Detecting forest and linear woody feature change between 1954 and 2019 in Southeastern Canadian agroecosystems for regional biodiversity assessment
Notice bibliographique
Résumé
Effectively mapping and detecting changes in forests and linear woody features (LWFs) is crucial for assessing their impact on biodiversity and ecosystem services. This study investigated this capability using heterogeneous, high-resolution aerial imagery, in terms of spectral and spatial properties. Mitigating the influence of these factors, arising from differences in sensor specifications and acquisition conditions, is essential for robust detection and analysis of temporal change across historical image datasets. The deep learning model developed here successfully mapped forests and LWFs between 1954 and 2019 using just a single image band, enabling reliable change estimation. Assessment at the pixel scale showed forest mapping achieved an accuracy of 90%, while LWF accuracy was lower at 69%, primarily due to their narrow widths and boundary errors in both the reference and predicted results. For LWFs an object-based assessment was undertaken to reduce the effect of precise delineation achieving a higher accuracy of 77%. As a final assessment, comparison of area within 200 by 200 m extents showed good agreement, with a mean absolute error of 1.3% for LWFs. For forests this was 2.7%. In terms of change detection, the accuracy was greater than 81% for both forests and LWFs. Change analysis indicated an 8.5% net increase in forests since 1954, along with a small net loss of less than 1% in LWFs. LWF loss was mainly attributed to forest gains. In areas without significant forest gain, LWFs slightly increased. These changes are generally seen as beneficial for biodiversity and ecosystem services in the region. However, other factors such as urban development and larger agricultural field sizes need to be considered in future studies.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».