GIS, Remote Sensing and Machine Learning: Data Integration to Support the Management of Coastal Island Ecosystems
Notice bibliographique
Résumé
Islands are important components of many coastal areas around the world; however, by virtue of their geographical isolation, the state of these ecosystems is often poorly known. To address the knowledge gap for the province of Nova Scotia, Canada, geographic information systems (GIS), remote sensing (RS), and machine learning (ML) were used to examine the status of nearly 4000 islands. We classified islands topographically and determined, based on 1 m resolution LiDAR, that approximately 70% are <2 m average elevation and highly vulnerable to partial or complete flooding under near-term regimes of sea level rise and storm surge potential. Vegetation cover was strongly related to topographic class, with higher, more steeply-sided islands having more tree cover and less sand, rock, and wetland. Climatic changes were most pronounced in the form of sea surface temperature (SST) warming, with August changes (+0.063 °C yr −1 ) being 6.3× higher than the global mean background rate, particularly affecting the Gulf of St. Lawrence subregion. Human activity, in the form of marine traffic, is a pervasive stress. To integrate all these factors, a random forest ML model was trained using tree mortality from forest inventory records as the environmental response, and the predictions were used to define a region-wide Ecosystem Stress Index (ESI). These findings demonstrate the kinds of insights geospatial data and ML can provide, and offer tools for improving our understanding of coastal island vulnerability.
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 | 0,000 | 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 ».