Prairie grasslands.
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 | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».