Identifying native grasslands and key phenological stages using time series Sentinel-2 data and deep learning models
Notice bibliographique
Résumé
Canadian prairies are among the world’s most endangered ecosystems, and the identification of native grasslands is crucial for supporting grassland management and wildlife conservation. However, the current amount, distribution, and dynamic changes of native grassland remain uncertain, partly due to the difficulty of separating native grassland with other land cover types, especially tame grassland in landcover classification products. This study aims to identify native grasslands in the Mixed Grasslands ecoregion of Saskatchewan using Sentinel-2 Normalized Difference Vegetation Index (NDVI) time series data through deep learning and multi-temporal approaches. Three classifiers, one-dimensional convolutional (Conv1D), Attention Long Short-Term Memory (At-LSTM), and Random Forest (RF), were applied to distinguish the native and tame grasslands, analyzing the key phenological stages. The results show that the Conv1D-based model outperformed the others in both the South (accuracy: 0.88; F1 score: 0.87) and North (accuracy: 0.78; F1 score: 0.77) sub-regions. In contrast, the At-LSTM and RF models performed worse, particularly in the North sub-region, with F1 scores of 0.64 and 0.68, respectively. The early July period (Day of Year 170 to 200) was critical for distinguishing native and tame grassland landcover, especially in the South sub-region. Additionally higher resolution data (5-day intervals) generally improved model accuracy compared to 10-day and 30-day intervals. Overall, the study demonstrates the effectiveness of time series NDVI data and deep learning approaches for identifying native grasslands, offering valuable information to assist in grassland ecosystem management and conservation strategies in the Canadian prairies.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».